电子商务的迅速发展给人们的生活带来了很大的便利,但其商品种类繁多也使得用户需要花费更多的时间和精力搜寻到合适的商品,因此了解用户的购买意图是电子商务平台提高用户购物体验的关键。本文的研究重点是构建二分类预测模型预测用户的购买情况。论文的主要工作如下:(1)构建用户购买行为的预测特征。构建预测特征是构建预测模型的重要部分,好的特征应用常见的算法就能得到出色的预测效果。首先从原始数据中提取基本特征,然后运用统计学知识构建一些复杂的衍生特征,最后对特征的相关性进行分析去除无关的预测特征。(2)改进随机欠采样数据平衡方法。在用户的购买行为数据中用户的浏览和加购物车等行为数据要远远多于购买行为数据,本文提出了基于K-means算法的改进随机欠采样处理样本数据的不平衡问题。改进随机欠采样利用K-means对多数类样本聚类然后从各个类簇中删除样本,有效的解决了随机欠采样方法的信息丢失问题。(3)多异质算法融合预测模型。融合模型集合多种预测算法优势能够获得更好的预测效果,本文结合长短期记忆网络(LSTM)算法的时序性、极限梯度提升(XGBoost)算法对于稀疏数据泛化性强和逻辑回归算法对数据中小噪声的鲁棒性,使用Stacking集成方法将这三种算法融合得到预测模型对用户购买行为进行预测。论文采用京东大数据比赛提供的实验数据对模型的预测效果进行验证。实验结果表明改进随机欠采样数据平衡方法能够有效的防止数据集信息的丢失的同时达到数据平衡的效果,融合预测模型的预测效果和泛化能力要比单一预测模型更好。