基于PSO的电信业数据关联规则挖掘
摘 要：针对传统的关联挖掘算法无法结合时间属性把握电信业数据的变化趋势而出现关联误判，效率不高的问题，提出动态感知PSO的电信业数据关联规则挖掘方法，用时间点压缩法对连续数据进行离散化，使用包含趋势属性的三元素模式对粒子进行编码。粒子迭代的适应值做为动态感知变量改进粒子的更新规则。实验结果证明，这种方法能够有效地对客户消费趋势进行预测，大大提高了关联挖掘的效率与准确率，具有很强的实用价值。
关键词：电信业关联挖掘；变化趋势；三元素编码； PSO
中图分类号：TP301.6 文献标识码：A DOI：10.3969/j.issn.1003-6970.2013.06.014
0 引言
电信行业的竞争愈演愈烈使运营商面对着严重的客户流失的问题。如何将管理活动精确细分、重视营销的个性化来挽留客户防止客户流失成为各大运营商关注的焦点[1]。客户的日常通信行为为运营商积攒了大量的数据，这些数据蕴藏着丰富的客户消费行为习惯，对客户的消费行为、客户服务信息和缴费情况等数据进行分析挖掘可以对客户实施个性的客户业务推荐来挽留客户，提升客户价值[2-3]。通过关联规则进行客户的业务推荐是各大运营商常用的技术，伴随着各种改进的关联挖掘算法也出现了各种优秀的数据仓库与挖掘系统应用在电信业的客户消费行为数据挖掘中[4-5]。
客户在消费行为中常常存在着一定的趋势属性，传统的关联挖掘算法应用在电信业客户消费行为分析挖掘中仅仅将客户的消费记录数据进行单独的数据预处理，通过频繁项集的计算来进行支持度与置信度约束下的关联挖掘[6-7]。这种方法忽略了记录间存在的变化与联系，造成了关联挖掘的误判，挖掘的效果达不到要求。
为此提出了动态感知PSO关联的电信业客户消费行为分析方法。将群体智能的搜索优化技术通过目标函数的设计与关联规则挖掘进行联系。使用重要时间点压缩的方法对连续数据进行预处理与相似形度量，这种处理可以保留数据的趋势属性。通过包含时间变化的三元素微粒进行粒子的编码，并且通过目标函数的反馈来动态调整粒子的更新参数。实验证明，这种机制下的电信业客户消费行为关联挖掘准确率较高且挖掘的效率也大大提升，有很强的实用价值。
1 关联挖掘的数据预处理
电信业客户消费行为关联分析的数据源来自多个表或者系统，在客户的通信消费记录中大部分是连续型的数据，而关联规则处理的数据应该是离散型的数据。传统的离散方法是采用区间化的数据处理办法，将连续型...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
