传统营销活动仅仅针对线下消费者进行制定,而在“互联网+”的背景下,线上营销活动具有成本低、流程短、市场开拓速度快等优势,故企业开展营销活动的形式由线下转为线上已成必然。而在各类营销活动开展前,如何利用企业已有的数据资源,更加智能化、精准化预测用户的参与行为,提高活动的用户参与度,从而提升产品销量、加快品牌传播、提升新活动投入产出比,成为企业亟需考虑的难题。本文在浙江省某大型企业互联网营销平台数据支撑下,通过挖掘246万名普通用户、40万会员用户及已开展的245场营销活动数据,对用户是否参与营销活动这一行为进行预测。具体研究内容如下:（1）互联网营销平台下的数据采集与预处理。企业营销平台由各种营销子系统组成,数据来源多、种类繁。将采集到的用户基础数据、购买数据、营销活动数据按照数据属性分为文本数据与非文本数据。对于文本数据,进行数据清洗、分词、去停用词等预处理操作;对于非文本类数据,则主要通过对缺失值处理及异常值过滤等方法进行数据清洗,并对数据进行加工和归一化处理。最终从用户数据和活动数据中提取出21个特征。（2）针对用户留言数据,提出一种基于用户留言内容的用户特征提取方法。首先针对用户评论长度较短、文字口语化问题,提出了基于字词向量融合的文本向量表示形式。其次,考虑到文本数据含有大量语义特征,提出了基于混合深度学习的Word-Fusion关键词提取模型,从而获得每条文本的候选关键词。最后,利用余弦相似度算法,得到活动标题、用户评论两类关键词的文本相似度,从而获得用户活动留言相关度特征。（3）为了解决在互联网营销平台的复杂环境下,用户参与营销活动的行为预测问题,提出了基于卷积神经网络（Convolutional Neural Networks,CNN）、长短期记忆网络（Long Short-Term Memory,LSTM）和深度森林（Deep Forest,DF）的组合预测模型。通过在CNN-LSTM单模型中增加前置的embedding层和特征融合层,在DF级联层中采用类向量平均化的方法提升预测精度。然后将两种单模型采用线性加权的方式进行融合,最后同其他基准模型进行对比实验,实验结果表明,该组合模型在各方面均有一定提升。（4）基于某大型企业互联网营销平台下的用户参与活动预测模块实现。在该模块,将本文提出的基于CNN-LSTM和DF的组合预测算法进行应用。通过Python微服务架构、Vue.js以及Echarts等相关技术,实现用户参与活动预测模块的可视化搭建。在每场活动开展前,企业人员都会使用该模块进行用户参与智能化预测。该模块的实现为企业建立科学的积分体系、生态体系提供数据支撑,同时也对企业产品销量提升、品牌传播加快以及新活动投入产出比提高具有重大意义。