本文關(guān)鍵詞：基于集成學(xué)習(xí)的數(shù)據(jù)庫營銷研究

  更多相關(guān)文章： 數(shù)據(jù)庫營銷 分類預(yù)測 有監(jiān)督聚類 集成學(xué)習(xí)

【摘要】：數(shù)據(jù)庫營銷指企業(yè)根據(jù)數(shù)據(jù)庫中存儲的消費者信息分析和識別可能對營銷活動或產(chǎn)品感興趣的消費者(目標(biāo)客戶),并使用電子郵件、短信、電話等方式進(jìn)行客戶深度挖掘與關(guān)系維護(hù),或與客戶建立一對一的互動溝通關(guān)系,以便企業(yè)更好地獲取用戶偏好,確立市場定位,調(diào)整合適的產(chǎn)品方向和跟蹤市場管理。目前,利用數(shù)據(jù)庫營銷對用戶進(jìn)行篩選分類進(jìn)而進(jìn)行有針對性的營銷活動已經(jīng)成為很多企業(yè)提高營銷效率,降低營銷成本的重要手段。從數(shù)據(jù)挖掘的角度,我們可以將數(shù)據(jù)庫營銷中準(zhǔn)確定位目標(biāo)客戶視為分類預(yù)測問題,即根據(jù)消費者的特征屬性預(yù)測其是否購買產(chǎn)品或購買產(chǎn)品的概率,因此,提高數(shù)據(jù)庫營銷模型的預(yù)測精度具有非常重要的現(xiàn)實意義和實際價值。類別不均衡是數(shù)據(jù)庫營銷過程中普遍存在的問題,其主要表現(xiàn)為某一類別的數(shù)據(jù)量遠(yuǎn)低于其它類別的數(shù)據(jù)量。類別不均衡這一數(shù)據(jù)特性使得傳統(tǒng)的分類預(yù)測模型在實際應(yīng)用過程中面臨數(shù)據(jù)匱乏,數(shù)據(jù)淹沒等現(xiàn)象,從而降低數(shù)據(jù)庫營銷的效果。目前研究主要從數(shù)據(jù),算法和評價標(biāo)準(zhǔn)三個層面對數(shù)據(jù)庫營銷模型進(jìn)行改進(jìn)以提高其分類預(yù)測的準(zhǔn)確度:數(shù)據(jù)層面主要通過改變采樣方式進(jìn)而改變數(shù)據(jù)集的類別分布來解決這一問題,如過采樣,欠采樣,SMOTE算法等;算法層面則通過改善算法的內(nèi)部結(jié)構(gòu)或相關(guān)參數(shù)來提高算法的適應(yīng)性進(jìn)而改善其在非平衡數(shù)據(jù)集上的表現(xiàn),主要包括代價敏感學(xué)習(xí),改進(jìn)的SVM算法,集成學(xué)習(xí)等等;評價標(biāo)準(zhǔn)主要通過使用F-measure,ROC曲線,命中率和升力曲線等等,這些評價方法和傳統(tǒng)的方法相比,不再單一的關(guān)注分類預(yù)測模型在數(shù)據(jù)集上整體的表現(xiàn),因此更適合類別不均衡問題的評價。在這些改進(jìn)的方法中,集成學(xué)習(xí)在非平衡數(shù)據(jù)集上具有更好的分類預(yù)測能力和穩(wěn)定性,并且能夠避免過擬合問題,因此更受到該領(lǐng)域研究者的關(guān)注。集成學(xué)習(xí)的基本思想是使用多個基礎(chǔ)學(xué)習(xí)器對數(shù)據(jù)集進(jìn)行學(xué)習(xí),并對學(xué)習(xí)結(jié)果進(jìn)行集成得到最終輸出。相對于單一的學(xué)習(xí)模型,集成學(xué)習(xí)具有更強(qiáng)的泛化能力和預(yù)測效果�；谝陨系目紤],本文針對消費者群體的多樣性和類別不均衡性提出了基于有監(jiān)督聚類和集成學(xué)習(xí)的數(shù)據(jù)庫營銷模型,并且從單個基礎(chǔ)學(xué)習(xí)器的個體性能以及各基礎(chǔ)學(xué)習(xí)器之間差異性的角度進(jìn)一步提高集成學(xué)習(xí)在非平衡數(shù)據(jù)集上的分類性能。具體而言,本文首先使用有監(jiān)督聚類對訓(xùn)練集中多數(shù)類樣本進(jìn)行聚類,得到多個數(shù)據(jù)簇,再與少數(shù)類樣本組合進(jìn)而得到多個類別均衡的可供訓(xùn)練的數(shù)據(jù)子集。在此基礎(chǔ)上使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),并對基礎(chǔ)學(xué)習(xí)器的結(jié)果進(jìn)行動態(tài)集成,實證研究表明,文章所提出的模型在可有效提高數(shù)據(jù)庫營銷的準(zhǔn)確率。
【關(guān)鍵詞】：數(shù)據(jù)庫營銷 分類預(yù)測 有監(jiān)督聚類 集成學(xué)習(xí)
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP311.13;F274
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-12
• 1.1 課題的研究背景和意義8-10
• 1.2 研究內(nèi)容和創(chuàng)新點10
• 1.2.1 研究內(nèi)容10
• 1.2.2 主要創(chuàng)新點10
• 1.3 論文的組織結(jié)構(gòu)10-12
• 2 國內(nèi)外研究現(xiàn)狀12-21
• 2.1 基于數(shù)據(jù)層面的研究現(xiàn)狀13-14
• 2.2 基于算法層面的研究現(xiàn)狀14-16
• 2.3 基于評價方法層面的研究現(xiàn)狀16-19
• 2.3.1 F-measure評價法17-18
• 2.3.2 ROC曲線18-19
• 2.4 本章小結(jié)19-21
• 3 數(shù)據(jù)庫營銷優(yōu)勢及存在問題21-27
• 3.1 數(shù)據(jù)庫營銷概述21-22
• 3.2 數(shù)據(jù)庫營銷的優(yōu)勢22-23
• 3.3 數(shù)據(jù)庫營銷存在的問題23-24
• 3.4 數(shù)據(jù)類別不均衡的分類預(yù)測問題24-27
• 3.4.1 類別不均衡數(shù)據(jù)問題概述24-25
• 3.4.2 類別不均衡數(shù)據(jù)分類困難原因分析25-27
• 4 基于集成學(xué)習(xí)的數(shù)據(jù)庫營銷模型27-40
• 4.1 模型所使用的基本算法概述27-34
• 4.1.1 K-means聚類27-29
• 4.1.2 BP神經(jīng)網(wǎng)絡(luò)算法29-32
• 4.1.3 集成學(xué)習(xí)方法32-34
• 4.2 模型框架34-35
• 4.3 數(shù)據(jù)預(yù)處理35-36
• 4.4 有監(jiān)督聚類36-38
• 4.5 集成學(xué)習(xí)模型38-39
• 4.6 本章小結(jié)39-40
• 5 實證研究和結(jié)果分析40-49
• 5.1 數(shù)據(jù)簡介40-41
• 5.2 用于比較的方法41-45
• 5.2.1 SMOTE算法41-42
• 5.2.2 FN欠采樣算法42-43
• 5.2.3 GA / ANN算法43-45
• 5.3 評價準(zhǔn)則45-46
• 5.3.1 命中率45
• 5.3.2 升力曲線45-46
• 5.4 實證結(jié)果46-47
• 5.5 本章小結(jié)47-49
• 6 結(jié)論與展望49-51
• 6.1 研究結(jié)論49-50
• 6.2 工作展望50-51
• 致謝51-52
• 參考文獻(xiàn)52-57
• 附錄 作者在攻讀碩士學(xué)位期間發(fā)表論文的目錄57

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 趙自翔;王廣亮;李曉東;;基于支持向量機(jī)的不平衡數(shù)據(jù)分類的改進(jìn)欠采樣方法[J];中山大學(xué)學(xué)報(自然科學(xué)版);2012年06期

2 周濤;陸惠玲;;數(shù)據(jù)挖掘中聚類算法研究進(jìn)展[J];計算機(jī)工程與應(yīng)用;2012年12期

3 鄧曉懿;金淳;j口良之;韓慶平;;移動商務(wù)中面向客戶細(xì)分的KSP混合聚類算法[J];管理科學(xué);2011年04期

4 陶新民;劉福榮;童智靖;楊立標(biāo);;不均衡數(shù)據(jù)下基于SVM的故障檢測新算法[J];振動與沖擊;2010年12期

5 謝紀(jì)剛;裘正定;;非平衡數(shù)據(jù)集Fisher線性判別模型[J];北京交通大學(xué)學(xué)報;2006年05期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 周永進(jìn);BP網(wǎng)絡(luò)的改進(jìn)及其應(yīng)用[D];南京信息工程大學(xué);2007年

，

本文編號：988989