随着互联网信息技术的发展,外卖平台作为餐饮行业的大数据互联网应用,对于人们的日常生活产生了巨大的影响。互联网的普及促进了线上交易行为的增加,这使得外卖平台产生了大量且复杂的用户行为数据。用户行为数据一般分为显性反馈行为（Explicit Feedback）和隐性反馈行为（Implicit Feedback）。在外卖平台上用户产生的显性反馈数据主要包括用户与商家的评分等。外卖平台产生的隐性反馈数据主要指用户的历史行为、如历史下单的商家、下单前的浏览记录等。据此,深入研究外卖平台的用户行为数据,发现外卖平台用户的显性行为数据可以直观地体现用户偏好,但由于某些系统的行为如,用户下单后默认好评的系统设定以及商家违规刷单行为等行为的影响,导致显性数据的预测效果较差。同时外卖平台的用户交易行为常伴随时间和空间的因素影响。因此,用户进行的一次交易行为,应该被解读为在某地的用户在某一时间段的交易行为。挖掘研究用户的行为数据,可以更好的为用户进行个性化推荐。在推荐系统研究方面,工业级的模型与学术界研究的模型往往有所差别。针对以上问题,本文的主要工作可以分为以下三个方面:（1）外卖数据集的数据挖掘与数据分析。外卖数据集包含有多个特征集合,具体为用户属性、商家属性和历史行为信息以及商家的点击序列。对以上数据分别进行了数据预处理、数据清洗、数据变换等工作,以便于后面的数据分析工作。通过数据可视化发现,用户的历史行为存在时间周期规律。因此,选择通过特征工程以挖掘构建三种特征,具体包括基本属性特征、交叉特征和时间累积特征,共475个特征。并通过随机森林嵌入法进行特征筛选。（2）探索影响外卖用户购买行为的因素。基于特征选择的结果,结合属性特征,以构建逻辑回归模型研究影响因素。具体发现用户的复购率、商家的类别分类、高范围的价格特征,以及用户所处的蜂窝和时间维度,对用户的购买行为有着较强的影响。并据此提供了相关意见。（3）机器学习模型的预测对比。采用同一数据集分别构建了深度学习模型Deep FM、集成模型Light GBM和单一模型逻辑回归模型,对比了三个模型的预测效果,发现深度学习模型的效果较好。本文最后对本文的整体研究进行了总结与展望。从商家分类和购买时段角度出发为平台营销提出了建议。并从数据集的收集、特征工程和不同角度因素的研究深度方面指出了本文的不足之处以及未来工作的开展方向。