近年来,随着我国智能科技的发展,各种各类APP渗透到我们的日常生活中,记录下来的信息也呈爆炸式增长趋势。海量的数据开启了时代的转型,各个领域的企业纷纷开始重视数据并研究如何有效利用海量数据提取有价值的东西。电商的猜你喜欢、抖音的内容推荐等产品应运而生,它们就是利用用户行为数据构建出用户画像,从而为企业实现精细化运营。对于商家来说抓住先机就等于抓住了用户的钱包,然而传统的搜集数据构建目标用户群体的方法效率低下,研究者们为有效的实现各大商家精准化营销,便推出了基于算法模型研究用户画像方法,并已成为主流。本文在特征提取阶段采用时间滑动窗口方法,具体是提取用户近一个月以及近三天的行为特征,然后采集一个月内用户行为减去最近三天的行为后的数据与该一个月行为的比值。这样用户发生交互行为的日期会因为与预测日期距离越远而导致其对模型预测所占权重指数越小。本文基于京东线上商城真实用户的行为数据,研究用户画像的概念与构建方法,预测用户对商品的购买意向。本文先设置单一模型的对比实验,比较Xgboost、GBDT、Lightbgm集成模型这三个单一模型后得出最优单一模型,然后提出两两组合加权模型相互比较,选出最优的组合模型去预测近几天的意向用户,从而为商家提供精准的消费目标群体。经验证,本文得出Xgboost-GBDT-Lightgbm组合模型能更好的预测购买意向客户,最终的精确率、召回率和F1都分别达到0.873、0.706、0.834左右,借鉴此方法应用于电商们提升自己店铺的精准营销能力上,将广告投放给意向客户,提高成交率,从而降低公司的运营成本。