一种基于复合近邻的聚类中心点初始化算法

提出了一种有效选择初始聚类中心的算法CNICC.该算法参考了网格聚类算法的思路.划分数据空间为相应维度上的网格单元,然后根据实例的分布情况确定初始聚类中心.从二阶差分的概念出发,CNICC定义了网格单元的一阶邻居和二阶邻居,算法根据每个网格单元的一阶和二阶邻居的局部密度变化寻找包含聚类中心的网格单元.在人工数据集上进行的实验表明,与现有初始化聚类中心的方法相比,CNICC能够有效减少K-means算法的迭代次数,提升聚类精度.同时,随着数据集实例数、维度和网格单元数量的增加,算法的时间复杂度呈线性增加.     

用"东方"模式切入互联网经济

中国电信这样的固网运营商在3G牌照发放的前夜面临着移动运营商疯狂的价格攻势,受到固网粘性下降、语音业务存量流失严重、互联网业务应用发展不畅、宽带用户增长缓慢等一系列问题的困扰。介绍中国电信宁波市分公司的“东方商城”网站及其商业模式,分析其盈利原因和运营流程的合理性,并进一步指出了其他运营商和本地网要把握的关键点和可能的改进方向。     

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.     

数据挖掘运营商提升品牌建设的好帮手

2004年,我国运营商大打品牌之战,然而在品牌建设中还存在诸多盲点。例如在某些价格战激烈的地区尤其是中小城市,市场细分非常混乱,资费种类众多但覆盖不了相应的客户群,这使得客户的离网率很高。实际上,许多运营公司已觉察到这一现象并在积极采取措施理顺品牌体系。在此,笔者将介绍一种帮助运营企业提升品牌建设的有效方式—数据挖掘技术。     

加强品牌建设减少客户离网

文章针对某些地市的电信运营商品牌建设的现状和存在的困难，分析了客户离网加剧，品牌建设不力的症结和成因，从理论上纠正了一些不够科学的概念和操作，提出了客户离网的根本原因是品牌建设不力的观点，进而给出了一些创新性的应用方法，并设计了合理的工作流程。     

基于数据挖掘技术的电信业客户流失管理框架

本文首先阐述了客户资源的重要性,然后对客户流失这一当今运营商普遍遭遇的难题进行了分析.接着从理论上指出了过去客户保持手段的弊端,分析了防止客户流失的新思路和途径,并总结和归纳了电信业以客户流失管理为主题的数据挖掘项目的几个关键点.在此基础上,提出了基于数据挖掘的客户流失解决方案框架.     

决策树分类准确率极限的研究

采用最大分类树作为分析经验风险与结构风险的工具，对决策树分类准确率极限进行了研究。针对决策树模型的分类效果难以客观评价的问题，讨论了决策树分类准确率极限的存在条件，给出了求出该极限的方法。以最大分类树作为分析工具，提出了在经验风险和结构风险4种分布条件下分类准确率极限是否存在的4个定理，并从机器学习理论和工程建模实践2个角度进行了讨论。实验验证了该理论的正确性。     

基于双半径密度差异的孤立点检测算法

针对现有基于密度的孤立点检测算法的不足,给出了一种新的基于密度的孤立点定义,并提出了相应的基于双半径（DR）密度差异的孤立点检测（OD）算法——DROD。该算法通过考察数据空间内任一点的双邻域半径与邻域半径内的数据密度的差异,有效地识别孤立点。DROD算法摒弃了传统孤立点检测方法中的k-近邻查询,大大节省了时间开销。在人工数据集和真实数据集上的实验表明,与现有孤立点检测算法相比,DROD算法在时间复杂度和孤立点的寻找能力方面均有较优表现。     

数据挖掘在通信行业品牌建设中的应用

1品牌建设困境一般认为,不同品牌应该对应不同的客户群,这正是品牌存在的意义。中国移动的“全球通”品牌,对应的就是高端商务客户,“动感地带”品牌对应的是学生和年轻人,“神州行”品牌对应的是话务量较少的无月租用户。如果每个品牌能够覆盖大多数的该品牌目标客户,则该市场内品牌的细分设计和营销工作是成功的;相反,如果每个品牌的客户组成都是一样的,各个层次各个类型的客户都有,那么这个品牌建设是失败的。在某些市场细分做的比较好的地区,中高端客户集中在全球通,享有更高水平的服务,缴费也较多,为移动公司提供大量利润;中低端客户集…     

融合网格密度的聚类中心初始化方案

提出了一种采用密度指针的聚类中心初始化方法——density pointer (DP) 算法。DP算法以网格单元的几何中心为对称中心，连接该中心与网格单元各顶点，以此对称分割传统的类矩形网格单元，形成超三角形子空间；进而根据各个超三角形子空间与邻居单元相邻的超三角形子空间的密度差异确定密度指针的方向，并根据密度指针计算出每个密集网格单元的聚集因子；最后将具有较大局部聚集因子的网格单元族的重心作为初始聚类中心。在公开数据集和人工数据集上的实验结果表明，DP算法能快速高效地找到接近于真实聚类中心的数据点作为初始聚类中心。针对算法的效率实验表明，DP算法的时间开销与数据集实例数、维度及网格单元数量均呈一阶线性关系。