基于商空间的聚类方法研究及其在CRM中的应用

论文摘要

本文结合粒度计算中的商空间相关理论与聚类分析进行交叉技术研究,首先给出了一种基于商空间的模糊聚类方法模型,该模型提高了对高维数据的处理能力,并对模糊相似矩阵的构建方法做了改进;其次,通过对一种典型聚类算法进行深入研究,针对其存在的不足予以改进,进而提出了NCQS(New CURD Based on Quotient Space)算法,该算法不仅提高了聚类的质量,而且保持了较高的运行效率;最后,将NCQS算法应用到CRM客户细分实例建模中,实验结果表明该模型能够合理地对客户进行分类,挖掘出有用信息,从而为企业决策提供有效的参考依据。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 选题背景及研究意义
• 1.2 国内外研究现状
• 1.2.1 聚类分析方法的研究现状
• 1.2.2 商空间粒度计算理论的研究现状
• 1.2.3 聚类分析和商空间交叉研究现状
• 1.2.4 CRM 客户细分研究现状
• 1.3 研究内容以及论文组织结构
• 第二章 商空间理论及聚类分析
• 2.1 聚类分析概述
• 2.1.1 聚类分析的概念
• 2.1.2 聚类分析中的相异度度量方法
• 2.1.3 聚类分析的分类
• 2.2 商空间理论简介
• 2.2.1 商空间模型
• 2.2.2 商空间粒度的获取与调节
• 2.2.3 商空间分析法
• 2.3 聚类分析中的粒度原理
• 2.4 本章小结
• 第三章 基于商空间的模糊聚类分析方法
• 3.1 基于商空间的模糊聚类方法概述
• 3.2 相关技术知识
• 3.2.1 模糊聚类分析
• 3.2.2 分层递阶结构
• 3.2.3 商空间粒度聚类分析理论基础
• 3.3 基于商空间的模糊聚类分析方法
• 3.3.1 基于商空间的模糊聚类分析方法的思路及模型
• 3.3.2 基于商空间的模糊聚类分析方法的具体描述
• 3.4 应用实例分析
• 3.5 本章小结
• 第四章 一种基于商空间的 NCQS 算法
• 4.1 NCQS 算法概述
• 4.2 CURD 算法
• 4.2.1 CURD 算法框架
• 4.2.2 相关定义
• 4.3 高维数据的处理方法
• 4.3.1 维约简处理方法的思想
• 4.3.2 信息熵和商空间结合的维约简方法
• 4.4 NCQS 算法
• 4.4.1 算法思想
• 4.4.2 算法描述
• 4.4.3 算法时间和空间复杂度分析
• 4.5 实验分析
• 4.5.1 算法的正确性与精度分析
• 4.5.2 维数对聚类结果的影响分析
• 4.6 本章小结
• 第五章 NCQS 聚类算法在 CRM 中的应用
• 5.1 数据挖掘在CRM 中的应用
• 5.2 客户细分相关理论
• 5.2.1 客户细分的概述
• 5.2.2 客户细分的实现过程
• 5.3 基于NCQS 算法的客户细分模型
• 5.3.1 客户细分模型的设计
• 5.3.2 客户细分模型的运行过程
• 5.3.3 模型的解释和分析
• 5.4 本章小结
• 第六章 总结
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况