近年,线上交易如雨后春笋不断涌现出来,线上交易平台已经浸透到人们生活的各个方面。电子商务在给人们带来便捷的同时,由于其所涵盖商品的类别丰富且营销方式多样化,这些纷繁复杂信息为用户挑选商品时带来了诸多不便,从海量的web数据中挖掘潜在的、有价值的客户行为数据,为用户抉择和商家运营提供可靠的技术支撑,对于提高用户体验、实现商家与用户互惠互赢具有重要意义。本文主要研究工作如下:(1)目前用户操作行为预测方法研究通常只针对用户某一类操作行为进行分析,无法完备反映用户行为整体特征。因此,通过技术手段深入挖掘分析用户行为,进而构建用户行为特征工程,建立整体用户行为特征模型。基于对决策树、集成学习等相关推荐算法理论的学习,提出一种基于深度森林的用户购买行为预测模型,并结合电商场景下,设计出模型预测的结构图。(2)在电商场景下,需要对用户是否发生购买行为进行预测,然而用户发生购买行为次数相对于其他操作行为次数是比较少的,这将出现类别不平衡情况,于是采用不同的过采样或者欠采样的方法对数据进行处理加工,使在输入模型前,获得类别平衡的样本,并在该数据集上使用深度神经网络算法,使其与传统的机器学习方法及本文提出的模型在性能上进行对比。(3)在本文研究工作的基础上,主要从数据处理、特征构建、模型选取、模型优化、结果预测等方面,构建实现基于深度森林的用户购买行为预测模型,并给出模型详细设计与实现流程,并采用F1值作为衡量指标,经实验结果表明,该模型降低时间开销的同时,也提高了预测准确率。