聚类融合算法及其在移动通信企业的应用

摘要

聚类，作为数据挖掘技术研究的热点之一，受到越来越多的关注。聚类的主要任务就是把数据集划分成有意义或有用的组。随着数据库技术的飞速发展，各行各业中的信息数据也急剧地增长，而且数据的类型也由单一的数值型、文本型逐渐转变成混合型，这就对聚类分析技术提出了新的要求。从已有的文献来看，能有效处理混合型数据的算法相对较少。基于这一现状，本文重点研究了面向混合型数据的聚类融合算法，同时对其在移动通信行业中的应用进行了探讨。 本文对已有的算法进行了研究比较之后，提出了一种基于图的聚类融合算法--GCE算法。该算法选取能处理混合型数据的k-prototypes算法和CBL算法作为聚类成员进行融合，以图为基础，利用图中顶点和边的权值设置来确定数据点之间的联系，通过数据点之间共享最近邻数来确定融合函数。通过公共数据集上的实验，结果表明该算法不仅能很好地处理混合型属性数据，而且得到比单一算法更为优越的结果。此外，本文还分析了4种聚类成员差异性度量与融合准确度之间的关系，实验结果表明成员大小为15到20左右，待聚类数据集有均匀簇分布时，各种差异性度量与融合方法性能间的相关程度最高。 本文最后将此聚类融合算法成功应用于移动通信企业客户细分。通过对用户资料、通话行为、服务行为等相关的属性进行数据挖掘，分析了各用户群的通话行为特征与服务类型特征以及各用户群与收益之间的关系，实验结果证实了该聚类算法的有效性。

目录

文摘

英文文摘

声明

第一章 绪论

1.1数据挖掘研究综述

1.1.1数据挖掘的研究背景和方法论

1.1.2数据挖掘的应用和研究方向

1.2数据挖掘中的聚类分析

1.2.1聚类分析的意义及研究现状

1.2.2混合型数据聚类问题

1.3论文内容及结构安排

1.4小结

第二章 聚类分析与聚类融合

2.1聚类分析

2.1.1聚类的定义

2.1.2聚类分析中的数据结构和数据类型

2.1.3主要聚类方法的分类及对比

2.2聚类融合

2.2.1聚类融合研究概述

2.2.2聚类融合的研究内容和主要进展

2.2.3聚类融合中的差异性度量方法

2.3小结

第三章 基于图的聚类融合算法(GCE)

3.1算法思想

3.1.1现有聚类算法存在的问题

3.1.2算法改进思路

3.2聚类融合算法关键技术

3.2.1聚类成员的选取

3.2.2融合函数的设计

3.2.3簇有效性的监督度量

3.3算法描述

3.4算法复杂度分析

3.5实验结果分析及算法比较

3.5.1实验结果分析及比较

3.5.2与单一算法比较

3.6聚类融合差异性度量分析

3.7小结

第四章 聚类融合算法在移动通信行业中的应用

4.1背景

4.2客户细分

4.2.1移动通信企业中的客户细分

4.2.2现有客户细分方法及其问题

4.3聚类融合算法在通信行业中的应用实例

4.3.1移动通信客户细分模型

4.3.2需求分析

4.3.3数据准备

4.3.4 GCE算法在移动通信中的应用

4.3.5结果呈现与评估

4.4小结

第五章 总结与展望

5.1工作总结

5.2研究展望

参考文献

致谢

攻读学位期间主要的研究成果