從“提速降費(fèi)”到“攜號(hào)轉(zhuǎn)網(wǎng)”,近年來(lái),國(guó)家在政策上正逐步加強(qiáng)對(duì)電信行業(yè)的管理,于此同時(shí),移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展也令電信行業(yè)市場(chǎng)競(jìng)爭(zhēng)日趨激烈。在外部政策約束和內(nèi)部市場(chǎng)競(jìng)爭(zhēng)雙重壓力下,運(yùn)營(yíng)商面臨著營(yíng)收和凈利潤(rùn)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(yùn)營(yíng)商在全國(guó)范圍內(nèi)逐步實(shí)現(xiàn)了5G覆蓋。5G時(shí)代的到來(lái)為運(yùn)營(yíng)商扭轉(zhuǎn)當(dāng)前競(jìng)爭(zhēng)劣勢(shì)帶來(lái)了新的契機(jī),如何做好電信業(yè)務(wù)推廣,拉升企業(yè)營(yíng)收,同時(shí)做好客戶高效管理和優(yōu)質(zhì)服務(wù),穩(wěn)固客戶份額,是當(dāng)前電信運(yùn)營(yíng)商重要的發(fā)展方向。然而,當(dāng)前電信運(yùn)營(yíng)商在客戶管理和產(chǎn)品營(yíng)銷上存在模式較粗放,數(shù)據(jù)整合不夠全面等不足,運(yùn)營(yíng)上缺乏統(tǒng)籌性指導(dǎo),未能充分體現(xiàn)電信行業(yè)龐大的數(shù)據(jù)資源帶來(lái)的運(yùn)營(yíng)優(yōu)勢(shì)。本文從電信運(yùn)營(yíng)商的核心需求出發(fā),運(yùn)用數(shù)據(jù)挖掘技術(shù)搭建通信客戶營(yíng)銷系統(tǒng),系統(tǒng)通過(guò)對(duì)海量電信客戶數(shù)據(jù)進(jìn)行挖掘分析,研究并提出基于價(jià)值的電信客戶細(xì)分方法,優(yōu)化客戶運(yùn)營(yíng)模式和營(yíng)銷資源配置,并在此基礎(chǔ)上進(jìn)行電信流量產(chǎn)品推薦方法研究,確保提升營(yíng)銷成效和資源投放回報(bào)率,實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)。本文的主要研究工作和創(chuàng)新點(diǎn)包括:（1）結(jié)合電信客戶的通信行為、消費(fèi)習(xí)慣等特征,改進(jìn)并提出... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

二元關(guān)聯(lián)法流程圖

圖 2-1 二元關(guān)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(biāo)簽分類形式轉(zhuǎn)為二元分類器鏈形式，分類器鏈法每次將前一個(gè)標(biāo)簽作為下一個(gè)標(biāo)簽分類器的輸入，使標(biāo)簽信息在分類器之間傳遞。首先對(duì)樣本 x 的 n 個(gè)標(biāo)簽進(jìn)行排序，依次選擇標(biāo)簽 作為預(yù)測(cè)類別，并將 + 1作為輸入樣本構(gòu)建模型。這類方法可學(xué)習(xí)到標(biāo)簽間的依賴關(guān)系，泛化能力比二元關(guān)聯(lián)法好，但標(biāo)簽間序列關(guān)系對(duì)模型性能有較大影響。

第二章相關(guān)理論與技術(shù)15三是標(biāo)簽集[34]（LabelPowerset）法，本方法將客戶的多個(gè)標(biāo)簽統(tǒng)一為一個(gè)類別，即對(duì)每一種標(biāo)簽的組合方式設(shè)為一類，此時(shí)，多標(biāo)簽分類問(wèn)題則轉(zhuǎn)為單一的多分類問(wèn)題，實(shí)際應(yīng)用時(shí)，若標(biāo)簽數(shù)量太多，其可能的組合類別會(huì)非常多，則訓(xùn)練數(shù)據(jù)會(huì)十分稀疏。圖2-3標(biāo)簽集法流程圖Figure2-3FlowchartofLabelPowerset除了上述問(wèn)題轉(zhuǎn)化方法，多標(biāo)簽分類還可在改編的分類算法上實(shí)現(xiàn)，常見(jiàn)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(duì)大數(shù)據(jù)集的訓(xùn)練和計(jì)算過(guò)程相當(dāng)占內(nèi)存，因此不適合處理大樣本；而B(niǎo)PMLL反向傳播多標(biāo)簽學(xué)習(xí)則引入了新的誤差函數(shù)降低運(yùn)算時(shí)間，但同時(shí)，算法計(jì)算復(fù)雜度也會(huì)大大增加。在深度學(xué)習(xí)技術(shù)上，常通過(guò)對(duì)CNN、LSTM等神經(jīng)網(wǎng)絡(luò)模型上做自適應(yīng)優(yōu)化，實(shí)現(xiàn)多標(biāo)簽分類，這類方法目前在多標(biāo)簽文本處理、圖像識(shí)別等領(lǐng)域表現(xiàn)更為優(yōu)異。2.3.2ML-KNNML-KNN是一類常用多標(biāo)簽分類算法，算法由傳統(tǒng)的K近鄰（K-nearestneighbor，KNN）拓展而來(lái)，借鑒了K近鄰算法的基本思想。ML-KNN算法設(shè)定標(biāo)簽在樣本集中存在時(shí)，該標(biāo)簽值設(shè)為1，反之設(shè)為0，首先計(jì)算訓(xùn)練集中樣本標(biāo)簽為1/0時(shí)的先驗(yàn)概率，再計(jì)算該樣本的K個(gè)近鄰樣本中，對(duì)應(yīng)標(biāo)簽為1/0時(shí)的條件后驗(yàn)概率，對(duì)于未知樣本，ML-KNN用最大后驗(yàn)概率方法分別計(jì)算樣本標(biāo)簽為1以及0時(shí)的概率，最后根據(jù)這兩個(gè)概率預(yù)測(cè)樣本標(biāo)簽值。對(duì)于給定的樣本和對(duì)應(yīng)標(biāo)簽集合，設(shè)()表示樣本的K的近鄰樣本，則ML-KNN算法的主要實(shí)現(xiàn)步驟如下：

【參考文獻(xiàn)】：
期刊論文
[1]多標(biāo)簽學(xué)習(xí)在智能推薦中的研究與應(yīng)用[J]. 朱峙成,劉佳瑋,閻少宏.  計(jì)算機(jī)科學(xué). 2019(S2)
[2]汽車4S店TFM客戶細(xì)分模型及其方法研究[J]. 謝鵬壽,張寬,范宏進(jìn),貴向泉,張恩展.  小型微型計(jì)算機(jī)系統(tǒng). 2019(10)
[3]基于RFA模型和聚類分析的百度外賣客戶細(xì)分[J]. 包志強(qiáng),趙媛媛,趙研,胡嘯天,高帆.  計(jì)算機(jī)科學(xué). 2018(S2)
[4]優(yōu)化初始聚類中心的改進(jìn)K-means算法[J]. 唐東凱,王紅梅,胡明,劉鋼.  小型微型計(jì)算機(jī)系統(tǒng). 2018(08)
[5]電信客戶細(xì)分中基于聚類算法的數(shù)據(jù)挖掘技術(shù)研究[J]. 梁霄波.  現(xiàn)代電子技術(shù). 2016(15)
[6]基于信息融合的電信客戶流失預(yù)測(cè)研究[J]. 王建仁,李妮,段剛龍.  計(jì)算機(jī)工程與應(yīng)用. 2016(10)
[7]基于優(yōu)勢(shì)關(guān)系粗糙集的電信客戶價(jià)值評(píng)價(jià)方法[J]. 鄧維斌,王國(guó)胤.  計(jì)算機(jī)應(yīng)用研究. 2015(06)



本文編號(hào)：3518287