电信科学 ›› 2018, Vol. 34 ›› Issue (1): 52-60.doi: 10.11959/j.issn.1000-0801.2018018

• 研究与开发 • 上一篇    下一篇

基于缺失数据BN参数学习的电信流失客户预测算法

赵宇翔,卢光跃,王航龙,李四维   

  1. 西安邮电大学陕西省信息通信网络及安全重点实验室，陕西 西安 710121
  • 修回日期:2017-09-26 出版日期:2018-01-01 发布日期:2018-02-05
  • 作者简介:赵宇翔（1993?），男，西安邮电大学陕西省信息通信网络及安全重点实验室硕士生，主要研究方向为数据挖掘。|卢光跃（1971?），男，博士，西安邮电大学陕西省信息通信网络及安全重点实验室教授，主要研究方向为信号与信息处理、认知无线电和大数据分析。|王航龙（1989?），男，西安邮电大学陕西省信息通信网络及安全重点实验室硕士生，主要研究方向为数据挖掘。|李四维（1989?），男，西安邮电大学陕西省信息通信网络及安全重点实验室硕士生，主要研究方向为数据挖掘。
  • 基金资助:
    陕西省工业科技攻关项目(2015GY-013);陕西省工业科技攻关项目(2016GY-113)

A prediction algorithm of telecom customer churn based on Bayesian network parameters learning under incomplete data

Yuxiang ZHAO,Guangyue LU,Hanglong WANG,Siwei LI   

  1. Shaanxi Key Laboratory of Information Communication Network and Security,Xi’an University of Posts and Telecommunications,Xi’an 710121,China
  • Revised:2017-09-26 Online:2018-01-01 Published:2018-02-05
  • Supported by:
    Industrial Research Project of Science and Technology Department of Shaanxi Province(2015GY-013)

在线阅读

6

PDF下载

541

摘要：

针对电信客户流失预测问题，在数据缺失情况下，基于贝叶斯网络（Bayesian network，BN），用最近邻算法填补缺失数据，并将两类定性约束融入贝叶斯网络参数学习过程，用以提高流失客户预测精度。仿真及实际数据分析结果表明，所提算法较经典的期望最大化（expectation maximization，EM）算法有明显优势，在牺牲代价较小的忠诚客户预测精度的情况下，得到了更高的流失客户预测精度。

关键词: 贝叶斯网络, 参数学习, 数据缺失, 最近邻算法, 定性约束

Abstract:

Aiming at prediction of telecom customer churn,a novel method was proposed to increase the prediction accuracy with the missing data based on the Bayesian network.This method used k-nearest neighbor algorithm to fill the missing data and adds two types of monotonic influence constraints into the process of learning Bayesian network parameter.Simulations and actual data analysis demonstrate that the proposed algorithm obtains higher prediction accuracy of churn customers with the loss of less cost prediction accuracy of loyal customers,outperforms the classic expectation maximization algorithm.

Key words: Bayesian network, parameter learning, data missing, nearest neighbor algorithm, qualitative constraint

中图分类号: 

No Suggested Reading articles found!