随着网络时代的到来,互联网技术不断更替,层出不穷的软件应用使得网络上的信息越来越多。如何运用好这些信息成为了各大公司需要研究和讨论的重要问题,用户回归时间预测就是其中的一个重要方向。高效且准确的预测可以帮助公司及时采取有效的措施去挽留可能流失的客户,并对近期可能会有购买意愿的用户进行有针对性地推荐,达到最大化利润的目的。在学术界,用户回归时间预测也成为了许多专家学者研究的课题之一。目前常见方法主要分为两类,分别是基于传统机器学习的方法和基于点过程的方法。基于传统机器学习的方法并没有考虑到数据发生的先后关系,而将该问题认为是普通的分类或回归问题,正是由于在建模时缺乏对事件发生先后顺序这一信息的考虑,导致该类方法的预测准确性普遍不高。第二类方法是基于点过程的方法。点过程是一类用于时间序列建模的常见方法,该方法的核心是对条件强度函数进行建模,如泊松点过程和Hawkes过程等都是常见的点过程方法。泊松点过程是一种较为简单的方法,而Hawkes过程则在泊松点过程的基础上考虑了历史事件在当前时刻的影响,但绝大多数方法却都忽略了除时间之外其他特征对用户回归时间的影响。基于以上的事实考虑,本文开展了如下的工作:1.本文提出了一种考虑用户偏好因素和价格因素的混合点过程模型,该模型利用了在商品交易过程中非常重要的价格因素和用户自身对产品的偏好,同时也借助了点过程在时间序列建模的优势,在最大回归时间较短的情况下,提升了用户回归时间预测的准确性。2.在考虑用户偏好因素和价格因素的基础上,针对于用户回归时间较长时预测准确性不高的问题,本文在模型中加入了用户与用户之间的社交因素,使得在回归时间较长时,准确性得到了进一步的提升。3.在验证了价格因素与社交因素对用户回归时间都会产生影响的前提下,本文还讨论了三种因素对最终结果的影响方式,通过对线性组合模型和几种非线性组合模型的预测效果进行比较以及结合通常的模型表现力,本文认为三种因素对回归时间的影响趋向于相互独立,但不排除有表现更好的非线性模型的可能。4.本文对上述的模型在Amazon以及Online Retail的四个数据集上进行了实验,验证了模型的预测准确性。