隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,電信行業(yè)日趨成熟,行業(yè)競(jìng)爭(zhēng)愈演愈烈,各大運(yùn)營(yíng)商逐漸將重點(diǎn)轉(zhuǎn)向以客戶為中心,突出客戶在運(yùn)營(yíng)商中的地位,而如何減少客戶的流失以及及時(shí)的挽回客戶將變得尤為關(guān)鍵。隨著人工智能的迅猛發(fā)展,將人工智能技術(shù)應(yīng)用到電信行業(yè)的客戶分析中,可以有效降低電信行業(yè)的運(yùn)營(yíng)成本,提升客戶的保持率。目前大部分研究中使用的都是傳統(tǒng)的機(jī)器學(xué)習(xí)方法,需要對(duì)數(shù)據(jù)進(jìn)行大量的預(yù)處理工作,特別是在特征工程上需要花費(fèi)大量的時(shí)間和精力,隨著客戶數(shù)量的爆炸式增長(zhǎng),傳統(tǒng)機(jī)器學(xué)習(xí)方法已經(jīng)無(wú)法滿足大數(shù)據(jù)下的電信客戶的分析需求。而深度學(xué)習(xí)通過(guò)模擬人腦的思維方式,學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次,能夠自動(dòng)學(xué)習(xí)較好的數(shù)據(jù)特征,在文本、圖像、語(yǔ)音等方面都取得了顯著的效果。本文研究的重點(diǎn)是從某電信公司獲取客戶信息、賬戶信息以及增值業(yè)務(wù)等行為數(shù)據(jù),在經(jīng)過(guò)數(shù)據(jù)預(yù)處理包括缺失值處理、數(shù)值化、歸一化以及均衡化之后,使用深度學(xué)習(xí)算法,通過(guò)對(duì)電信客戶的行為數(shù)據(jù)構(gòu)建深層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行客戶的流失預(yù)測(cè),與經(jīng)過(guò)人工特征選擇的邏輯回歸、支持向量機(jī)（SVM）模型進(jìn)行了對(duì)比。針對(duì)深層神經(jīng)網(wǎng)絡(luò)層數(shù)過(guò)深,容易導(dǎo)致梯度消失的問(wèn)題,使用Batch_N... 

【文章來(lái)源】：青海師范大學(xué)青海省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Sigmoid曲線圖

基于深度學(xué)習(xí)的電信客戶流失預(yù)測(cè)7如今所有的機(jī)器學(xué)習(xí)算法中，SVM表現(xiàn)出顯著的效果。SVM算法十分準(zhǔn)確、健壯，屬于典型的二分類(lèi)算法，可以支持線性和非線性的分類(lèi)。（1）線性SVMSVM的分類(lèi)效果圖如圖2-2所示：圖2-2SVM分類(lèi)效果圖從圖上可知（a）是已存在的數(shù)據(jù)，上面有兩個(gè)不同的類(lèi)別：紅色和藍(lán)色。從圖中可以看出紅藍(lán)類(lèi)別顯然是線性可分的，并且存在多條能將其分開(kāi)的直線。因此圖（b）和圖（c）可以輕易的給出兩種分類(lèi)方案，其中分界線為黑色實(shí)線，也被稱為“決策面”。每條實(shí)線對(duì)應(yīng)了一個(gè)線性分類(lèi)器。從結(jié)果上看，雖然兩個(gè)分類(lèi)器效果是一樣的。但是其性能如圖2-3所示也是存在差距的。圖2-3加入樣本點(diǎn)的SVM分類(lèi)效果圖

基于深度學(xué)習(xí)的電信客戶流失預(yù)測(cè)7如今所有的機(jī)器學(xué)習(xí)算法中，SVM表現(xiàn)出顯著的效果。SVM算法十分準(zhǔn)確、健壯，屬于典型的二分類(lèi)算法，可以支持線性和非線性的分類(lèi)。（1）線性SVMSVM的分類(lèi)效果圖如圖2-2所示：圖2-2SVM分類(lèi)效果圖從圖上可知（a）是已存在的數(shù)據(jù)，上面有兩個(gè)不同的類(lèi)別：紅色和藍(lán)色。從圖中可以看出紅藍(lán)類(lèi)別顯然是線性可分的，并且存在多條能將其分開(kāi)的直線。因此圖（b）和圖（c）可以輕易的給出兩種分類(lèi)方案，其中分界線為黑色實(shí)線，也被稱為“決策面”。每條實(shí)線對(duì)應(yīng)了一個(gè)線性分類(lèi)器。從結(jié)果上看，雖然兩個(gè)分類(lèi)器效果是一樣的。但是其性能如圖2-3所示也是存在差距的。圖2-3加入樣本點(diǎn)的SVM分類(lèi)效果圖

【參考文獻(xiàn)】：
期刊論文
[1]LSTM模型集成方法在客戶流失預(yù)測(cè)中的應(yīng)用[J]. 周捷,嚴(yán)建峰,楊璐,夏鵬,王猛.  計(jì)算機(jī)應(yīng)用與軟件. 2019(11)
[2]基于深度神經(jīng)網(wǎng)絡(luò)的客戶流失預(yù)測(cè)模型[J]. 馬文斌,夏國(guó)恩.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(09)
[3]面向機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集均衡化方法[J]. 李國(guó)和,張騰,吳衛(wèi)江,洪云峰,周曉明.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(03)
[4]基于評(píng)論情感傾向和神經(jīng)網(wǎng)絡(luò)的客戶流失預(yù)測(cè)研究[J]. 馮鑫,王晨,劉苑,楊婭,安海崗.  中國(guó)電子科學(xué)研究院學(xué)報(bào). 2018(03)
[5]人工智能技術(shù)發(fā)展研究[J]. 賀倩.  現(xiàn)代電信科技. 2016(02)
[6]深度學(xué)習(xí)研究與進(jìn)展[J]. 孫志遠(yuǎn),魯成祥,史忠植,馬剛.  計(jì)算機(jī)科學(xué). 2016(02)
[7]基于改進(jìn)聚類(lèi)的電信客戶流失預(yù)測(cè)分析[J]. 姜曉娟,郭一娜.  太原理工大學(xué)學(xué)報(bào). 2014(04)
[8]一種基于社會(huì)網(wǎng)絡(luò)的潛在流失客戶發(fā)現(xiàn)方法[J]. 黃婉秋.  北京交通大學(xué)學(xué)報(bào). 2014(03)
[9]深度學(xué)習(xí)研究進(jìn)展[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)應(yīng)用研究. 2014(07)
[10]一種改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)在小圖像分類(lèi)中的應(yīng)用研究[J]. 呂剛,郝平,盛建榮.  計(jì)算機(jī)應(yīng)用與軟件. 2014(04)

博士論文
[1]支持向量機(jī)算法的研究及其應(yīng)用[D]. 范昕煒.浙江大學(xué) 2003

碩士論文
[1]深度神經(jīng)網(wǎng)絡(luò)的歸一化技術(shù)研究[D]. 王巖.南京郵電大學(xué) 2019
[2]電商平臺(tái)客戶流失預(yù)警分析及應(yīng)用研究[D]. 艾金金.南京大學(xué) 2019
[3]針對(duì)匿名電信客戶數(shù)據(jù)的流失預(yù)測(cè)模型[D]. 李睿琪.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[4]基于數(shù)據(jù)挖掘的電信客戶流失預(yù)測(cè)研究與應(yīng)用[D]. 蔡曉鵬.湖南大學(xué) 2016



本文編號(hào)：3457730