基于谱回归特征降维的客户流失预测
作者:
基金项目:

广西重点研发计划(2018AB15003); 广西多源信息挖掘与安全重点实验室开放基金(MIMS17-02); 广西高校中青年教师基础能力提升项目(2018KY0520); 2019年度广西高校中青年教师科研基础能力提升项目(2019KY0661); 广西财经学院青年教师科研发展基金(2018QNA02)


Prediction of Customer Churn Based on Spectral Regression
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [16]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    针对于大样本数据的客户流失预测, 从特征有效表达的角度, 提出了一种基于谱回归特征约简的预测模型. 模型在原始客户特征基础上, 利用基于谱回归的流形降维, 建立可区分性的低维特征空间, 在此之上采用支持向量机实现客户流失的二分类. 通过在网络客户和传统电信客户两种不同数据集上的大样本实验, 并与不同分类器、不同特征约简或选择方法的对比, 证明了该方法的有效性.

    Abstract:

    In order to predict customer churn with large sample data, a customer churn prediction model based on spectral regression was put forward from the perspective of feature expression, which took advantage of the spectral regression to reduce the dimension of feature. On the basis of the original customer features, a distinguishing feature space of low dimension is established by using the manifold dimension reduction based on spectral regression, and then we used the support vector machine to realize the binary classification of customer churn prediction. The model was evaluated on two different data sets of network customers and traditional telecom customers, and compared with different classifiers, different feature reduction or selection methods, the experiment results verify that the model is effective.

    参考文献
    [1] 夏国恩. 基于满意控制的客户流失两类错误. 系统工程, 2016, 34(3): 136–141
    [2] 夏国恩, 马文斌, 唐婵娟, 等. 融入客户价值特征和情感特征的网络客户流失预测研究. 管理学报, 2018, 15(3): 442–449. [doi: 10.3969/j.issn.1672-884x.2018.03.016
    [3] 冯鑫, 王晨, 刘苑, 等. 基于评论情感倾向和神经网络的客户流失预测研究. 中国电子科学研究院学报, 2018, 13(3): 340–345. [doi: 10.3969/j.issn.1673-5692.2018.03.019
    [4] 徐子伟, 王鹏, 陈宗海. 一种基于Fisher比率和预测风险准则的电信客户流失预测分步特征选择方法. 中国科学技术大学学报, 2017, 47(8): 686–694. [doi: 10.3969/j.issn.0253-2778.2017.08.008
    [5] 张玮, 杨善林, 刘婷婷. 基于CART和自适应Boosting算法的移动通信企业客户流失预测模型. 中国管理科学, 2014, 22(10): 90–96
    [6] 丁君美, 刘贵全, 李慧. 改进随机森林算法在电信业客户流失预测中的应用. 模式识别与人工智能, 2015, 28(11): 1041–1049
    [7] 马文斌, 夏国恩. 基于深度神经网络的客户流失预测模型. 计算机技术与发展, 2019, 29(9): 76–80. [doi: 10.3969/j.issn.1673-629X.2019.09.015
    [8] 于小兵, 卢逸群. 电子商务客户流失预警与预测. 系统工程, 2016, 34(9): 37–43
    [9] 卢光跃, 王航龙, 李创创, 等. 基于改进的K近邻和支持向量机客户流失预测. 西安邮电大学学报, 2018, 23(2): 1–6
    [10] Fowler JE. Compressive-projection principal component analysis. IEEE Transactions on Image Processing, 2009, 18(10): 2230–2242. [doi: 10.1109/TIP.2009.2025089
    [11] Zhao CH, Wang YL, Mei F. Kernel ICA feature extraction for anomaly detection in hyperspectral imagery. Chinese Journal of Electronics, 2012, 21(2): 265–269
    [12] Zhang LM, Qiao LS, Chen SC. Graph-optimized locality preserving projections. Pattern Recognition, 2010, 43(6): 1993–2002. [doi: 10.1016/j.patcog.2009.12.022
    [13] Roweis ST, Saul LK, et al. Nonlinear dimensionality reduction by locally linear embedding. Science, 2000, 290(5500): 2323–2326. [doi: 10.1126/science.290.5500.2323
    [14] Zhai YG, Zhang LF, Wang N, et al. A modified locality-preserving projection approach for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 2016, 13(8): 1059–1063. [doi: 10.1109/LGRS.2016.2564993
    [15] 陈朋, 张建华, 文再治, 等. 基于核谱回归与随机森林的脑电情感识别. 华东理工大学学报(自然科学版), 2018, 44(5): 744–751
    [16] Cai D, Zhang CY, He XF. Unsupervised feature selection for Multi-Cluster data. Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Washington, DC, USA. 2010. 333–342.
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

李国祥,蒋怡琳,马文斌,夏国恩.基于谱回归特征降维的客户流失预测.计算机系统应用,2021,30(9):62-68

复制
分享
文章指标
  • 点击次数:884
  • 下载次数: 1745
  • HTML阅读次数: 1130
  • 引用次数: 0
历史
  • 收稿日期:2020-10-25
  • 最后修改日期:2020-11-23
  • 在线发布日期: 2021-09-04
文章二维码
您是第11206140位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号