系统聚类在客户关系管理中的研究与应用

提出了一种基于粗糙集联系度的聚类分析新方法,首先用粗糙集和集对分析理论对信息系统进行知识约简,然后用聚类的方法对约简后的信息系统进行聚类分析,论述了该方法的聚类过程,并给出了聚类分析的实例。     

粗糙谱聚类在文本挖掘中的应用

谱聚类算法利用特征向量构造简化的数据空间,在降低数据维数的同时,使得数据在子空间中的分布结构更加明显。该文提出了一种粗糙谱聚类算法,并将其应用于文本数据挖掘。实验表明,该算法与现有的文本聚类算法相比,准确率有一定的提高。     

粗糙谱聚类在文本挖掘中的应用

谱聚类算法利用特征向量构造简化的数据空间,在降低数据维数的同时,使得数据在子空间中的分布结构更加明显。该文提出了一种粗糙谱聚类算法,并将其应用于文本数据挖掘。实验表明,该算法与现有的文本聚类算法相比,准确率有一定的提高。     

基于最小聚类单元的聚类算法研究及其在CRM中的应用

将聚类分析技术应用于客户关系管理可以改善客户关系，对将来的趋势和行为进行预测，优化营销策略。在综合分析网格聚类算法和K-均值聚类算法的基础上，提出了基于最小聚类单元（Minimum Clustering Cell，简称MCC）的聚类算法，介绍了该算法在CRM中的应用。经证明该算法是一种实用的、速度更快、效率更高的改进聚类算法，它克服了K-均值聚类需要事先给定K值、网格聚类要求数据密集的缺点。     

基于聚类的客户细分方法研究

本文首先对聚类算法进行了分析,然后以中小型商业批发企业为例,设计了一种反映客户价值与客户关系质量的客户细分模型,应用K-Means聚类方法进行了实际的挖掘。探讨在中小型企业不能提供完备数据的情况下,只要设计出合理的细分模型并选择合适的算法仍然可以实现有效的客户细分。     

基于聚类的数据挖掘技术在电子商务CRM中的应用研究

本文通过对电子商务中客户关系管理聚类数据挖掘技术的研究,提出基于CABOSFV算法的客户聚类算法,用于解决客户关系管理中大量高维稀疏数据组成的客户行为数据集聚类分析和信息管理问题。     

聚类算法及其在护理管理中的应用研究

在传统的医疗过程中,医护人员随机分配,患者被动接受治疗的护理管理模式不仅会浪费有限的医疗资源,使患者承受较高医疗费用,有时还会延误最佳治疗时机,引发并发症,给患者和其家庭带来更多的痛苦和困扰。文章通过将几种常见的聚类算法在护理管理中的应用进行比较,最终选择了先验假设较少的层次聚类算法,基于R语言探讨了层次聚类算法分类护理患者的实现过程,说明了层次聚类算法在患者与护理资源的最优匹配中的应用方法,为医院开展科学护理管理提供一定的参考依据。     

基于粗糙集的教育资源检索结果聚类研究

随着教育资源数量的快速膨胀和信息检索的快速发展,能够较为容易的检索出大量的教育资源,但是对于检索出来的大量的教育资源信息,如何进行快速和准确的分析,更方便的服务于学习者,快速的找到所需的资源,对于教育资源的检索是比较重要的。本文针对教育资源的聚类,结合粗糙集理论,使得改进后的算法在边界问题处理上有了近似集的概念,将它用于教育资源聚类领域能够更好地描述资源分类的边界群体。     

基于SPA的动态聚类统计分析及其应用

提出一种新的聚类预测与动态统计分析方法,融合了集对理论中的同异反（identical differentoppose,IDO）不确定性和聚类分析的思想,通过找出最小和最大相似集合,统计每个类别中的最小值和最大值,从而做出相应的决策,并可对不确定值的变化趋势进行预测,做进一步的估计处理.将该方法应用到“BUS教育”中对学生搭乘“BUS”的人数进行估计、预测和统计,对各个知识模块的学习人数进行统计,并给出最大最小值,从而进行适当的师资配置,并结合《计算机文化基础》教学的实际应用,讨论了这种方法的有效性和实用性.     

聚类评价在聚类算法选择中的应用研究

聚类分析是一种无监督的机器学习方法,聚类结果完全取决于所用聚类算法,不同的算法会得到不同的聚类结果,因此面对待挖掘数据选择合适的算法很重要。如何判断哪个聚类算法最合适,或者哪个算法的聚类结果最优,就需要用到聚类评价方法。本文选择各类聚类算法中的经典算法对某汽车4S店顾客消费数据进行聚类分析,最后用两种评价指标对各聚类结果进行评价进而选择出最优的聚类算法。     

基于粗糙集联系度的数据挖掘算法及应用研究

粗糙集理论和模糊集理论都是用来处理不完整和不确定信息的理论,两者都可用来观察、测试数据并进行推理。将集对分析中的联系度概念应用于粗糙集中,说明了粗糙集联系度与下近似集和上近似集的值化的关系。文中分析了专家系统中规则抽取中存在的困难,用粗糙集理论和集对分析理论解决专家系统中规则的抽取和过滤问题,提出了一种新的规则提取方法,并给出了一个应用实例。     

基于粗糙集理论的客户关系管理

粗糙集理论是一种新型的数据挖掘和决策分析方法,利用粗糙集理论进行决策表的知识约简与决策规则挖掘已经成为研究热点。本文介绍了粗糙集的基本理论,通过决策属性支持度定义的条件属性对决策属性重要性的启发式信息,求取决策表的最小约简。并将该方法用于对企业客户进行分类,为客户关系管理的决策支持提供了新的解决方法。     

基于粗糙集的CRM研究

本文介绍了粗糙集的基本理论,及基于粗糙集的知识获取理论模型,并运用这一模型对银行信贷模型进行了分析,通过决策表约简,剔除冗余属性、消除过剩规则,最后得出了属性约简的最小化结果以及决策规则.     

基于粗糙集的CRM研究

本文介绍了粗糙集的基本理论,及基于粗糙集的知识获取理论模型,并运用这一模型对银行信贷模型进行了分析,通过决策表约简,剔除冗余属性、消除过剩规则,最后得出了属性约简的最小化结果以及决策规则。     

基于粗糙集的改进K—Modes聚类算法

传统的K-Modes算法采用简单匹配的方法来计算对象之间的距离,并没有充分考虑同一属性下的两个不同值之间的相似性.基于粗糙集中的上、下近似,提出了一种新的距离度量,并重新定义了类中心,对传统K-Modes算法进行了改进.与其他改进K-Modes算法进行了比较,实验结果表明,基于粗糙集的改进K-Modes算法有效地提高了聚类精度.     

基于相似粗糙集的客户分类管理研究

Pawlak粗糙集理论在分类挖掘中得到了广泛应用,基于相似粗糙集的分类挖掘算法是传统粗糙分类方法的拓展,可以用于在数值型决策表中发现分类规则。客户分类管理是CRM的核心内容之一,科学有效的客户分类管理对于一个企业具有重要的意义。本文阐述了基于相似粗糙集的分类算法及其客户分类应用实例,分类结果表明了该分类方法的有效性。     

Multivariate Analysis and Rough Sets: Two Approaches for Software-quality Analysis

Computer programs are becoming more and more complex and voluminous in most firms. This raises the cost of maintenance. To minimize this cost, qualities must be given to computer programs that assure them good evolution, i.e., reliability, efficiency, flexibility, conformity, etc. This cost minimization must be preceded by a diagnosis that recommend a set of renovation actions to be undertaken in order to improve the software quality. The objective of this study is to associate a set of renovation action to each profile's program expressed in terms of metrics. To do this, two approaches are taken. First, a multivariate analysis is used to allocate each program to a predefined category reflecting the diagnosis of the program's health. Second, we try to work out a diagnosis of the health of these programs by developing a quality model composed of a set of decision rules supporting software quality improvement decisions. We have finally implemented this set of rules in the form of an expert system tool to allow the classification of new programs by the decision-maker.     

粗糙的方向性模糊聚类算法

根据高维数据具有方向性的特征,结合概率模糊聚类算法与粗糙集理论提出了一种粗糙的方向性模糊聚类算法。该算法在概率模糊聚类算法中引入了数据方向相似性函数,能对不确定数据进行处理。在算法中利用粗糙集中的下近似集与边界集来确定目标对象函数,属于下近似集的数据在聚类时是确定的,属于边界的数据具有模糊性。实验结果表明,该算法能有效地对高维的方向性数据进行聚类。     

粗糙集与灰色系统

首先对粗糙集理论和灰色系统理论进行了对比分析,提出了灰集的概念,以及灰集的灰度、灰集间的基本关系及灰集的基本运算的定义,然后给出了可定义灰色集及粗糙灰色集的概念并研究了它们的相关性质,论证了结合粗糙集与灰色系统能够对某些不确定性信息进行更有效的处理。     

基于Rough集理论的Self集的构造和演化算法

提出了一种基于Rough集理论的Self集构造和演化算法。利用Rough集约简算法,对用户的安全访问行为的数据作规范化处理并进行约简,从中提取有效的最简规则,降低了安全数据的冗余,减轻了特征码构造的负担。使用Rough集上、下近似集原理,构造了上、下近似Self集,实现了Self的优化和扩展,有效地解决了Self集的自动演化问题。