自适应属性加权近邻传播聚类算法

针对多维数据属性对聚类分析结果有不同重要程度影响的问题,提出一种基于自适应属性加权的近邻传播聚类算法。该方法通过考虑多维数据属性权值的重要度,在近邻传播聚类过程中引入属性加权相似性矩阵计算,并根据当前数据聚类划分的结果来分析目标评价函数,计算各个属性对当前聚类的贡献程度。随后根据贡献程度的计算结果自适应地更新属性权值,并通过属性加权相似性矩阵来重新计算近邻传播算法中的两种竞争信息,进而提高聚类结果的质量。数值实验结果表明,新方法能够有效实现属性权值的自适应调整,提高近邻传播算法的聚类效果,与其他传统聚类算法相比新方法具有更好的聚类质量。     

流数据聚类中多属性的计算

针对传统聚类算法对维度较低的数据集和纯数值型数据或纯分类型数据聚类效果较好,却很难适用于多维度多类别属性数据计算的问题,提出一种依靠提取主要指标属性的多属性聚类算法,这些主要指标可以最大限度反映原来指标的信息.该方法针对多类别属性将所有变量放在一起进行处理,提高了聚类效率.     

多维数据的改进最小生成树聚类算法

针对传统的应用于基因表示的最小生成树(MST)聚类算法在时间复杂度和聚类质量上的不足,提出了一种新的应用于数据处理的改进最小生成树(IMST)的聚类算法.该算法在提高构造最小生成树的效率的同时,通过对初步划分的生成树用矩阵表示,以度最大的结点作为聚类中心,再根据中心点算法完成聚类,解决了以往最小生成树算法无法解决的多个簇用短边或长度相同的边相连无法分类的问题,从而提高了聚类速度,改善了聚类的质量.通过对多维数据进行分析,计算各个属性的差异度,得出结论:一些属性的存在对于构造最小生成树有很小的影响或没有影响,删除这些属性列也可以提高效率,达到减少计算复杂性的目的.     

CRM中的模糊C均值(FCM)客户聚类算法研究

客户关系管理(CRM)中的客户聚类分析是一个新的研究领域,属于数据挖掘的应用范畴.CRM利用数据挖掘技术发现客户数据背后隐藏的、有用的、未曾预料的知识.包括利用聚类方法划分顾客类别.本文提出用模糊C均值(FuzzyC Means,FCM)聚类算法作为客户聚类的方法,得到不同客户群的聚类中心以及客户的隶属度矩阵,为客户群的特征分析提供了量化依据.并采用Matlab6.1为计算工具,最后给出了一个聚类分析实例.实验证明,本文采纳的方法可以得到满意的客户聚类结果.     

面向模块化设计的客户需求分析

将灰色系统理论中的灰色关联度聚类模型运用于客户需求的量化分析,分析了模块化设计与客户需求之间的关系,提出了基于灰色系统的客户需求聚类模型.将客户需求描述成一系列的产品属性,每个属性又分为不同的属性水平,不同属性及属性水平组合形成不同的需求模块.客户需求聚类模型根据需求之间的关联相似性进行聚类.首先将客户需求映射到工程指标,对不确定数值的需求进行取值白化;然后根据客户需求对结构的影响进行功能聚类分析,从客户需求中总结出基本功能需求模块、辅助功能需求模块;最后计算需求取值之间的灰色关联度构建层次聚类树图,根据聚类评价准则确定合理的关联度取值,得到最佳聚类结果.以减震器产品为例进行了实例验证,结果表明该算法是有效的.     

一种面向大规模二维点集数据的密度聚类算法

针对密度聚类算法无法应用于大规模数据集的问题,提出一种基于划分网格的密度聚类算法(GDSCAN)。将大规模二维点阵图划分为若干网格,网格最短边不小于给定邻域半径,目标点所在网格中任意点的邻域范围不会超过与该网格直接连接的网格,只需在保留网格内寻找邻域点,从而减少计算量;聚类从任意无类别核心点开始,将该点的所有密度可达组成一个簇,以此类推直至所有核心点都有类别;采用提出的GDSCAN算法对不同数量级的二维路网节点进行聚类验证。结果表明,GDSCAN算法可有效解决大规模二维点阵数据集中密度聚类的效率问题,数据量越大,效果越明显,且时间复杂度明显降低。     

采用属性聚类的高维子空间聚类算法

为了解决现有子空间聚类算法时间复杂度偏高以及对输入参数敏感的问题,提出了一种基于属性聚类方法的高效子空间聚类算法.算法首先通过计算每个属性的基尼值来过滤冗余属性,而后通过基于二维联合基尼值的关系函数建立非冗余属性的关系矩阵,以衡量任意两个非冗余属性的相关度, 进而在关系矩阵上应用可产生交叠的聚类算法,聚类结果即为所有兴趣度子空间的候选集合,最后调用聚类算法得到所有存在于这些子空间内的簇.在人工数据集和真实数据集上的实验表明,新算法不仅在时间复杂度和子空间簇的寻找能力方面均有较优表现,而且对输入参数的取值不甚敏感.     

属性分布相似度吸引子传播聚类算法研究

传统吸引子传播聚类算法对数据类型敏感,文中提出一种改进的吸引子传播聚类算法,将JACCARD系数引入对象间属性分布相似度,并与吸引子传播聚类算法结合。仿真实验结果表明,该算法收敛速度快,聚类精度高,明显提高高维稀疏数据的聚类性能。     

半监督语义动态文本聚类算法

针对传统的动态文本聚类将描述方式不同的同类文本划分到不同组中;以及聚类类别个数与真实类别数之间差距明显等问题,该文提出了一种半监督语义动态文本聚类算法（SDCS）。该算法以语义表征文本的方式来捕获文本间的语义关系,在聚类过程中动态学习类别语义,让文本能根据语义准确聚类。同时该算法利用半监督聚类的方法对新类的产生进行监督,学习符合实际情况的聚类结果。实验结果表明该文提出的算法是有效可行的。     

基于离群点识别的聚类结果属性特征簇发现

对聚类结果的理解有助于评价聚类效果,可以据此调整聚类过程,更高效地使用聚类结果.但是,聚类结果的理解仍然是一个尚未解决的问题.提出了基于离群点识别技术分析任意聚类算法的聚类结果,发现了聚类结果属性特征簇的方法;提出一种基于不相似性比值的离群点识别算法.通过对全部数据簇的属性描述进行离群点分析,发现各数据簇的特征属性,实现对聚类结果的理解.所提方法适用于任意聚类算法结果的分析.对UCI的iris、ZOO和Housing数据集的采用X-means、Frozen和DBScan算法的聚类结果进行聚类结果分析,实验表明所提方法较成功地发现了不同聚类算法的属性特征簇,有助于对聚类结果的深入理解.     

利用数据挖掘加强客户关系管理

为有效地管理和利用庞大的客户、销售数据,通过关联规则、分类预测、时间序列分析、聚类分析、基于Web在客户关系管理中常用到的数据挖掘技术,对客户数据库的大量客户消费信息进行分析和处理,然后将分析结果反馈给管理者和整个企业内部,为企业的客户关系管理工作提供决策支持。数据挖掘技术在客户关系管理中获得新客户,提高顾客价值,保持新客户等领域的应用。     

基于案例推理的客户分析系统构建方法研究

在电子商务时代,以客户为中心的客户关系管理是增强企业核心竞争力的关键．客户资源是企业最重要的资产之一．准确地分析和评价客户,并为其制定相应的营销策略是企业有效实施客户关系管理的基础．本文将案例推理的方法引入客户分析领域,充分利用了专家的经验和知识,弥补了传统分析方法的不足,提高了客户分析系统的智能化水平．     

客户关系管理在房地产企业中的应用

在竞争激烈的房地产市场中，客户是企业生存的基础。根据客户需求提供房地产品，通过改善产品和服务的质量增强客户满意度，同客户建立良好的关系，成为房地产企业取得竞争优势的重要手段。客户关系管理（CRM）由此成为谈论的焦点。对客户关系管理进行了简要的介绍，分析了房地产企业实施CRM的必要性及所面临的困难，提出了实施CRM的步骤，并对房地产企业客户关系管理系统作了初步的研究。     

ERM数据仓库模式探讨

如果一个企业不是垄断经营,市场上的大多数成员就不是它的客户。为了争取潜在的客户,企业必须花费大量的时间和精力去了解和分析用户的行为。在传统的商务中,这项工作更多的是凭直觉而非事实,因为他们无法跟踪非客户的行为。但是,在面向电子商务的数据仓库系统中,可以利用点击流数据去了解和分析用户的行为,通过聚合方法将用户活动连贯成为完整的用户访问历史,并据此争取更多的客户,更好地满足市场的需求。通过比较B2C电子商务环境下CRM和ERM系统的不同,探讨了ERM数据仓库的模式,其中包括可以记载所有用户活动的用户行为事实表、可能的基本数据维表和聚合数据维表,同时探讨了在不同电子商务环境中ERM数据仓库模式的改进方法。     

基于群体智能的一种聚类算法研究

研究了一种聚类组合算法。首先概要介绍了数据挖掘中聚类分析的概念，同时对当前研究的热点群体智能也作了简要的说明，对基本的蚁群聚类算法作了详细的分析，提出了一种基于群体智能的聚类组合算法，借鉴改进的单蚁群算法SACA的聚类收集和标识方法，进行聚类的标识。并根据蚂蚁觅食的转移概率进行二次聚类。实验表明，该算法用于对银行客户细分有较好的聚类效果。     

E商业时代基于数据挖掘的客户关系管理

在分析目前企业实施客户关系管理不足的基础上．深入探讨了数据挖掘技术在企业客户关系管理中的应用,提出了基于数据挖掘的客户关系管理框架,并利用该框架,以商业零售企业为例．给出了基于数据挖掘的客户关系管理具体应用方案。     

基于数据挖掘的CRM

企业实施CRM最主要的目的是从客户数据分析中挖掘客户服务发展方向,基于数据挖掘的CRM提供了一个利用各种方式收集和分析客户数据的智能系统,可帮助企业有效地制订客户发展策略,为客户提供个性化服务,并将极大地提高企业的决策效率和决策能力。     

网格和密度的聚类算法在CRM中的应用

聚类分析是数据挖掘领域中一种非常有用的技术,它用于从大量数据中寻找隐含的数据分布模式,主要有分割法、层次法、密度法、网格法和模型法等。该文主要讨论数据挖掘中一种基于密度和网格的聚类分析算法及其在客户关系管理中的应用。该算法具有较高的聚类效率而且容易实现,可以发现任意形状的聚类,时间复杂度低,聚类精度高,适用于数据的批量更新。该文还提出增量式聚类技术,它不仅能够利用前期聚类的结果,充分提高聚类分析的效率,而且可以降低维护知识库所带来的巨大开销。实验证明了算法的有效性。     

供应链一体化环境下的CRM管理

由于外部环境和自身资源的限制，单个企业在进行CRM时往往在信息和信任方面出现问题而使CRM不能达到预期目标．供应链一体化的CRM是在SCM基础上进行的，SCM为CRM提供系统集成的基础，供应链一体化的CRM保证CRM的信息质量和信息沟通；鼓励供应链上各结点企业集中各自优势为顾客服务；满足顾客需求；增加顾客价值；获得顾客信任；达到顾客、企业和股东价值最大化．