移动应用的市场竞争异常激烈,其用户呈现出转化率低、与平台的相关性弱、流失率高等特点,因此,分析移动应用的用户特征,精准地识别和预测潜在流失用户对移动应用的功能设计、市场运营具有重要意义。移动应用的用户数据具有量级大、维度多、类别不平衡、隐含时序特征等特点,单个算法的用户流失预测模型普遍存在缺陷,如无法自动获取时序信息或模型易产生过拟合。为了解决单个用户流失预测模型的不足,提出了LSTMXGBOOST的混合模型,通过在真实数据集上进行模型验证,证明了模型的有效性。本文的主要工作如下:（1）分析目前常用的用户流失预测模型,结合移动应用的用户数据、行为特点及当前用户流失预测模型存在的不足,提出针对移动应用用户流失预测的算法特点;（2）设计了基于用户价值的用户细分模型,考虑用户细分对用户流失预测的正向影响作用,在分析用户的关系长度及活跃度对用户潜在价值影响的基础上,对传统的用户价值模型RFM进行改进,构建了RF-ALT价值识别模型,基于用户价值模型对用户进行有效细分,为用户的流失预测提供基础;（3）构建LSTM-XGBOOST的混合模型,对分类后的用户群体进行流失预测。针对移动应用的用户数据量大、维度高、数据存在时序性等问题,利用LSTM提取时序信息,将LSTM的输出特征与原数据集通过划分时间窗口构造的特征利用XGBOOST模型进行训练。本文提出的移动应用用户流失预测模型,可以在一定程度上弥补单个模型在移动应用用户流失预测场景中存在的缺陷。实验结果表明:（1）利用混合模型进行用户流失预测,用户细分后,不同用户群体的准确率、精确率、召回率、AUC指标的平均值相较于用户细分前全体用户的指标值分别提高了15.11%、5.78%、3.70%、6.81%;（2）相较于其他分类算法,本文提出的模型在准确率、精确率、召回率、AUC值等指标上均有显著提升。