关键词:
差别矩阵
属性约简
BP神经网络
数据挖掘
客户行为
数据仓库
通信行业
摘要:
在通信行业中,海量的客户数据被存储在数据仓库中得不到充分应用,这些数据中隐藏的信息不仅可以为决策者提供决策支持,还能为通信行业挖掘出潜在的客户,实现业务增值,同时通过充分利用这些数据还能更好的为客户服务。因此,本论文利用粗糙集和神经网络建立了一个数据挖掘模型。\n 本论文是对数据挖掘技术的一次探索性研究,主要是对数据挖掘技术进行了改进,结束了单一数据挖掘技术的应用。粗糙集理论中差别矩阵算法具有迅速、简易求得约简属性集等优点,神经网络具有自学习能力和误差反向回馈等优点,基于这两种方法的优点,建立了一种基于这两种方法的数据挖掘模型。该模型采用这两种方法的优点,摒弃这两种方法的缺点,通过对客户数据进行分析,挖掘出潜在的关联规则,实现数据挖掘。\n 数据挖掘技术从上一个月的电信189邮箱客户数据结果中获得有用的关联规则,训练BP神经网络,从而预测这个月的数据信息,挖掘潜在客户,实现业务增值,增加利润。该方法的实验过程为:利用粗糙集属性约简方法约简属性集,从而降低客户数据的冗余性,减小数据量,并且缩短神经网的络训练过程。与此同时,该方法在正确率上还能得到提高。利用粗糙集方法对电信客户属性进行约简,找出重要的属性,并利用这些属性建立神经网络筛选方法,然后利用上个月的电信客户数据对BP神经网络进行训练,训练完成后对训练结果进行实际实验,得出实验结果,然后再将实际结果应用到实际工作当中,通过实际应用得到该数据挖掘技术的正确率,对本实验进行修改,进一步完善,最终达到预期的效果。该方法在数据挖掘技术的时间复杂度和空间复杂度上做了优化,提高了数据挖掘技术的效率和准确率,降低了算法的内存占有量和运算时间,数据挖掘方法得到了改进和优化。\n 本论文是对数据挖掘技术的一次尝试创新,并且取得了阶段性的成果,数据挖掘技术的正确率得到了提高。该方法不仅将数据挖掘理论成果的引用到了电信行业,而且还对相同行业具有理论指导作用,对数据挖掘技术的扩展起到积极地作用。