检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

数据挖掘方法在用户流失预测分析中的应用

计算机工程与应用 2007年第9期43卷 154-156页

作者：刘光远苑森淼董立岩吉林大学通信工程学院长春130022 吉林大学计算机科学与技术学院长春130012

移动通信在高速发展的同时,出现了大量用户离网的现象,基于客户信息、消费行为等历史数据,进行客户离网预测分析成为各个运营商普遍关注的问题。文章基于客户的历史数据和短期偶发数据,提出了链型数据挖掘方法,并结合决策树,形成了一个... 详细信息

移动通信在高速发展的同时,出现了大量用户离网的现象,基于客户信息、消费行为等历史数据,进行客户离网预测分析成为各个运营商普遍关注的问题。文章基于客户的历史数据和短期偶发数据,提出了链型数据挖掘方法,并结合决策树,形成了一个综合的链型树分类器(Chain Tree Classifier,CTC)和用户行为预测模型,实验结果显示,该分类器对移动通信运营商感兴趣的单个事件发生具有良好的预测能力,可被应用到客户离网预测中,从而帮助运营商提前发现具有离网倾向的用户,进而获得更高的利润。

关键词：数据挖掘链型树分类器用户流失预测

基于Spark平台的网络游戏用户流失预测方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机工程与科学 2022年第10期44卷 1730-1737页

作者：胡艳芳熊文高炜云南师范大学信息学院云南昆明650500

随着移动互联网的广泛普及,国内网络游戏市场日趋饱和,游戏公司获得新用户的成本不断增加,如何预防存量用户的流失已经成为市场营销的重心。提出了一种基于Spark平台的网络游戏用户流失预测方法,基于一个真实游戏日志数据对用户进行了... 详细信息

随着移动互联网的广泛普及,国内网络游戏市场日趋饱和,游戏公司获得新用户的成本不断增加,如何预防存量用户的流失已经成为市场营销的重心。提出了一种基于Spark平台的网络游戏用户流失预测方法,基于一个真实游戏日志数据对用户进行了流失预测。首先,从日志数据中抽取和计算了用户特征;随后,按权重选取了一组重要特征;最后,以特征为输入、流失与否为输出进行了二分类建模。综合比较了随机森林、支持向量机、多层感知机、梯度提升决策树和逻辑回归等6种常见分类算法。实验结果表明,随机森林算法表现最优,模型预测精度达到91%。

关键词：用户流失预测 Spark 二分类机器学习随机森林

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的电信用户流失预测模型研究

基于注意力机制的电信用户流失预测模型研究

作者：黄子璇杭州电子科技大学

学位级别：硕士

伴随着手机等移动设备的大量普及,电信业务快速发展,运营商之间的竞争愈发激烈,如何有效地发现潜在的流失用户成为了运营商关注的重点问题。考虑到保留原有客户的成本远低于吸引新客户的成本,有效的用户流失预测模型可以为运营商制定保... 详细信息

伴随着手机等移动设备的大量普及,电信业务快速发展,运营商之间的竞争愈发激烈,如何有效地发现潜在的流失用户成为了运营商关注的重点问题。考虑到保留原有客户的成本远低于吸引新客户的成本,有效的用户流失预测模型可以为运营商制定保留策略提供辅助,降低运营商的运营成本。现有的用户流失预测模型需要配合复杂的特征工程,耗费大量人力与时间成本,且容易导致维度爆炸问题,还忽略了不同特征之间的交叉关系。针对以上问题,本文提出了两种基于注意力机制的用户流失预测模型。提出的模型能够缓解维度爆炸问题,挖掘样本中潜在的特征交互信息,具备自动特征学习的能力。并基于提出的改进用户流失预测模型,实现了用户流失预警系统,适用于离线场景下的用户流失预测任务。本文的主要工作如下:(1)提出了基于自注意力机制和图卷积的用户流失预测模型。通过特征嵌入结合Transformer结构的方式对类别特征进行映射,缓解了维度爆炸问题,并保留了特征值之间的关联关系。再采用自适应邻接矩阵定义图卷积操作,挖掘不同特征之间的潜在交互关系,使模型具备了进行自动特征学习的能力。在多个数据集上和多个模型进行比较,证明了模型具有良好的预测性能。(2)提出了基于交叉注意力和特征抽象的用户流失预测模型。针对前一个模型存在的输入特征未被充分表示以及模型不能学习高阶特征等缺点进行改进。首先通过改进的特征嵌入层将类别特征和数值特征映射到同一特征空间,并采用基于样本与特征的交叉注意力机制构建基于行与列的上下文特征表示。然后结合特征抽象模块对底层特征组进行特征选择和特征抽象来构造高阶语义特征。改进的模型进一步挖掘了特征间的潜在联系,提高了分类预测性能。(3)基于改进的用户流失预测模型,设计并实现了适用于离线场景的电信用户流失预警系统。该系统通过大数据组件实现对海量用户数据的存储和分析,整合模型训练模块和用户细分模块提供决策辅助,最终通过决策层为目标用户制定挽留策略,能够满足实际场景中用户流失预警业务的需求。

关键词：用户流失预测表示学习注意力机制自适应邻接矩阵数据挖掘

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度森林的运营商用户流失预测应用研究

基于深度森林的运营商用户流失预测应用研究

作者：桂昂稀山东大学

学位级别：硕士

现如今,电信运营商市场趋于饱和,携号转网政策的全面实施无疑加剧了运营商之间的竞争,如何保留老用户成为了运营商日常业务中最为关注的问题之一。为此,运营商需要对用户的流失行为进行精准预测,从而制定相应的策略来维系用户。在此背景... 详细信息

现如今,电信运营商市场趋于饱和,携号转网政策的全面实施无疑加剧了运营商之间的竞争,如何保留老用户成为了运营商日常业务中最为关注的问题之一。为此,运营商需要对用户的流失行为进行精准预测,从而制定相应的策略来维系用户。在此背景下,本文依托数据挖掘技术,对运营商用户数据进行分析处理,基于深度森林算法搭建了用户流失预测模型。本文的主要研究工作如下:（1）基于数据挖掘技术对运营商后台系统获取的真实用户数据进行分析,利用数据清洗、数据变换以及基于Relief方法的特征选择来保证数据的科学有效性。根据最终确定的16个特征变量,本文基于gcForest深度森林算法搭建了用户流失预测模型,并同支持向量机、KNN等常见机器学习算法进行了对比,结果表明,基于gcForest算法的用户流失预测模型的表现优于传统机器学习算法。（2）改进gcForest算法对于类不平衡数据的处理方式,基于EasyEnsemble算法的思想,提出了将SMOTE算法和ENN算法融合到gcForest算法框架之中的OSEEN-gcForest算法,并依此搭建了用户流失预测模型。（3）在UCI公开数据集上对改进算法进行验证的基础上,将改进算法运用到运营商用户流失预测问题中,结果表明OSEEN-gcForest改进算法相较于传统机器学习算法具有更优越的性能。

关键词：用户流失预测数据挖掘 gcForest 类不平衡

可解释性机器学习在信用卡用户流失预测中的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

可解释性机器学习在信用卡用户流失预测中的应用

作者：翟怀涛东北财经大学

学位级别：硕士

银行业在金融体系中具有重要的作用和地位,能够为个人和企业提供存款、贷款、结算等多种金融服务,促进了资金流动,提高了资本利用效率,推动了经济发展。当前互联技术已经十分成熟,移动支付软件已经成为人们日常生活中资金往来的必要工具... 详细信息

银行业在金融体系中具有重要的作用和地位,能够为个人和企业提供存款、贷款、结算等多种金融服务,促进了资金流动,提高了资本利用效率,推动了经济发展。当前互联技术已经十分成熟,移动支付软件已经成为人们日常生活中资金往来的必要工具,除了支付服务,这些支付软件也提供个人消费信贷等服务,这对传统银行业务,尤其是信用卡业务造成了严重的影响。同时,我国信用卡用户市场体量已经十分庞大,近年来信用卡用户增速逐年递减,在2022年信用卡用户数量呈负增长。在行业内竞争愈发激烈且难以拓展用户市场的背景下,商业银行迫切需要提前识别出潜在流失客户并了解客户流失的原因。目前学术界对于用户流失预测问题主要集中电信领域,对于信用卡领域的用户流失相关研究较少,同时当前研究主要集中在模型的预测效果上,鲜有人对模型预测做出进一步的解释。基于此本文对信用卡业务数据进行分析,基于深度森林算法建立用户流失预测模型,同时利用SHAP方法对模型预测进行事后解释,描述了不同特征在模型预测时的重要程度,本文还关注了模型预测错误的样本,丰富了客户流失预测研究的内容。本文主要工作包括以下几个方面:(1)利用统计学方法对信用卡业务数据进行预处理,具体包括缺失值统计及处理、数据无量纲化以及特征编码等操作。为探究特征的分布情况及特征和标签之间的关系,本文对数据进行描述性统计分析,针对数值型变量计算了该类特征和标签的相关系数,针对分类型变量计算了该类特征的频数及不同取值的标签占比情况。(2)基于机器学习算法对数据集建模。信用卡用户流失预测问题是二分类问题,通过对目前分类算法及客户流失预测问题的研究,本文选取了可解释性较强的逻辑回归算法、决策树算法,以及更为复杂的随机森林算法和深度森林算法,通过多种评价指标综合比较了模型的预测效果,发现深度森林的预测效果最好,在多种评价指标结果上均优于其他模型。(3)利用SHAP方法对深度森林进行可解释性分析。首先本文对深度森林模型在测试集的预测结果进行了可解释性分析,研究表明1年总交易次数对模型的影响最大,过去1年总交易金额和信用卡总循环余额同样对模型预测具有重要影响。其次本文对模型预测错误的样本进行了可解释分析,研究表明除上述三个特征外,交易金额变化、过去1年内不活跃的月数、交易数量的变化及客户使用产品数量特征对样本的决策曲线具有重要影响。本文同样也存在一些不足之处。第一,本文在特征工程方面所做的工作较少,没有进行特征衍生工作,降低了进一步提升模型效果的可能性。第二,kernelSHAP通过在邻域内拟合线性模型来估计shap value,而离散型变量邻域内所进行的采样在实际中并不会存在。

关键词：用户流失预测机器学习可解释性 SHAP

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于行为数据挖掘的视频APP用户流失预测

基于行为数据挖掘的视频APP用户流失预测

作者：徐子涵华东师范大学

学位级别：硕士

我国在线视频行业历经将近二十年的发展,目前已步入存量博弈阶段,获客成本的上升使得各视频平台逐渐将提升现有客户留存价值作为用户运营策略的核心,而用户流失预测是提升留存的关键工作。如何从用户的海量行为数据中挖掘有效信息构建... 详细信息

我国在线视频行业历经将近二十年的发展,目前已步入存量博弈阶段,获客成本的上升使得各视频平台逐渐将提升现有客户留存价值作为用户运营策略的核心,而用户流失预测是提升留存的关键工作。如何从用户的海量行为数据中挖掘有效信息构建预测模型,对于视频平台提升运营效率具有重要意义。本文基于某视频APP用户行为数据集,分别构建机器学习模型和深度学习模型,对用户是否流失进行预测。首先,基于用户日志数据从登录行为、观看行为、用户兴趣三个维度进行特征提取,采用多种机器学习模型(随机森林、XGBoost、LightGBM和CatBoost)进行训练和参数调优,测试集上的预测结果表明XGBoost模型在AUC、召回率和F1指标上效果最优。其次,从日志数据中提取用户行为相关的时序特征,构建GRU与CNN的深度学习模型,基于用户时序特征与画像特征进行预测。结果表明基于单个CNN的模型以及GRU与CNN融合模型(DLCNN和GRU-CNN)的综合效果皆优于机器学习模型,其中本文构建的GRU-CNN模型采用并行融合方式有效结合了 GRU与CNN的优点,能够更充分地从用户时序信息中自动学习特征,融入注意力机制后又进一步增强了模型的表征能力,在深度学习模型中效果最优,较之机器学习模型中效果最好的XGBoost,AUC、召回率和F1值分别提升0.7%、13.7%和5.8%。最后,根据模型输出特征重要性排序并结合SHAP框架进行分析,经研究发现,用户兴趣特征、登录行为特征、观看视频行为特征、设备内存特征对用户是否流失有重要影响,该结论也可为视频平台制定用户运营策略提供一定参考。

关键词：用户流失预测时序特征模型融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据挖掘的用户流失预测

基于数据挖掘的用户流失预测

作者：游子吟南京师范大学

学位级别：硕士

用户流失预测一直是客户关系管理中核心的一环,对保证客户量、增强企业竞争力而言有着重要意义。随着互联网和信息技术的飞速发展,海量用户数据的收集、存储与分析为用户关系管理提供了全新的思路与方法,越来越多运营策略需要使用数据... 详细信息

用户流失预测一直是客户关系管理中核心的一环,对保证客户量、增强企业竞争力而言有着重要意义。随着互联网和信息技术的飞速发展,海量用户数据的收集、存储与分析为用户关系管理提供了全新的思路与方法,越来越多运营策略需要使用数据挖掘技术发现用户的行为习惯、识别具有流失倾向的用户。客户流失预测的难点在于用户数据庞杂、噪声多、结构化程度低且类别不平衡,因此,构建合适的预测模型需要从海量数据中提取与用户流失相关的指标并且选择合适的分类算法。本文基于大量真实的用户数据,结合数据可视化方法完成了数据清洗和特征抽提,最终从原始数据中构造了 13个自变量用于流失预测,分别采用欠采样和代价敏感学习解决不平衡问题,构建了三种用户流失预测模型:基于欠采样的Logistic回归模型、基于欠采样的随机森林模型和基于代价敏感的AdaCost模型,三种方法均很好的解决了类别不平衡问题,在训练集和测试集上均获得了较好的分类效果,达到了较高的查全率。结合三种流失预测模型,较长的续费“间隔期”和近期取消交易的行为都预示着用户的高流失倾向;用户的历史交易信息,如交易频率、累计取消比例等对用户是否流失的影响较小,相关结论为付费订阅类网站的用户管理提供了一定参考价值。

关键词：用户流失预测不平衡数据 Logistic回归随机森林 AdaCost

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向不均衡分类大数据的用户流失预测研究

面向不均衡分类大数据的用户流失预测研究

作者：陈文清暨南大学

学位级别：硕士

随着信息科学技术的高速发展,人们获取信息的通道变得更加广泛与便捷,用户对市场上的产品或服务的选择掌握了很多的主动权,导致许多企业都面临着用户流失的风险。在互联网、大数据技术还未普及的时期,企业构建用户流失预测模型所使用的... 详细信息

随着信息科学技术的高速发展,人们获取信息的通道变得更加广泛与便捷,用户对市场上的产品或服务的选择掌握了很多的主动权,导致许多企业都面临着用户流失的风险。在互联网、大数据技术还未普及的时期,企业构建用户流失预测模型所使用的数据维度低、结构简单,使用单一简单的模型都能取得不错的预估效果。而对于现在的依托于互联网的在线平台,用户流失预测模型构建的难点主要集中在用户数据维度高、结构复杂、噪声样本多且流失用户与未流失用户数量差距悬殊。本文基于某在线平台大量用户真实的数据,通过数据可视化的方式发掘影响用户流失的因素,再进行数据清洗、特征构建和嵌入式特征筛选构建用户流失预测模型训练的数据集。针对用户流失数据不均衡问题,从数据重采样和集成学习分类算法两个角度出发。在数据重采样层面,用Logistic算法和轻型梯度提升算法作为分类器,对比常用的重采样算法对用户数据不均衡问题的影响,其中本文采用对比的重采样算法包括少数类样本合成过采样技术、边界少数类样本合成过采样技术、自适应合成抽样算法、编辑最近邻欠采样算法、汤姆克链接样本对、少类样本合成过采样技术与编辑最近邻欠采样混合的采样算法以及少类样本合成过采样技术与汤姆克链接样本对混合的采样算法,最终选择对分类效果提升最好的编辑最近邻欠采样算法。在集成学习层面,使用随机森林、自适应提升算法、轻型梯度提升算法以及极端梯度提升算法建立用户预测模型,集成学习算法相较于传统的Logistic算法在不均衡数据集上的预测效果更好。基于数据重采样和集成学习两个层面的考量,本文最终使用将编辑最近邻欠采样融入学习法策略的初级强学习器,经过学习法策略结合的模型来建立用户流失预测模型,最终的用户流失预测模型F1-score达到0.8172,AUC达到0.9197,相较于单一的Logistic模型在F1-socre和AUC指标上分别提升了0.2833、0.1118。

关键词：用户流失预测数据不均衡重采样学习法结合策略

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

财经新闻APP用户流失预测

财经新闻APP用户流失预测

作者：王惠北京交通大学

学位级别：硕士

在PC流量逐渐转移到移动端,经济全球化增加了人们对于财经资讯需求的背景下,财经新闻APP用户飞速增长的同时也面临着用户粘性不足,忠诚用户占比少,用户流失加剧的问题。如果能较为准确的预测用户是否会即将流失,在用户流失前分析用户流... 详细信息

在PC流量逐渐转移到移动端,经济全球化增加了人们对于财经资讯需求的背景下,财经新闻APP用户飞速增长的同时也面临着用户粘性不足,忠诚用户占比少,用户流失加剧的问题。如果能较为准确的预测用户是否会即将流失,在用户流失前分析用户流失原因,针对价值不同的每一类用户制定相应的策略进行用户挽回,一方面可以通过数据分析以及数据挖掘手段实现财经新闻APP用户精细化运营目标;另一方面,面对财经新闻APP用户基数相对大的情况,可以降低获取新用户的压力,在用户竞争中保持优势。因此,用户流失预测是提高用户留存的前提,也是用户增长以及用户管理的关键环节。本文基于财经新闻APP用户基础数据和用户在APP内产生的行为数据,提出财经新闻APP用户流失预测的流程,主要研究内容有以下三部分:第一部分,提取财经新闻APP用户流失预测特征变量。定义财经新闻APP流失用户,分析财经新闻APP的消费模式和经营模式的特点,结合RFM模型和时间窗口的概念,将财经新闻APP用户基础数据和用户行为日志数据进行处理,构造并筛选财经新闻APP用户流失预测的特征变量;第二部分,改进的Stacking算法进行财经新闻APP用户流失预测。对于经典的Stacking集成预测算法从初级分类器类概率与类别同时输出以及添加精度加权两个方面进行改进,得到预测精确度更高的财经新闻APP用户流失预测模型;第三部分,财经新闻APP用户流失预测案例研究。以截至2019年3月11日的S财经新闻APP的用户相应数据进行财经新闻APP用户流失预测的案例研究,并对模型效果进行验证,明确了财经新闻APP用户流失预测在财经新闻APP用户精细化运营流程中所处的位置,并简要讨论了财经新闻APP用户精细化运营流程中财经新闻APP用户流失预测结果的应用方向。通过对比实验,可以证明本文提出的财经新闻APP用户流失预测特征变量应用于改进的Stacking模型时其预测效果优于随机森林、支持向量机、Ada Boost和普通Stacking集成算法,同时,本文案例研究环节中对于用户流失预测结果的后续应用进行了讨论,是对预测流失用户的目的挽回用户,做的更深一层的分析,对于实际用户运营问题的解决有积极意义。

关键词：财经新闻APP Stacking 用户流失预测