基于深度学习的的电信客户流失预测
发布时间：2021-10-25 15:58
随着社会经济的快速发展,电信行业日趋成熟,行业竞争愈演愈烈,各大运营商逐渐将重点转向以客户为中心,突出客户在运营商中的地位,而如何减少客户的流失以及及时的挽回客户将变得尤为关键。随着人工智能的迅猛发展,将人工智能技术应用到电信行业的客户分析中,可以有效降低电信行业的运营成本,提升客户的保持率。目前大部分研究中使用的都是传统的机器学习方法,需要对数据进行大量的预处理工作,特别是在特征工程上需要花费大量的时间和精力,随着客户数量的爆炸式增长,传统机器学习方法已经无法满足大数据下的电信客户的分析需求。而深度学习通过模拟人脑的思维方式,学习样本数据的内在规律和表示层次,能够自动学习较好的数据特征,在文本、图像、语音等方面都取得了显著的效果。本文研究的重点是从某电信公司获取客户信息、账户信息以及增值业务等行为数据,在经过数据预处理包括缺失值处理、数值化、归一化以及均衡化之后,使用深度学习算法,通过对电信客户的行为数据构建深层神经网络模型进行客户的流失预测,与经过人工特征选择的逻辑回归、支持向量机（SVM）模型进行了对比。针对深层神经网络层数过深,容易导致梯度消失的问题,使用BatchN...
【文章来源】：青海师范大学青海省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
Sigmoid曲线图
基于深度学习的电信客户流失预测7如今所有的机器学习算法中，SVM表现出显著的效果。SVM算法十分准确、健壮，属于典型的二分类算法，可以支持线性和非线性的分类。（1）线性SVMSVM的分类效果图如图2-2所示：图2-2SVM分类效果图从图上可知（a）是已存在的数据，上面有两个不同的类别：红色和蓝色。从图中可以看出红蓝类别显然是线性可分的，并且存在多条能将其分开的直线。因此图（b）和图（c）可以轻易的给出两种分类方案，其中分界线为黑色实线，也被称为“决策面”。每条实线对应了一个线性分类器。从结果上看，虽然两个分类器效果是一样的。但是其性能如图2-3所示也是存在差距的。图2-3加入样本点的SVM分类效果图
基于深度学习的电信客户流失预测7如今所有的机器学习算法中，SVM表现出显著的效果。SVM算法十分准确、健壮，属于典型的二分类算法，可以支持线性和非线性的分类。（1）线性SVMSVM的分类效果图如图2-2所示：图2-2SVM分类效果图从图上可知（a）是已存在的数据，上面有两个不同的类别：红色和蓝色。从图中可以看出红蓝类别显然是线性可分的，并且存在多条能将其分开的直线。因此图（b）和图（c）可以轻易的给出两种分类方案，其中分界线为黑色实线，也被称为“决策面”。每条实线对应了一个线性分类器。从结果上看，虽然两个分类器效果是一样的。但是其性能如图2-3所示也是存在差距的。图2-3加入样本点的SVM分类效果图
【参考文献】：
期刊论文
[1]LSTM模型集成方法在客户流失预测中的应用[J]. 周捷,严建峰,杨璐,夏鹏,王猛. 计算机应用与软件. 2019(11)
[2]基于深度神经网络的客户流失预测模型[J]. 马文斌,夏国恩. 计算机技术与发展. 2019(09)
[3]面向机器学习的训练数据集均衡化方法[J]. 李国和,张腾,吴卫江,洪云峰,周晓明. 计算机工程与设计. 2019(03)
[4]基于评论情感倾向和神经网络的客户流失预测研究[J]. 冯鑫,王晨,刘苑,杨娅,安海岗. 中国电子科学研究院学报. 2018(03)
[5]人工智能技术发展研究[J]. 贺倩. 现代电信科技. 2016(02)
[6]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[7]基于改进聚类的电信客户流失预测分析[J]. 姜晓娟,郭一娜. 太原理工大学学报. 2014(04)
[8]一种基于社会网络的潜在流失客户发现方法[J]. 黄婉秋. 北京交通大学学报. 2014(03)
[9]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[10]一种改进的深度神经网络在小图像分类中的应用研究[J]. 吕刚,郝平,盛建荣. 计算机应用与软件. 2014(04)
博士论文
[1]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003
硕士论文
[1]深度神经网络的归一化技术研究[D]. 王岩.南京邮电大学 2019
[2]电商平台客户流失预警分析及应用研究[D]. 艾金金.南京大学 2019
[3]针对匿名电信客户数据的流失预测模型[D]. 李睿琪.中国科学技术大学 2017
[4]基于数据挖掘的电信客户流失预测研究与应用[D]. 蔡晓鹏.湖南大学 2016
本文编号：3457730
【文章来源】：青海师范大学青海省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
Sigmoid曲线图
基于深度学习的电信客户流失预测7如今所有的机器学习算法中，SVM表现出显著的效果。SVM算法十分准确、健壮，属于典型的二分类算法，可以支持线性和非线性的分类。（1）线性SVMSVM的分类效果图如图2-2所示：图2-2SVM分类效果图从图上可知（a）是已存在的数据，上面有两个不同的类别：红色和蓝色。从图中可以看出红蓝类别显然是线性可分的，并且存在多条能将其分开的直线。因此图（b）和图（c）可以轻易的给出两种分类方案，其中分界线为黑色实线，也被称为“决策面”。每条实线对应了一个线性分类器。从结果上看，虽然两个分类器效果是一样的。但是其性能如图2-3所示也是存在差距的。图2-3加入样本点的SVM分类效果图
基于深度学习的电信客户流失预测7如今所有的机器学习算法中，SVM表现出显著的效果。SVM算法十分准确、健壮，属于典型的二分类算法，可以支持线性和非线性的分类。（1）线性SVMSVM的分类效果图如图2-2所示：图2-2SVM分类效果图从图上可知（a）是已存在的数据，上面有两个不同的类别：红色和蓝色。从图中可以看出红蓝类别显然是线性可分的，并且存在多条能将其分开的直线。因此图（b）和图（c）可以轻易的给出两种分类方案，其中分界线为黑色实线，也被称为“决策面”。每条实线对应了一个线性分类器。从结果上看，虽然两个分类器效果是一样的。但是其性能如图2-3所示也是存在差距的。图2-3加入样本点的SVM分类效果图
【参考文献】：
期刊论文
[1]LSTM模型集成方法在客户流失预测中的应用[J]. 周捷,严建峰,杨璐,夏鹏,王猛. 计算机应用与软件. 2019(11)
[2]基于深度神经网络的客户流失预测模型[J]. 马文斌,夏国恩. 计算机技术与发展. 2019(09)
[3]面向机器学习的训练数据集均衡化方法[J]. 李国和,张腾,吴卫江,洪云峰,周晓明. 计算机工程与设计. 2019(03)
[4]基于评论情感倾向和神经网络的客户流失预测研究[J]. 冯鑫,王晨,刘苑,杨娅,安海岗. 中国电子科学研究院学报. 2018(03)
[5]人工智能技术发展研究[J]. 贺倩. 现代电信科技. 2016(02)
[6]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[7]基于改进聚类的电信客户流失预测分析[J]. 姜晓娟,郭一娜. 太原理工大学学报. 2014(04)
[8]一种基于社会网络的潜在流失客户发现方法[J]. 黄婉秋. 北京交通大学学报. 2014(03)
[9]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[10]一种改进的深度神经网络在小图像分类中的应用研究[J]. 吕刚,郝平,盛建荣. 计算机应用与软件. 2014(04)
博士论文
[1]支持向量机算法的研究及其应用[D]. 范昕炜.浙江大学 2003
硕士论文
[1]深度神经网络的归一化技术研究[D]. 王岩.南京邮电大学 2019
[2]电商平台客户流失预警分析及应用研究[D]. 艾金金.南京大学 2019
[3]针对匿名电信客户数据的流失预测模型[D]. 李睿琪.中国科学技术大学 2017
[4]基于数据挖掘的电信客户流失预测研究与应用[D]. 蔡晓鹏.湖南大学 2016
本文编号：3457730
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3457730.html
