随着智能手机的发展,网购逐渐成为了人们日常购物的主要方式,充分利用用户在平台的行为反馈信息,挖掘信息中的价值是近年来大数据领域的研究趋势。许多学者通过用户基本特征信息建立机器学习模型,探究其行为是否发生或预测再次发生的回归时间,还有研究者通过海量数据建立用户画像,运用推荐算法提高用户的购买转化率,从而提高平台的收入。而少有学者从时间变化的动态角度去探究用户行为的激励关系,通常认为历史事件的发生会对后续事件发生概率产生影响,同理,用户的购物偏好也会在不同的时间点上产生变化。因此在连续的时间域上,研究用户动态的行为规律具有现实意义。Hawkes过程理论在国内外逐步发展起来,常用于行为学研究当中,该模型的显著特征为其核函数,它所包含的激励效应与随着时间衰减效应可以较准确的刻画用户的动态行为。因此本文运用Hawkes过程理论提出新的多元多事件Hawkes模型,对用户多种行为影响作用规律进行研究。本文选取2018年4月21日—5月13日淘宝购物平台的真实用户数据为样本集合,根据估计出的参数值进行解释,探究用户的行为激励现象与规律。论文主要分为三个部分,首先基于点过程的发展过程对其理论进行了详细的介绍,并从行为学角度说明用户行为存在规律,为Hawkes模型的适用性做准备。其次,本文基于实际获取的用户购物行为数据,建立了多元多事件的Hawkes模型,它区别于普通的Hawkes模型,其维度的拓展不仅仅是单方向的,而是从事件类型与样本维度两个方向同时延展开来,模型的复杂度随之增大。接着根据目标函数,选用原理简单、训练速度较快的坐标下降算法估计参数,给出其参数迭代公式,并做仿真实验来说明模型理论的正确性,仿真实验结果表明,该模型理论在描述多元多事件的激励作用上有良好的效果,说明了模型的应用性。最后,本文将模型应用到真实数据集当中进行研究,并运用K-S检验以及评价指标构建的方法检验模型的拟合效果。将原始数据集根据不同城市等级划分为了4个子样本进行对比研究,根据得到的参数结果结合实际做出合理的解释。本文建立的多元多事件Hawkes模型相关理论属于点过程发展中的新模型,在学术上,为Hawkes过程的相关研究领域发展了多维理论。在实际场景中,将多元多事件Hawkes模型应用在用户多种购物行为数据集上具有创新性意义,其参数的解释可以为用户行为研究提供参考价值,具有现实意义。