En los últimos años, las tasas de abandono en industrias como la financiera han aumentado, y el costo de adquirir nuevos usuarios es más de cinco veces el costo de retener a los usuarios existentes. Para mejorar la precisión de la predicción inteligente de la tasa de abandono de clientes, se está utilizando gradualmente la inteligencia artificial. En este documento, se integra el modelo de red neuronal convolucional de memoria a corto y largo plazo bidireccional (BiLSTM-CNN) con redes neuronales recurrentes (RNN) y redes neuronales convolucionales (CNN) en paralelo, lo que resuelve bien el problema defectuoso de que las RNN y CNN se ejecutan por separado, y también resuelve el problema de que los resultados de salida de una capa de red neuronal de memoria a corto y largo plazo (LSTM) en un modelo de red neuronal densamente conectado LSTM-CNN (DLCNN) ignorarán alguna información local al ingresar a la capa convolucional. Para explorar si el modelo de red neuronal convolucional de memoria a corto y largo plazo bidireccional con atención (AttnBLSTM-CNN) puede funcionar mejor que BiLSTM-CNN, este documento utiliza datos bancarios para comparar los dos modelos. Los resultados experimentales muestran que la precisión del modelo AttnBiLSTM-CNN mejora en un 0,2%, la tasa de abandono mejora en un 1,3%, el valor F1 mejora en 0,0102 y el valor AUC mejora en 0,0103 en comparación con el modelo BLSTM. Por lo tanto, introducir el mecanismo de atención en el modelo BiLSTM-CNN puede mejorar aún más el rendimiento del modelo. La mejora de la precisión del modelo de predicción de abandono de usuarios puede advertir sobre la posibilidad de abandono de usuarios con anticipación y tomar medidas efectivas con anticipación para prevenir el abandono de usuarios y mejorar la competitividad central de las instituciones financieras.