聚類融合算法研究及其在電信中的應(yīng)用.pdf

1、聚類，作為數(shù)據(jù)挖掘技術(shù)研究的熱點之一，受到了越來越多的關(guān)注。目前已有很多比較成熟的聚類算法，如K-means、K-medoids、BIRCH、CURE、DBSCAN、STING等。雖然其中有些算法已經(jīng)得到廣泛應(yīng)用，但由于聚類分析算法對于數(shù)據(jù)集有諸多限制，所以很難找到適合的方法進(jìn)行聚類分析。由此，聚類融合算法應(yīng)運(yùn)而生。2002年，聚類融合算法一經(jīng)提出就得到廣泛關(guān)注。實驗證明，該方法能夠得到比單一聚類算法更優(yōu)的結(jié)果。但其自身并不成熟，仍存在

2、許多問題，如關(guān)鍵參數(shù)設(shè)定、“軟”“硬”聚類的融合、共識函數(shù)的設(shè)計及選擇等。本文所做工作如下： 1.本文在深入了解聚類融合算法的基礎(chǔ)上，重點考察了利用k-means算法產(chǎn)生聚類成員的聚類融合算法中各成員的聚類個數(shù)與最終融合質(zhì)量的關(guān)系，并提出了一種改進(jìn)算法以提高聚類融合的精確度。首先，根據(jù)聚類成員之間存在差異度的思想，定義了一種差異度計算公式；其次，通過實驗考察各個聚類成員的聚類個數(shù)與目標(biāo)聚類個數(shù)的差值對融合結(jié)果的影響，制定了加權(quán)函

3、數(shù)的計算公式。實驗數(shù)據(jù)證明，改進(jìn)算法在精確度方面優(yōu)于原算法。 2.電信中客戶細(xì)分模型多用K-means算法來進(jìn)行，但該方法在實際應(yīng)用中存在許多問題：需要專業(yè)人員指定聚類個數(shù)并對結(jié)果做出經(jīng)驗判斷、劃分結(jié)果“過硬”等。本文將聚類融合改進(jìn)算法引入客戶細(xì)分中，以某市電信公司小靈通業(yè)務(wù)數(shù)據(jù)挖掘為背景，針對客戶通話、短信等行為屬性特征進(jìn)行客戶細(xì)分。過程中使用聚類融合改進(jìn)算法，能夠有效解決上述問題并得出合理的聚類結(jié)果，同時通過對Co-asso