申请/专利权人：杭州电子科技大学

申请日：2020-10-19

公开（公告）日：2024-04-09

公开（公告）号：CN112288465B

主分类号：G06Q30/0201

分类号：G06Q30/0201;G06F18/214;G06F18/2321;G06F18/25;G06F18/2413

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.02.23#实质审查的生效;2021.01.29#公开

摘要：本发明公开一种基于半监督聚类集成学习的客户细分方法，本发明首先收集客户的特征信息，将特征信息数字化，构建客户特征信息数据集；利用少量的标签样本来初始化聚类中心，并设置核模糊聚类算法的模糊度和高斯宽度两个参数，生成若干个差异性较大的基聚类；利用标签样本的聚类准确性来计算各基聚类的可信度；通过近邻法和各基聚类的可信度来构造质量函数；最后利用D‑S证据理论将质量函数进行证据融合，得到聚类结果。本发明将半监督集成学习引入到客户细分中，解决了算法参数敏感性的问题；利用了先验信息合理估计各基聚类的可信度，改变各基聚类在融合过程中所占的比重，解决了证据冲突问题，使得融合结果更加合理，提高了客户细分的准确性。

主权项：1.一种基于半监督聚类集成学习的客户细分方法，其特征在于，该方法具体包括以下步骤：步骤一：收集客户多个特征信息，将所有信息数字化，选取典型特征客户，作为先验信息，打上标签，构建客户信息数据集；步骤二：利用部分标签样本初始化各基聚类的聚类中心；步骤三：利用半监督核模糊聚类算法，对客户信息数据集进行聚类，生成若干个基聚类成员；步骤四：计算各基聚类中标签样本的聚类准确性AC，根据可信度计算公式，得到各基聚类的可信度CL； 其中α为可信度指数，h表示基聚类成员个数，AC＝{AC1,AC2,…,ACh}；步骤五：通过近邻法，计算样本在各基聚类属于各个类的概率，并结合基聚类的可信度，生成质量函数；在所有基聚类中，统计任意两个样本分在同一个类别的次数，当大于一定次数时，这两个样本就具有相似性，则称为邻居样本；如果样本xi和样本xj是邻居关系，则S′ij＝1，否则S′ij＝0；定义样本xi在聚类成员q中的质量函数为具体形式如公式2所示： 式中表示的是满足在聚类成员q中，与样本xi属于邻居关系，且出现在簇k中的所有样本组成的集合，表示的是满足上述条件的个数，Θ表示全集；步骤六：最后利用D-S证据理论将步骤五生成的质量函数进行融合，得到样本属于每个类的概率,即将客户分成c个类，取概率最大的类作为样本的类别，完成最终的分类。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于半监督聚类集成学习的客户细分方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD