基于數(shù)據(jù)挖掘的運營商用戶流失預測研究與應用
發(fā)布時間：2021-01-31 10:49
用戶是電信運營商利益的核心。面對激烈的業(yè)內競爭、日益飽和的電信市場和互聯(lián)網大潮的不斷沖擊,提前預測用戶流失傾向,有針對性地挽留用戶,對提高運營商收益十分重要。數(shù)據(jù)挖掘是從數(shù)據(jù)中獲取有價值信息的重要手段,用數(shù)據(jù)挖掘技術對運營商存儲的海量數(shù)據(jù)進行用戶流失預測建模,可以準確地預測用戶流失傾向。本文基于數(shù)據(jù)挖掘技術對運營商計費系統(tǒng)中數(shù)據(jù)進行分析,構建運營商用戶流失預測系統(tǒng),預測用戶是否流失及流失的概率,使運營商制定用戶挽留策略更有針對性。論文主要工作包括:1.基于數(shù)據(jù)挖掘過程,對運營商計費系統(tǒng)中數(shù)據(jù)進行預處理、特征構建和選擇,以梯度提升算法LightGBM做為分類器,提出了運營商用戶流失預測模型,并對基于LightGBM的用戶流失預測模型進行了性能測試。結果表明,本文提出模型的正確率、召回率、調和均值（F1）和曲線下面積（AUC）均優(yōu)于常用的邏輯回歸、支持向量機、決策樹和隨機森林模型。在此基礎上,本文搭建了便于實際部署和應用的用戶流失預測系統(tǒng),采用運營商計費系統(tǒng)中提取的用戶真實數(shù)據(jù)進行了系統(tǒng)測試。2.本文從數(shù)據(jù)處理方面對運營商用戶流失預測數(shù)據(jù)不均衡問題進行了研究,提出了基于生成對抗網絡的過采樣...
【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：104 頁
【學位級別】：碩士
【部分圖文】：
圖２－１?ＣＲＩＳＰ－ＤＭ數(shù)據(jù)挖掘過程??
的基分類器應該同時具備精準性和多樣性的特點。一般集成分類器具有比單個分??類器更強的泛化能力。從基分類器生成策略考慮，集成學習方法主要可以分為??Ｂａｇｇｉｎｇ策略、Ｂｏｏｓｔｉｎｇ策略和Ｓｔａｃｋｉｎｇ策略三種，具體結構分別如圖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練基分類器的方法，通過可重復采樣的方式，生??成多個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練多個基分??類器，再對這些分類器進行集成得到具有一定多樣性的集成分類器。Ｂａｇｇｉｎｇ策略??結構如圖２－２所示，該策略簡單有效，其中隨機森林就是它的典型代表。由于??Ｂａｇｇｉｎｇ策略采取并行化結合方式，當基分類器相互獨立時，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?｜訓練?????—基分類器２集成分類器??機?Ｓ??采?？?？策??樣．?．略??ｍ個樣本?訓練??Ｈ?基分類器７??圖２－２?Ｂａｇｇｉｎｇ策略結構圖??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練基分類器，下??１４??
?一個分類器的訓練基于前一個分類器訓練結果，分類器之間具有很強的相關性，??因此，Ｂｏｏｓｔｉｎｇ策略降低的是集成分類器的偏差。Ｂｏｏｓｔｉｎｇ策略結構如圖２－３所示，??每一輪基分類器訓練時根據(jù)上一輪分類器的誤差調整訓練樣本的權重，提高誤差??率高的樣本的權重，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誤差更新樣本權重Ｄ（２＞???——１?訓練?，￣￣??—??ｆ權重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＾Ｄ（３）?２?????口??？?？?．略
【參考文獻】：
期刊論文
[1]論電子商務通信運營商存量客戶的維系[J]. 李尚琛. 中國市場. 2018(04)
[2]中國電信產業(yè)的外部分析[J]. 于可慧. 中國管理信息化. 2014(02)
博士論文
[1]集成學習中若干關鍵問題的研究[D]. 王清.復旦大學 2011
碩士論文
[1]基于生成對抗網絡的圖像類別不平衡問題數(shù)據(jù)擴充方法[D]. 俞彬.華南理工大學 2018
[2]電信客戶細分研究[D]. 何靈.西南交通大學 2016
[3]數(shù)據(jù)挖掘在電信運營商客戶關系管理中的應用[D]. 張雋.上海交通大學 2015
[4]基于數(shù)據(jù)挖掘的電信反欺詐管理系統(tǒng)的設計與實現(xiàn)[D]. 郭紅宇.電子科技大學 2012
[5]基于數(shù)據(jù)挖掘的個性化營銷算法的設計與實現(xiàn)[D]. 吳曉黎.北京郵電大學 2010
本文編號：3010720
【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：104 頁
【學位級別】：碩士
【部分圖文】：
圖２－１?ＣＲＩＳＰ－ＤＭ數(shù)據(jù)挖掘過程??
的基分類器應該同時具備精準性和多樣性的特點。一般集成分類器具有比單個分??類器更強的泛化能力。從基分類器生成策略考慮，集成學習方法主要可以分為??Ｂａｇｇｉｎｇ策略、Ｂｏｏｓｔｉｎｇ策略和Ｓｔａｃｋｉｎｇ策略三種，具體結構分別如圖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練基分類器的方法，通過可重復采樣的方式，生??成多個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練多個基分??類器，再對這些分類器進行集成得到具有一定多樣性的集成分類器。Ｂａｇｇｉｎｇ策略??結構如圖２－２所示，該策略簡單有效，其中隨機森林就是它的典型代表。由于??Ｂａｇｇｉｎｇ策略采取并行化結合方式，當基分類器相互獨立時，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?｜訓練?????—基分類器２集成分類器??機?Ｓ??采?？?？策??樣．?．略??ｍ個樣本?訓練??Ｈ?基分類器７??圖２－２?Ｂａｇｇｉｎｇ策略結構圖??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練基分類器，下??１４??
?一個分類器的訓練基于前一個分類器訓練結果，分類器之間具有很強的相關性，??因此，Ｂｏｏｓｔｉｎｇ策略降低的是集成分類器的偏差。Ｂｏｏｓｔｉｎｇ策略結構如圖２－３所示，??每一輪基分類器訓練時根據(jù)上一輪分類器的誤差調整訓練樣本的權重，提高誤差??率高的樣本的權重，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誤差更新樣本權重Ｄ（２＞???——１?訓練?，￣￣??—??ｆ權重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＾Ｄ（３）?２?????口??？?？?．略
【參考文獻】：
期刊論文
[1]論電子商務通信運營商存量客戶的維系[J]. 李尚琛. 中國市場. 2018(04)
[2]中國電信產業(yè)的外部分析[J]. 于可慧. 中國管理信息化. 2014(02)
博士論文
[1]集成學習中若干關鍵問題的研究[D]. 王清.復旦大學 2011
碩士論文
[1]基于生成對抗網絡的圖像類別不平衡問題數(shù)據(jù)擴充方法[D]. 俞彬.華南理工大學 2018
[2]電信客戶細分研究[D]. 何靈.西南交通大學 2016
[3]數(shù)據(jù)挖掘在電信運營商客戶關系管理中的應用[D]. 張雋.上海交通大學 2015
[4]基于數(shù)據(jù)挖掘的電信反欺詐管理系統(tǒng)的設計與實現(xiàn)[D]. 郭紅宇.電子科技大學 2012
[5]基于數(shù)據(jù)挖掘的個性化營銷算法的設計與實現(xiàn)[D]. 吳曉黎.北京郵電大學 2010
本文編號：3010720
本文鏈接：http://www.sikaile.net/kejilunwen/ruanjiangongchenglunwen/3010720.html
最近更新
教材專著
