电信用户呼叫行为的模糊聚类研究

电信用户的通话行为聚类分析是一个新的研究领域,属于数据挖掘范畴。为了对用户行为进行有针对性的分析挖掘,发现客户行为中隐藏的、有用的、未曾预料的知识,采用了模糊C均值(FCM)聚类算法,以模糊数学理论知识作为客户行为聚类分析的方法,为电信企业客户分析提供了量化依据,并采用Matlab为计算工具,给出了一个聚类分析实例,并初步建立了通话行为模型识别机制。实验证明,本文采用的模糊聚类方法得到了满意的分析结果。     

基于公共服务的知识管理系统的研究

随着知识经济时代的到来，知识管理的成效已成为现代企业管理创新与发展亟待解决的秉大问题。该文就所实现的软件企业知识管理的主要工具——“基于公共服务的知识管理系统”的架构和采用技术进行了探讨。该系统建立了一套完善的知识管理机制，弗通过运用协吲过滤聚类算法进行知识推送、运用频繁模式增长算法进行知识关联、运用本体技术进行全文检索等，使知识管理机制的循环过程得到实现。     

一种基于动态模糊聚类算法的客户细分方法

本文提出了基于信息熵和K均值算法混合迭代模糊聚类的客户细分模型,解决了模糊聚类的原型初始化参数问题.将信息熵和K均值算法引入模糊聚类中进行分析,并结合联通客户的大样本数据进行实际分析,与传统方法相比,取得了较好的效果.     

基于本体的知识资源模糊聚类分析*

针对知识资源分块的边界模糊性的特点,以知识资源的本体表示为基础,应用基于本体的知识资源模糊聚类方法,通过分解知识本体,计算概念、属性、关系、结构等知识构成元素的空间向量,结合WordNet的词汇映射关系,使用知识本体间的语义距离表示知识资源间的模糊相似度,来实现知识本体的模糊聚类。最后举出实例来描述本文应用的方法,说明模糊聚类方法可以较好地分类知识资源。     

CRM中客户潜力分析评价方法研究

如何分析评价客户潜力是客户关系管理中的重要研究问题之一.在分析目前客户潜力分析评价方法局限性的基础上,提出了采用模糊聚类和多目标群体决策相结合的方法,来对客户潜力进行分析和评价.首先通过对客户信息进行模糊聚类进行数据预处理,然后在此基础上,采用经过改进的多目标群体决策方法对每一类客户进行排序,从中找出有价值的客户.该方法已经成功地应用到某企业的生产实践中去,并取得了良好的效果.     

基于知识量加权的直觉模糊均值聚类方法

针对聚类算法中特征数据对聚类中心贡献的差异性及算法对初始聚类中心的敏感性等问题,提出一种基于知识量加权的直觉模糊均值聚类方法。首先将原始数据集直觉模糊化并改进最新的直觉模糊知识测度计算知识量,据此实现数据集特征加权,再利用核空间密度与核距离初始化聚类中心,以提高高维特征数据集的计算精度与聚类效率,最后基于类间样本距离与最小知识量原理建立聚类优化模型,得到最优迭代算法。基于UCI人工数据集的实验结果表明,所提方法较大程度地提高了聚类的准确性与迭代效率,分类正确率及执行效率分别平均提高了10.63%和31.75%,且具有良好的普适性和稳定性。该方法首次将知识测度新理论引入模糊聚类并取得优良效果,为该理论在其他相关领域的潜在应用开创了新例。     

数据挖掘技术--模糊聚类分析在客户关系管理中的应用研究

企业的竞争重点正在经历着从以产品为中心向以客户为中心的转移，客户关系管理作为一种全新的管理、经营理念，越来越引起商家的重视。在数据仓库中进行数据挖掘正逐渐成为CRM中最核心的部分。本文从CRM中数据分析的不确定性，提出采用模糊聚类的分析方法来分析、预测客户行为。     

基于知识使用场景的知识推送方法研究

针对知识推送问题,建立了基于场景的知识推送模型、场景驱动的知识库模型。采用语义相似度的方法计算知识使用场景的相似度,通过知识使用场景与知识的映射,实现与任务场景最匹配知识的推送。以某气门生产企业的工艺知识推送为例验证了该知识推送方法的可行性。     

基于模糊聚类的粗糙集决策表简化方法研究

决策表是一种特殊而重要的知识系统,在决策支持和数据挖掘等领域有着重要的应用。该文给出了一种基于模糊聚类的粗糙集决策表分析方法。该方法结合模糊集和粗糙集理论,由模糊聚类得出模糊决策表,并可以方便地构造决策表和对决策规则表进行简化。     

一种结合PSOA的模糊K-均值客户聚类算法

运用结合PSO(粒子群优化)算法的模糊均值聚类法进行客户聚类分析是CRM中一个新的研究方向。本文提出将M个客户记录指定字段中出现频率最大的N个字段值作为客户的特征属性,由M个客户的特征属性构成客户模糊聚类的模式样品集,并在均值聚类算法中结合PSO算法,对总的类内离散度和进行优化,使其达到最小值,从而获取最佳客户聚类。实验表明,采用本算法能够得到满意的客户聚类结果。     

基于eLearning的企业知识管理模型

知识管理与eLearning技术能有效提升企业竞争力。首先改进了SECI知识管理模型;然后提出了基于eLearning的企业知识管理模型;最后给出了基于该模型的应用案例。通过对该案例的分析,可以更好地理解eLearning与知识管理在企业中的实际关系。     

基于属性相似度的知识推送

知识推送是知识重用的一个热点问题。在研究了现有推送技术的基础上,提出了一个基于属性相似度的知识推送方法。该方法对用户已经浏览过的知识进行分析,通过计算这些知识的属性相似度得到用户的知识兴趣信息,把用户未浏览的知识与用户知识兴趣信息进行属性相似度匹配,以判断该知识是否符合用户的知识兴趣,从而实现了无需人工干预的知识推送。实验结果表明,该方法具有较高的推送准确性。     

一种基于模糊聚类和粗糙集的产品族设计知识约简方法*

针对产品族设计中产品族共性与产品个性化之间相互冲突的问题,提出了一种基于模糊聚类和粗糙集的产品族设计知识约简方法。通过模糊聚类对设计参数进行离散化和分类,以粗糙集进行知识约简区分出产品族设计参数和个性化产品设计参数,实现产品族综合性能损失最小。通过对通用电机产品族的实例分析,并经与PPCEM方法比较,验证了该方法的高效性和可行性。     

通讯产品概念设计知识管理的研究

归纳总结概念设计过程知识,分析概念设计过程知识管理的任务,提出基于模糊聚类分析的用户需求信息的获取,实现通讯产品概念设计需求信息获取;然后根据设计人员的思维过程,建立手机概念设计过程思维模型。实现实例知识的表示。为构建通讯产品概念设计知识管理系统奠定理论基础。     

知识迁移极大熵聚类算法

为解决数据不足或失真等环境下传统聚类技术效果不佳的问题,基于历史类中心和历史隶属度提出两种知识迁移机制,并与极大熵聚类方法融合提出知识迁移极大熵聚类算法KT-MEC. KT-MEC的优点是：利用历史知识, KT-MEC聚类有效性和实用性明显增强;内嵌迁移机制均不暴露源域数据,从而拥有源域隐私保护能力;KT-MEC基于的“参数寻优+聚类有效性度量”机制理论上保证其性能不差于经典极大熵算法,避免了负迁移问题.     

Fuzzy modeling of client preference from large data sets: anapplication to target selection in direct marketing

Advances in computational methods have led, in the world of financial services, to huge databases of client and market information. In the past decade, various computational intelligence techniques have been applied in mining this data for obtaining knowledge and in-depth information about the clients and the markets. The paper discusses the application of fuzzy clustering in target selection from large databases for direct marketing purposes. Actual data from the campaigns of a large financial services provider are used as a test case. The results obtained with the fuzzy clustering approach are compared with those resulting from the current practice of using statistical tools for target selection     

改进的离群核模糊聚类算法

针对离群点数据的发现问题,提出一种改进的离群核模糊聚类算法,利用先验知识,选择聚类目标函数,并将聚类中心作为初始化参数,有效提高算法的收敛速度,减少其整体运行时间,仿真实验结果表现,该算法是有效的。