随着互联网的快速发展,音乐流媒体市场正在不断扩大。各大音乐流媒体服务平台通过多样的方式吸引新用户,抢占市场份额。与此同时,平台老用户根据自身喜好更换平台几乎不需要任何成本,这对于音乐流媒体服务平台来说意味着老用户容易流失。用户流失会对企业利润产生很大的影响,所以准确识别出高流失倾向的用户并实施相应的挽留操作显得尤为重要。目前业界的主流做法是利用数据挖掘和机器学习技术来预测潜在的流失用户。针对音乐流媒体领域用户流失数据的特点以及目前用户流失预测方法存在的问题,本文从模型和特征两个层面来改善流失预测效果,具体的研究工作如下:(1)考虑到音乐流媒体领域的用户流失数据集通常包含大量的时序数据,而LSTM模型常被用来进行序列建模,本文提出一种基于集成LSTM的用户流失预测模型,旨在从模型集成的角度出发提升流失预测效果。该集成模型一方面采用LSTM模型作为基学习器;另一方面结合真实数据的特点改进Snapshot集成方法,在模型训练过程中引入样本权重调整机制,同时利用学习法结合子模型输出。实验结果表明,相比于原始LSTM模型,本文提出的模型在PR-AUC上提升4.21%。(2)由于目前用户流失预测任务中常用模型的结构较为简单,表征能力不强,无法从时序数据中充分挖掘信息,本文提出一种基于LSTM和CNN的用户流失预测模型,旨在从模型结构的角度出发提升流失预测效果。该模型通过组合LSTM和CNN来提升模型的特征学习能力,同时发挥这两个模型的优势。实验结果表明,本文提出的模型相比于原始LSTM模型和CNN模型在PR-AUC上分别提升5.05%和6.08%。(3)针对目前用户流失预测任务中构造手工业务特征需要花费大量人力和时间,以及常用的训练样本选择策略会造成历史数据浪费的问题,本文提出两种不依赖于业务的非手工特征构造方法,以及一种基于特征融合的用户流失预测模型,旨在从特征的角度出发提升流失预测效果。首先,利用现有模型对历史数据进行转化来构造历史数据特征。接着,利用树模型对现有特征进行高阶组合来构造树模型特征。最后将新构造的特征与原始特征进行特征融合并对现有模型进行改进。实验结果表明,同时融合所有特征的模型相比于仅使用原始特征的模型在PR-AUC上提升2.71%。