SVC 算法在客户资源分析中的应用-郑成柱.docVIP

SVC 算法在客户资源分析中的应用 数学与计算机科学学院 计算机科学与技术 学号：111304072 姓名：郑成柱 指导教师:廖作斌 职称：讲师 【摘 要】:研究了 SVC 算法及其在企业客户资源分析中的应用 ,得出有关客户资源各种属性特征的量化结果 ,使企业 充分认识客户资源的各种属性特征 ,辅助企业进行经营决策 ,达到企业对客户资源的有效管理和结构优化的目的. 【关键词】:支持向量聚类 ;客户资源管理 ;聚类 Application of SVC algorithm to analysis of customer resources Abstract : The support vector clustering ( SVC) algorit hm is employed to give a rational analysis of enter2 prise customer resources ; quantitative result s on t he very property are t hen derived ; it would make en2 terprise to get t he particularities of customer and support t he decision2making. Finally , management and optimization of customer resources would be achieved. Key words : support vector clustering ( SVC) ; customer resources management ; clustering 企业作为一种资源经营实体 ,其目的就是通过对 其拥有和能支配的资源进行经营 ,使其占有和支配的 资源规模不断扩大 ,资源结构逐步优化. 客户资源作 为企业重要的无形知识资源 ,随着市场竞争的加剧和 个性化需求的增加 ,客户需求在市场上渐渐占据了主 导地位 ,企业的产品设计、制造、销售、服务、质量管理 等等业务环节正在逐步向以客户为核心协调统一的 方向发展. 因此 ,企业未来的资源经营应该以客户资 源为核心协调一致 ,这样有助于发挥企业各项资源的最大效用. 本文引入 SVC 算法对客户资源进行聚类 分析的目的就是帮助企业充分认识客户资源的各种属性特征 ,使企业的各种经营活动有的放矢. 一 支持向量聚类 支持向量聚类 ( Support Vector Clustering , SVC) 是一种新的基于核的无监督聚类方法 ,它的本质 是 基 于 支 持 向 量 机 ( Support Vector Ma2 chines ,SVMs) 训练的密度估计 ,而支持向量则被用作构建聚类边界. 支持向量机被广泛用于解决分类 、回归及 新知识检测 ( Novelty Detection) 等问 题[ 1 ,2 ] ,近来又被用作聚类分析[ 3～8 ] ,它是通过适当地到一个足够高维的非线性映射φ( ·) ,使得数据 总能被一个超平面分割[ 9 ] . 本文应用 SVC 进行客户资源聚类分析的最大优点是它不需要事先知道聚 类的目标 ,只要根据给出的希望数据聚类半径值和在野点的控制数量就可以得到相应的一组聚类 ;这 可以帮助分析人员根据生成的客户聚类构建新的模型 ,帮助企业找到更多的客户类别属性 ,进行市场细 分 ,识别出不同的客户群 ,与已知聚类目标再进行聚类的算法互相补充 ,以便更全面地划分客户类别和认识客户属性 ,为企业以客户资源为核心的经营管理策略提供支持 ,另外 ,SVC 算法适合小样本数据的特点也十分适合进行客户资源聚类分析. SVC 算法主要分两部分 : SVM 训练和聚类标识. 其中 SVM 训练部分负责新知识模型的训练 , 包括 Gaussian 核宽度系数的优化 、Hil bert空间最小包络超球体半径 R 的计算 、L agrangian 乘子的 计算以及有界支持向量 (Bounded Support Vec2 tors ,BSVs) 、支持向量 ( Support Vectors , SVs) 的 选取. 聚类标识部分首先生成聚类标识关联矩阵 , 再通过 DFS (Dept h2fir st Search) 算法根据关联矩 阵进行聚类分配. 二 SVC 聚类边界描述 基于文献[ 3 ] 、[ 10 ] ,Asa Ben2Hur 提出了支持 向量聚类算法 : 设 d 维数据空间 x Α I Rd , 数据集 xi Α x 包含 n 个数据点 , 运用非线性变换 Φ将数据从 x 映 射到高维特征空间 , 寻找