用戶是電信運(yùn)營商利益的核心。面對(duì)激烈的業(yè)內(nèi)競(jìng)爭(zhēng)、日益飽和的電信市場(chǎng)和互聯(lián)網(wǎng)大潮的不斷沖擊,提前預(yù)測(cè)用戶流失傾向,有針對(duì)性地挽留用戶,對(duì)提高運(yùn)營商收益十分重要。數(shù)據(jù)挖掘是從數(shù)據(jù)中獲取有價(jià)值信息的重要手段,用數(shù)據(jù)挖掘技術(shù)對(duì)運(yùn)營商存儲(chǔ)的海量數(shù)據(jù)進(jìn)行用戶流失預(yù)測(cè)建模,可以準(zhǔn)確地預(yù)測(cè)用戶流失傾向。本文基于數(shù)據(jù)挖掘技術(shù)對(duì)運(yùn)營商計(jì)費(fèi)系統(tǒng)中數(shù)據(jù)進(jìn)行分析,構(gòu)建運(yùn)營商用戶流失預(yù)測(cè)系統(tǒng),預(yù)測(cè)用戶是否流失及流失的概率,使運(yùn)營商制定用戶挽留策略更有針對(duì)性。論文主要工作包括:1.基于數(shù)據(jù)挖掘過程,對(duì)運(yùn)營商計(jì)費(fèi)系統(tǒng)中數(shù)據(jù)進(jìn)行預(yù)處理、特征構(gòu)建和選擇,以梯度提升算法LightGBM做為分類器,提出了運(yùn)營商用戶流失預(yù)測(cè)模型,并對(duì)基于LightGBM的用戶流失預(yù)測(cè)模型進(jìn)行了性能測(cè)試。結(jié)果表明,本文提出模型的正確率、召回率、調(diào)和均值（F1）和曲線下面積（AUC）均優(yōu)于常用的邏輯回歸、支持向量機(jī)、決策樹和隨機(jī)森林模型。在此基礎(chǔ)上,本文搭建了便于實(shí)際部署和應(yīng)用的用戶流失預(yù)測(cè)系統(tǒng),采用運(yùn)營商計(jì)費(fèi)系統(tǒng)中提取的用戶真實(shí)數(shù)據(jù)進(jìn)行了系統(tǒng)測(cè)試。2.本文從數(shù)據(jù)處理方面對(duì)運(yùn)營商用戶流失預(yù)測(cè)數(shù)據(jù)不均衡問題進(jìn)行了研究,提出了基于生成對(duì)抗網(wǎng)絡(luò)的過采樣... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：104 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?ＣＲＩＳＰ－ＤＭ數(shù)據(jù)挖掘過程??

的基分類器應(yīng)該同時(shí)具備精準(zhǔn)性和多樣性的特點(diǎn)。一般集成分類器具有比單個(gè)分??類器更強(qiáng)的泛化能力。從基分類器生成策略考慮，集成學(xué)習(xí)方法主要可以分為??Ｂａｇｇｉｎｇ策略、Ｂｏｏｓｔｉｎｇ策略和Ｓｔａｃｋｉｎｇ策略三種，具體結(jié)構(gòu)分別如圖２－２、圖２－３??和圖２－４所示。??（１）?Ｂａｇｇｉｎｇ?策略??Ｂａｇｇｉｎｇ策略是一種并行化訓(xùn)練基分類器的方法，通過可重復(fù)采樣的方式，生??成多個(gè)具有一定差異的樣本子集，然后用這些不同的樣本子集分別訓(xùn)練多個(gè)基分??類器，再對(duì)這些分類器進(jìn)行集成得到具有一定多樣性的集成分類器。Ｂａｇｇｉｎｇ策略??結(jié)構(gòu)如圖２－２所示，該策略簡(jiǎn)單有效，其中隨機(jī)森林就是它的典型代表。由于??Ｂａｇｇｉｎｇ策略采取并行化結(jié)合方式，當(dāng)基分類器相互獨(dú)立時(shí)，可以顯著降低集成后??分類器的方差。??￣Ｈ?基分類器１??￣￣八枉女—Ｉ?￣￣入擇士?｜訓(xùn)練?????—基分類器２集成分類器??機(jī)?Ｓ??采?？?？策??樣．?．略??ｍ個(gè)樣本?訓(xùn)練??Ｈ?基分類器７??圖２－２?Ｂａｇｇｉｎｇ策略結(jié)構(gòu)圖??Ｆｉｇｕｒｅ?２－２?ｔｈｅ?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｂａｇｇｉｎｇ?Ｓｔｒａｔｅｇｙ??（２）?Ｂｏｏｓｔｉｎｇ?策略??與Ｂａｇｇｉｎｇ并行化策略不同，Ｂｏｏｓｔｉｎｇ策略采用串行的方式訓(xùn)練基分類器，下??１４??

?一個(gè)分類器的訓(xùn)練基于前一個(gè)分類器訓(xùn)練結(jié)果，分類器之間具有很強(qiáng)的相關(guān)性，??因此，Ｂｏｏｓｔｉｎｇ策略降低的是集成分類器的偏差。Ｂｏｏｓｔｉｎｇ策略結(jié)構(gòu)如圖２－３所示，??每一輪基分類器訓(xùn)練時(shí)根據(jù)上一輪分類器的誤差調(diào)整訓(xùn)練樣本的權(quán)重，提高誤差??率高的樣本的權(quán)重，使得誤差率高的樣本獲得更多的重視。ＡｄａＢｏｏｓｔ、ＧＢＤＴ等??算法都屬于Ｂｏｏｓｔｉｎｇ策略算法。??基分類丨ｈ??根據(jù)基分類器１誤差更新樣本權(quán)重Ｄ（２＞???——１?訓(xùn)練?，￣￣??—??ｆ權(quán)重Ｄ（２＿）?Ｊ——？——？基分類器２?？集成分類器??根據(jù)基分＾器２誤差更新樣本權(quán)＾Ｄ（３）?２?????口??？?？?．略

【參考文獻(xiàn)】：
期刊論文
[1]論電子商務(wù)通信運(yùn)營商存量客戶的維系[J]. 李尚琛.  中國市場(chǎng). 2018(04)
[2]中國電信產(chǎn)業(yè)的外部分析[J]. 于可慧.  中國管理信息化. 2014(02)

博士論文
[1]集成學(xué)習(xí)中若干關(guān)鍵問題的研究[D]. 王清.復(fù)旦大學(xué) 2011

碩士論文
[1]基于生成對(duì)抗網(wǎng)絡(luò)的圖像類別不平衡問題數(shù)據(jù)擴(kuò)充方法[D]. 俞彬.華南理工大學(xué) 2018
[2]電信客戶細(xì)分研究[D]. 何靈.西南交通大學(xué) 2016
[3]數(shù)據(jù)挖掘在電信運(yùn)營商客戶關(guān)系管理中的應(yīng)用[D]. 張雋.上海交通大學(xué) 2015
[4]基于數(shù)據(jù)挖掘的電信反欺詐管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 郭紅宇.電子科技大學(xué) 2012
[5]基于數(shù)據(jù)挖掘的個(gè)性化營銷算法的設(shè)計(jì)與實(shí)現(xiàn)[D]. 吳曉黎.北京郵電大學(xué) 2010



本文編號(hào)：3010720