聚類和關聯(lián)算法在移動客戶通話行為中的應用研究.pdf

1、數(shù)據(jù)挖掘技術是信息科學領域的前沿研究課題之一，已廣泛應用于市場營銷、醫(yī)學、農(nóng)業(yè)、電信等各種領域。隨著電信市場競爭的不斷加劇，如何針對不同的客戶群實施差異化營銷和服務，對客戶進行細分和分類已成為當前電信企業(yè)的迫切需求。本文結(jié)合工程實際，研究數(shù)據(jù)挖掘和數(shù)據(jù)倉庫技術在移動客戶通話行為中的應用問題。
　　 本文介紹了當前電信企業(yè)數(shù)據(jù)挖掘工作的現(xiàn)狀和發(fā)展趨勢，分析了將數(shù)據(jù)挖掘技術應用到電信企業(yè)中的必要性和可行性。在此基礎上，深入研究了數(shù)據(jù)

2、挖掘聚類分析中的Clique聚類算法和關聯(lián)分析中的Apriori算法，并給出了將其運用到移動客戶通話行為細分的建模過程。
　　 Clique算法具有網(wǎng)格類算法效率高的優(yōu)點，對于大型數(shù)據(jù)庫中的高維數(shù)據(jù)的聚類非常有效，但它在并行處理、零數(shù)據(jù)處理、減少鋸齒型邊緣數(shù)據(jù)有一定局限性。針對移動客戶數(shù)據(jù)集的特點，本文對Clique算法進行了討論，給出了一種改進的一維Clique算法，并通過SQL語言與現(xiàn)有Oracle數(shù)據(jù)庫進行實現(xiàn)。實驗表明，

3、改進的算法應用于數(shù)據(jù)預處理，運行效率更高。
　　 實際應用中，由于關聯(lián)規(guī)則挖掘的數(shù)據(jù)集有時可達GB甚至TB數(shù)量級，而關聯(lián)規(guī)則挖掘傳統(tǒng)Apriori算法主要考慮的問題是減少I/O操作和降低需要計算支持度的項目集的數(shù)量。本文針對Apriori算法存在的局限，給出了一種動態(tài)調(diào)整并行運行的改進Apriori算法，在每次循環(huán)時，依據(jù)規(guī)則減小事務數(shù)據(jù)集D，同時將大型頻繁項集前k-1項ID采用Hash函數(shù)進行動態(tài)分解，分裂成多個項目集，由此實

4、現(xiàn)多機器或多進程并行運行，并在每次循環(huán)結(jié)束時再進行合并。實驗結(jié)果表明，該方法可以明顯提高挖掘效率，使得原本海量數(shù)據(jù)的關聯(lián)規(guī)則挖掘工作，可以采取多進程多機器并行實現(xiàn)。
　　 最后，本文討論了上述改進算法在移動用戶通話行為分析系統(tǒng)中的應用問題。根據(jù)數(shù)據(jù)挖掘的設計思想，文中給出了分析系統(tǒng)的設計并建立了新增用戶客戶細分模型。并以移動BOSS系統(tǒng)為實際數(shù)據(jù)源，利用改進的Clique算法對其進行數(shù)據(jù)預處理，再運用改進的Apriori算法，對