客户分类模型与粒子群聚类算法优化的研究

发布时间：2022-01-12 00:13

　　随着Internet技术和快递物流的发展,网上购物逐渐成为我国人们新的购物习惯,我国网购市场规模变得空前巨大。企业在吸引越来越多的客户进入网购平台的同时,也面临着如何利用宝贵且有限的服务资源对客户提供优质服务的难题。只有对庞大的客户群体进行有效划分,将企业有限的服务资源集中在优质客户身上,才能实现企业利益的最大化。企业自身数据库中所积累的大量客户数据为客户分类进而服务优质客户提供了有利的前提条件。以RFM（Recency,Frequency,Monetary）为代表的客户价值分析模型以及聚类算法,是当前应用较为广泛的客户分类技术,但是,仍存在着模型指标过于单一、类别划分过于细化、受困于异常值、聚类结果不稳定等问题。针对传统客户分类模型存在的指标单一、客户分类过于细化的问题,本文提出了CCL客户分类模型,即包含C（Customers,客户属性）、C（Contribution,客户贡献度）、L（Loyalty,客户忠诚度）三个指标的模型。模型中的三个指标不再是只选取单一维度的属性,而是涵盖了客户的静态属性和动态属性。首先根据每个指标的意义,分别选取客户数据中多个维度的属性,从而避免指标单一... 

【文章来源】：广东工业大学广东省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

Iris数据集上各算法聚类稳定性和准确率

算法的稳定性表现，如图 6-1 和图 6-2 所示。图 6-1 Iris数据集上各算法聚类稳定性和准确率Figure 6-1 Clustering stabilityand accuracyrate of each algorithmon Iris datasets

提升了聚类稳定性；本文所提出的 KM-PSO算法，虽然出现了两种定性较 有所提升，且平均准确率也提升至 88.48%；本反向扰动的 K-OD-PSO算法中，在 10 次甚至更多的反复测试中仅相差不大，保持了很好的稳定性和更高的分类准确率，且较 提升了 3.84%。图 6-2 中，各算法在数据集 Wine上的准确率都有的波动仍然很大， 稳定性较之前有所提升；本文改进的的准确率虽然相差不大，但后者仍保持着更好的稳定性，且前者高出 6.51%。算法收敛速度法分别在Iris和 数据集上进行五次实验，每一次的实验得到大致相同，因此以下只给出其中一次各算法在 数据集上的测试示。

【参考文献】：
期刊论文
[1]基于RFM模型的半监督聚类算法[J]. 程汝娇,徐鸿雁.  计算机系统应用. 2017(11)
[2]关于优化K-medoids聚类算法搜索策略研究[J]. 朱纯,吴建华,潘毅.  计算机仿真. 2016(10)
[3]基于划分的聚类算法研究综述[J]. 贾瑷玮.  电子设计工程. 2014(23)
[4]一种精英反向学习的粒子群优化算法[J]. 周新宇,吴志健,王晖,李康顺,张浩宇.  电子学报. 2013(08)
[5]应用反向学习策略的群搜索优化算法[J]. 汪慎文,丁立新,谢大同,舒万能,谢承旺,杨华.  计算机科学. 2012(09)
[6]基于邻域的K中心点聚类算法[J]. 谢娟英,郭文娟,谢维信.  陕西师范大学学报(自然科学版). 2012(04)
[7]基于改进RFM模型的电子商务客户细分[J]. 徐翔斌,王佳强,涂欢,穆明.  计算机应用. 2012(05)
[8]基于RFM模型和协同过滤的电子商务推荐机制[J]. 孙玲芳,张婧.  江苏科技大学学报(自然科学版). 2010(03)
[9]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)
[10]一种更简化而高效的粒子群优化算法[J]. 胡旺,李志蜀.  软件学报. 2007(04)

博士论文
[1]智能粒子群优化算法研究[D]. 高芳.哈尔滨工业大学 2008
[2]基于客户价值的客户分类模型研究[D]. 刘朝华.华中科技大学 2008

硕士论文
[1]改进的粒子群算法及其在聚类算法中的应用[D]. 刘文凯.广东工业大学 2017
[2]K-means聚类算法在银行CRM系统客户细分中的应用[D]. 李艳君.哈尔滨工业大学 2017
[3]基于组群优化的聚类算法研究[D]. 郝璐萌.天津科技大学 2017
[4]基于粒子群优化算法的聚类分析研究[D]. 王金永.青岛理工大学 2015
[5]基于粒子群优化的聚类算法研究[D]. 郑玉艳.山东师范大学 2015
[6]网游客户分群与特征挖掘算法研究与应用[D]. 赵楠明.大连理工大学 2012



本文编号：3583717