隨著Internet技術和快遞物流的發(fā)展,網(wǎng)上購物逐漸成為我國人們新的購物習慣,我國網(wǎng)購市場規(guī)模變得空前巨大。企業(yè)在吸引越來越多的客戶進入網(wǎng)購平臺的同時,也面臨著如何利用寶貴且有限的服務資源對客戶提供優(yōu)質服務的難題。只有對龐大的客戶群體進行有效劃分,將企業(yè)有限的服務資源集中在優(yōu)質客戶身上,才能實現(xiàn)企業(yè)利益的最大化。企業(yè)自身數(shù)據(jù)庫中所積累的大量客戶數(shù)據(jù)為客戶分類進而服務優(yōu)質客戶提供了有利的前提條件。以RFM（Recency,Frequency,Monetary）為代表的客戶價值分析模型以及聚類算法,是當前應用較為廣泛的客戶分類技術,但是,仍存在著模型指標過于單一、類別劃分過于細化、受困于異常值、聚類結果不穩(wěn)定等問題。針對傳統(tǒng)客戶分類模型存在的指標單一、客戶分類過于細化的問題,本文提出了CCL客戶分類模型,即包含C（Customers,客戶屬性）、C（Contribution,客戶貢獻度）、L（Loyalty,客戶忠誠度）三個指標的模型。模型中的三個指標不再是只選取單一維度的屬性,而是涵蓋了客戶的靜態(tài)屬性和動態(tài)屬性。首先根據(jù)每個指標的意義,分別選取客戶數(shù)據(jù)中多個維度的屬性,從而避免指標單一... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

Iris數(shù)據(jù)集上各算法聚類穩(wěn)定性和準確率

算法的穩(wěn)定性表現(xiàn)，如圖 6-1 和圖 6-2 所示。圖 6-1 Iris數(shù)據(jù)集上各算法聚類穩(wěn)定性和準確率Figure 6-1 Clustering stabilityand accuracyrate of each algorithmon Iris datasets

提升了聚類穩(wěn)定性；本文所提出的 KM-PSO算法，雖然出現(xiàn)了兩種定性較 有所提升，且平均準確率也提升至 88.48%；本反向擾動的 K-OD-PSO算法中，在 10 次甚至更多的反復測試中僅相差不大，保持了很好的穩(wěn)定性和更高的分類準確率，且較 提升了 3.84%。圖 6-2 中，各算法在數(shù)據(jù)集 Wine上的準確率都有的波動仍然很大， 穩(wěn)定性較之前有所提升；本文改進的的準確率雖然相差不大，但后者仍保持著更好的穩(wěn)定性，且前者高出 6.51%。算法收斂速度法分別在Iris和 數(shù)據(jù)集上進行五次實驗，每一次的實驗得到大致相同，因此以下只給出其中一次各算法在 數(shù)據(jù)集上的測試示。

【參考文獻】：
期刊論文
[1]基于RFM模型的半監(jiān)督聚類算法[J]. 程汝嬌,徐鴻雁.  計算機系統(tǒng)應用. 2017(11)
[2]關于優(yōu)化K-medoids聚類算法搜索策略研究[J]. 朱純,吳建華,潘毅.  計算機仿真. 2016(10)
[3]基于劃分的聚類算法研究綜述[J]. 賈璦瑋.  電子設計工程. 2014(23)
[4]一種精英反向學習的粒子群優(yōu)化算法[J]. 周新宇,吳志健,王暉,李康順,張浩宇.  電子學報. 2013(08)
[5]應用反向學習策略的群搜索優(yōu)化算法[J]. 汪慎文,丁立新,謝大同,舒萬能,謝承旺,楊華.  計算機科學. 2012(09)
[6]基于鄰域的K中心點聚類算法[J]. 謝娟英,郭文娟,謝維信.  陜西師范大學學報(自然科學版). 2012(04)
[7]基于改進RFM模型的電子商務客戶細分[J]. 徐翔斌,王佳強,涂歡,穆明.  計算機應用. 2012(05)
[8]基于RFM模型和協(xié)同過濾的電子商務推薦機制[J]. 孫玲芳,張婧.  江蘇科技大學學報(自然科學版). 2010(03)
[9]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學報. 2008(01)
[10]一種更簡化而高效的粒子群優(yōu)化算法[J]. 胡旺,李志蜀.  軟件學報. 2007(04)

博士論文
[1]智能粒子群優(yōu)化算法研究[D]. 高芳.哈爾濱工業(yè)大學 2008
[2]基于客戶價值的客戶分類模型研究[D]. 劉朝華.華中科技大學 2008

碩士論文
[1]改進的粒子群算法及其在聚類算法中的應用[D]. 劉文凱.廣東工業(yè)大學 2017
[2]K-means聚類算法在銀行CRM系統(tǒng)客戶細分中的應用[D]. 李艷君.哈爾濱工業(yè)大學 2017
[3]基于組群優(yōu)化的聚類算法研究[D]. 郝璐萌.天津科技大學 2017
[4]基于粒子群優(yōu)化算法的聚類分析研究[D]. 王金永.青島理工大學 2015
[5]基于粒子群優(yōu)化的聚類算法研究[D]. 鄭玉艷.山東師范大學 2015
[6]網(wǎng)游客戶分群與特征挖掘算法研究與應用[D]. 趙楠明.大連理工大學 2012



本文編號：3583717