K-means聚类算法在民航客户细分中的应用

针对客户关系管理中客户价值这一问题,通过对航空公司现有数据仓库中客户信息的分析,采用数据挖掘技术中的K-means聚类算法建立民航客户细分模型,并通过实验将民航客户细分为3类,提出了对这3类航空客户的相关营销策略。实验结果表明该方法能突出客户之间的行为特征差异,更加准确地划分客户类型,进而使得客户价值约提高30%。     

蚁群聚类算法在客户关系管理中的应用

蚁群算法是优化领域中一种新兴的生物进化算法,与传统的算法相比,其具有并行、正反馈和启发式搜索等特点.在此,运用蚁群聚类算法对客户关系管理中的客户分类问题进行分析.结果表明,通过此算法对企业的客户消费数据进行分类,以此来获取不同类型客户的需求,对支持企业决策方面有着极为重要的理论参考价值和实际应用意义.     

基于混合聚类算法的客户细分策略研究

针对层次聚类法和 K-means 聚类法的缺陷和不足,提出将二者相结合的改进算法,既解决了层次聚类法伸缩性差的问题,又解决了 K-means聚类法对初始聚类中心敏感的问题。通过对改进算法的计算复杂度分析并利用 UCI 数据库的测试数据对改进算法进行测试。结果表明,混合聚类算法使样本聚类的准确率提高到94%,并有更高的执行效率和更好地实用性。此外,将此算法应用到汽车销售公司的客户细分管理中,得出了差别化明显的客户细分类别,表明此改进算法具有更强的客户细分能力以及客户行为特征的解释能力。     

改进蚁群算法在文本聚类中的应用研究

提出了一种改进蚁群文本聚类算法.改进蚁群文本聚类算法利用信息素对蚂蚁随机移动进行控制,使蚂蚁朝着文本向量相对集中的区域移动,缩短蚂蚁寻找文本向量簇的时间,提高聚类效率.采用复旦大学中文文本分类语料库进行仿真实验,实验结果表明,改进蚁群文本聚类算法不仅加快了文本聚类算法的收敛速度,而且提高文本聚类结果的精度.     

电信客户细分中基于聚类算法的数据挖掘技术研究

结合市场细分和数据挖掘技术等相关理论,针对电信行业客户细分领域存在的问题,以某市电信公司提供的二十多万客户数据作为研究对象,基于CRISP-DM数据挖掘模型,通过数据挖掘工具中提供的K-means聚类算法完成对电信市场客户准确、有效的聚类细分,为管理和营销人员初步提供了制定管理或营销计划的依据。在完成客户细分模型的基础上,设计和实现了电信客户细分系统,并编码实现该系统功能的主要模块,将客户细分的整个流程通过自动化的过程描述出来。     

K-means算法在移动客户细分中的应用研究

本文重点讨论了聚类分析方法中K-means聚类算法在客户价值分析中的作用,通过对客户的现有价值和潜在价值进行分析,对客户进行细分.并针对某地区移动公司的客户数据信息,用K-means算法进行了详细的实例分析.     

改进模糊聚类算法在客户关系管理软件中的应用

本文考虑到现有CRM的局限性,引入了模糊数学相关算法,给数据对象的隶属度加上一个权值,以及在算法中用有效性函数来自动确定聚类数目C,理论分析与实验结果表明,在CRM环境下所引入的改进模糊聚类算法比传统模糊聚类算法有更好的聚类效果,更快的聚类速度。     

一种与k-prototypes混合的蚁群聚类算法的浅探

本文介于k—prototypes和蚁群聚类算法的优,缺点,将两种算法进行改进后,交替使用,相互弥补．扬长避短,形成一种全新的算法,既缩短了聚类时间也能形成高效的聚类结果。     

基于蚁群算法的文本分类和聚类

为了研究并提高文本的分类和聚类算法的性能,笔者根据蚁群算法在TSP问题中的应用方法,将其改进引用到文本的分聚类中。在文本聚类中,改变蚂蚁的信息素释放机制,道路节点的聚合方式,最终将相似文本进行聚合。在文本的分类中,将所需要的分类信息装入蚂蚁,蚂蚁根据系统外部所希望的方式将文本分类。实验结果证明,这种新的算法可以使文本分类和聚类的准确度提高,蚁群算法在文本分类聚类中的应用是可行的。     

一种基于信息素的蚁群聚类算法

提出了一种改进的蚁群聚类分析算法,通过改进LF算法中群体相似度函数,加入参数的自适应调整策略,利用短期记忆和网格信息素的局部分布控制蚂蚁的随机移动,并结合蚂蚁速度动态变化、半径递增、强制放下等特性。采用测试数据和不同的算法进行了对比实验分析,仿真实验结果表明,该算法显示出了较高的稳定性和准确率。     

基于蚁群算法的文本聚类处理的研究

为了研究并提高文本的聚类算法的性能,根据蚁群算法在TSP问题中的应用方法,将其改进引用到文本的聚类处理的研究中。在文本的聚类处理研究中,改变蚂蚁的信息素释放机制,道路节点的聚合方式,从而最终将相似文本进行聚合。对改进的算法进行实验后的结果证明,这种新的算法可以使文本聚类的准确度提高,具有良好的聚类效果,能有效提高查询的文本召回率。蚁群算法在文本聚类中的应用是可行的。     

基于蚁群算法的模糊C均值聚类的改进研究

在图像分割的研究中,模糊C均值(FCM)聚类算法较之前的硬聚类有了很大的改进,是一种基于函数最优方法的聚类算法,然而传统的FCM算法的聚类中心及个数难以确定,搜索过程易陷入局部最优。因此,提出一种基于蚁群算法的改进的FCM聚类算法。该算法利用了蚁群算法全局优化特征以及较强鲁棒性的特点,将通过蚁群算法得到的聚类中心及个数应用到传统FCM算法中,弥补了传统FCM聚类算法的不足。该算法对图像进行分块处理,并引入多尺度梯度,提高了图像分割的准确性,最后通过实验验证了该算法的有效性及实用性。     

基于蚁群算法的K-Means聚类雷达信号分选算法

在现代战争中随着新体制雷达的不断涌现,电磁环境变得越来越复杂,这就对雷达信号分选提出了新的挑战。目前普遍采用的基于直方图统计的信号分选方法越来越不适应现代雷达信号环境。文中将聚类分析技术引入到雷达信号分选中,将蚁群算法和K-Means相结合,互相弥补不足,提出了一种新的雷达信号分选方法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

基于改进的蚁群聚类雷达信号分选算法研究

针对新体制、新技术雷达下的雷达侦察接收机,提出一种新的蚁群聚类分析算法,该方法易编程实现,不需要雷达信号的先验知识,适用于处理未知信号的雷达。仿真实验证明分选结果较理想,为雷达信号分选提供了新的思路。     

贝叶斯构造网络算法在电信CRM中的应用

客户流失是各大运营商面临的一个挑战，随着市场的逐渐饱和，减少客户流失成为企业战略发展的一个重要组成部分。数据挖掘技术的核心功能在于通过历史数据预测未来的发展趋势，数据挖掘技术的使用可以在客户流失前及时给营销人员预警，使营销人员可以及时的挽留客户，从而降低客户流失率。本文通过对客户流失的业务需求和数据挖掘技术的介绍，提出了一种客户流失预测分析的解决方案。     

基于蚁群聚类的二部图网络推荐算法

二部图网络推荐算法是近几年研究较多的推荐算法,但在进行资源分配时都是基于全部用户的资源,大量不相干的用户使得用户间的耦合度下降,影响推荐质量。针对该问题,文中利用蚁群聚类算法基于用户进行聚类,后根据项目一定半径内的项目集合进行二部图网络推荐,实验结果显示在一定条件下该算法相比原来算法有较好的推荐性能,表明该算法在一定的条件下能降低耦合度过低的影响。     

改进的蚁群算法及其在TSP中的应用研究

提出一种改进的蚁群算法,其核心是应用遗传算法对蚁群算法的 4 个控制参数(α、β、ρ、q0)进行优化,以及运用 MMAS(max-min ant system)进行寻径,新算法具有全局搜索能力强的特点。对旅行商问题(TSP)的仿真实验结果表明:新算法的优化质量和效率都优于传统蚁群算法和遗传算法。     

基于蚁群聚类项目评分预测的推荐算法研究

针对数据稀疏性问题,提出基于蚁群聚类的项目评分预测方法.在对Web日志分析基础上将用户聚类,针对目标用户的未评分项目,找到目标用户的若干最近邻类簇,利用类簇内其他用户对目标项目的评分预测未评分项目的评分,从而达到降低数据稀疏性目的.最后,结合协同过滤思想设计了相应的推荐算法,并用从自主开发的旅游电子商务网站上收集的数据进行试验仿真.实验结果表明,与其它缓解数据稀疏性的方法相比,文中的方法显著提高了推荐精度.     

基于数据挖掘的移动通信业客户细分研究

随着3G时代的到来,移动通信业竞争日益加剧,客户细分工作显得越来越重要.本文以CRISP-DM方法论为基础,探讨聚类分析方法在移动通信客户细分领域的应用,并重点比较了经过R型聚类提取细分变量前后聚类效果.     

基于连接强度的PPI网络蚁群优化聚类算法

 由于PPI网络数据的无尺度和小世界特性,使得目前对此类数据的聚类算法效果不理想.根据PPI网络的拓扑结构特性,本文提出了一种基于连接强度的蚁群优化(Joint Strength based Ant Colony Optimization,JSACO)聚类算法,该算法引入了连接强度的概念对蚁群聚类算法中的拾起/放下规则加以改进,以连接强度作为拾起规则,对结点进行聚类,并根据放下规则放弃部分不良数据,产生最终聚类结果.最后采用了MIPS数据库中的PPI数据进行实验,将JSACO算法与PPI网络数据的其他聚类算法进行比较,聚类结果表明JSACO算法正确率高,时间开销低.