Con el aumento del uso del comercio electrónico, los usuarios de compras en línea han estado aumentando rápidamente. Predecir el comportamiento del usuario se ha convertido en un tema vital basado en los datos recopilados. Sin embargo, los algoritmos tradicionales de aprendizaje automático para la predicción requieren un tiempo de computación significativo y a menudo producen resultados insatisfactorios. En este documento, se propone un modelo de predicción basado en XGBoost para predecir el comportamiento de compra del usuario. Primero, se propone un modelo de valor de usuario (LDTD) que utiliza fusión de múltiples características para diferenciar entre tipos de usuarios basados en los datos de la cuenta de usuario disponibles. La fusión de comportamientos de múltiples características se lleva a cabo para generar la característica de etiqueta de usuario de acuerdo con los patrones de comportamiento del usuario. A continuación, se emplea el modelo de importancia de características de XGBoost para analizar características multidimensionales e identificar el modelo con el valor de peso más significativo como la característica clave para construir el modelo. Esta característica, junto con otras características del usuario, se utiliza luego para la predicción a través del modelo XGBoost. En comparación con modelos de aprendizaje automático existentes como K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) y Back Propagation Neural Network (BPNN), el modelo de eXtreme Gradient Boosting (XGBoost) supera con una precisión del 0.9761, una puntuación F1 de 0.9763 y un valor de ROC de 0.9768. Por lo tanto, el modelo XGBoost demuestra una estabilidad y eficiencia algorítmica superiores, lo que lo convierte en una elección ideal para predecir el comportamiento de compra del usuario con altos niveles de precisión.