從“提速降費”到“攜號轉網(wǎng)”,近年來,國家在政策上正逐步加強對電信行業(yè)的管理,于此同時,移動互聯(lián)網(wǎng)的高速發(fā)展也令電信行業(yè)市場競爭日趨激烈。在外部政策約束和內部市場競爭雙重壓力下,運營商面臨著營收和凈利潤持續(xù)下滑,存量客戶規(guī)模增速放緩等不利局面。步入2019年,隨著5G商用的落地,運營商在全國范圍內逐步實現(xiàn)了5G覆蓋。5G時代的到來為運營商扭轉當前競爭劣勢帶來了新的契機,如何做好電信業(yè)務推廣,拉升企業(yè)營收,同時做好客戶高效管理和優(yōu)質服務,穩(wěn)固客戶份額,是當前電信運營商重要的發(fā)展方向。然而,當前電信運營商在客戶管理和產(chǎn)品營銷上存在模式較粗放,數(shù)據(jù)整合不夠全面等不足,運營上缺乏統(tǒng)籌性指導,未能充分體現(xiàn)電信行業(yè)龐大的數(shù)據(jù)資源帶來的運營優(yōu)勢。本文從電信運營商的核心需求出發(fā),運用數(shù)據(jù)挖掘技術搭建通信客戶營銷系統(tǒng),系統(tǒng)通過對海量電信客戶數(shù)據(jù)進行挖掘分析,研究并提出基于價值的電信客戶細分方法,優(yōu)化客戶運營模式和營銷資源配置,并在此基礎上進行電信流量產(chǎn)品推薦方法研究,確保提升營銷成效和資源投放回報率,實現(xiàn)精細化運營。本文的主要研究工作和創(chuàng)新點包括:（1）結合電信客戶的通信行為、消費習慣等特征,改進并提出... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

二元關聯(lián)法流程圖

圖 2-1 二元關聯(lián)法流程圖 Figure 2-1 Flow chart of Binary Relevance 二是分類器鏈方法[35]（Classifier Chains，CC），這類方法的核心思想是將多標簽分類形式轉為二元分類器鏈形式，分類器鏈法每次將前一個標簽作為下一個標簽分類器的輸入，使標簽信息在分類器之間傳遞。首先對樣本 x 的 n 個標簽進行排序，依次選擇標簽 作為預測類別，并將 + 1作為輸入樣本構建模型。這類方法可學習到標簽間的依賴關系，泛化能力比二元關聯(lián)法好，但標簽間序列關系對模型性能有較大影響。

第二章相關理論與技術15三是標簽集[34]（LabelPowerset）法，本方法將客戶的多個標簽統(tǒng)一為一個類別，即對每一種標簽的組合方式設為一類，此時，多標簽分類問題則轉為單一的多分類問題，實際應用時，若標簽數(shù)量太多，其可能的組合類別會非常多，則訓練數(shù)據(jù)會十分稀疏。圖2-3標簽集法流程圖Figure2-3FlowchartofLabelPowerset除了上述問題轉化方法，多標簽分類還可在改編的分類算法上實現(xiàn)，常見的有ML-KNN、RankSVM[36]以及BPMLL[37]等，其中ML-KNN、RankSVM在小數(shù)據(jù)集上可以得到良好分類效果，但對大數(shù)據(jù)集的訓練和計算過程相當占內存，因此不適合處理大樣本；而BPMLL反向傳播多標簽學習則引入了新的誤差函數(shù)降低運算時間，但同時，算法計算復雜度也會大大增加。在深度學習技術上，常通過對CNN、LSTM等神經(jīng)網(wǎng)絡模型上做自適應優(yōu)化，實現(xiàn)多標簽分類，這類方法目前在多標簽文本處理、圖像識別等領域表現(xiàn)更為優(yōu)異。2.3.2ML-KNNML-KNN是一類常用多標簽分類算法，算法由傳統(tǒng)的K近鄰（K-nearestneighbor，KNN）拓展而來，借鑒了K近鄰算法的基本思想。ML-KNN算法設定標簽在樣本集中存在時，該標簽值設為1，反之設為0，首先計算訓練集中樣本標簽為1/0時的先驗概率，再計算該樣本的K個近鄰樣本中，對應標簽為1/0時的條件后驗概率，對于未知樣本，ML-KNN用最大后驗概率方法分別計算樣本標簽為1以及0時的概率，最后根據(jù)這兩個概率預測樣本標簽值。對于給定的樣本和對應標簽集合，設()表示樣本的K的近鄰樣本，則ML-KNN算法的主要實現(xiàn)步驟如下：

【參考文獻】：
期刊論文
[1]多標簽學習在智能推薦中的研究與應用[J]. 朱峙成,劉佳瑋,閻少宏.  計算機科學. 2019(S2)
[2]汽車4S店TFM客戶細分模型及其方法研究[J]. 謝鵬壽,張寬,范宏進,貴向泉,張恩展.  小型微型計算機系統(tǒng). 2019(10)
[3]基于RFA模型和聚類分析的百度外賣客戶細分[J]. 包志強,趙媛媛,趙研,胡嘯天,高帆.  計算機科學. 2018(S2)
[4]優(yōu)化初始聚類中心的改進K-means算法[J]. 唐東凱,王紅梅,胡明,劉鋼.  小型微型計算機系統(tǒng). 2018(08)
[5]電信客戶細分中基于聚類算法的數(shù)據(jù)挖掘技術研究[J]. 梁霄波.  現(xiàn)代電子技術. 2016(15)
[6]基于信息融合的電信客戶流失預測研究[J]. 王建仁,李妮,段剛龍.  計算機工程與應用. 2016(10)
[7]基于優(yōu)勢關系粗糙集的電信客戶價值評價方法[J]. 鄧維斌,王國胤.  計算機應用研究. 2015(06)



本文編號：3518287