基于机器学习的5G潜在客户挖掘研究.pdfVIP

摘要

5G作为推动新一轮数字变革的重要角色，同时也是未来经济和社会发展的

必备基础设施，国家高度重视5G的发展，已将其纳入国家战略中，为此出台了

多项举措规范5G发展。在4G时代步入5G时代的关键窗口期，三大基础电信

运营商作为5G时代建设的中坚力量，都希望快速且高质量的发展5G用户。但

是有数据表明，我国移动手机用户天花板已现，并且如果大环境没有较大变化，

很难突破16亿的用户高点，因此，每个运营商只能提高现有用户的转换率。为

此，中国电信已经投入了大量的资金用于推动5G用户的发展，如何精准识别5G

潜在客户成为了电信目前亟需解决的问题。

本文基于某地区的移动用户行为数据，目的是从现有的4G存量客户中找到

未来可能更换5G套餐的客户，因此，可以将该问题看作一个二分类问题。在训

练阶段，选取三个月的用户行为数据作为特征构建，未来两个月用户是否更换5G

套餐作为预测窗口，预测用户的更换意愿。由于5G发展还处于起步阶段，5G用

户较少，4G存量用户规模与5G用户规模的比值较大，所以出现了数据不平衡

的现象，且不平衡比为24:1。因此，本文的主要目标是建立一个用于解决数据不

平衡的模型，提升5G潜在客户的识别率，进而帮助企业在精准营销上提供参考

方案。

针对数据不平衡问题，我们详细研究了解决该问题的两个层面方法，分别是

数据层面和算法层面。在此基础上提出了用于数据不平衡的教师辅助提升算法，

TABoost，该算法在Boosting算法迭代之前先利用分类硬度分布对多数类进行欠

采样；将采样得到的平衡子集用于基分类器学习，在迭代学习过程中，加入条件

特征扰动选取特征解决数据高维带来的运算效率低的问题，并且在一定程度上

缓解模型的过拟合现象；其次，考虑到首次欠采样是简单随机抽取，并且模型迭

代前期基分类器的学习能力又较弱，所以我们提前训练了一批异质分类器，该批

分类器输出对样本分类难度的判断，将这批分类器作为教师，指导主模型也就是

学生模型的首次采样和迭代过程中对样本分类难度的判断。在学生模型迭代前

期，教师模型主导对样本分类难度的判断。最后，我们在五个公开数据集上将

TABoost与其他解决数据不平衡的方法进行了细致的实验分析，实验结果表明，

在AUCPRC、F1-score、G-mean和MCC四个评估指标上，TABoost表现最优，

并且通过消融实验验证了TABoost每个模块的有效性。

在5G潜在客户挖掘数据集上，基于我们对电信业务的理解，对数据集进行

了缺失值处理、异常值处理以及特诊衍生，有助于提升后续的分类效果。在模型

构建阶段，我们将解决数据不平衡中的数据层面和算法层面的方法在5G潜在客

户挖掘数据集上进行了细致的实验与分析，并将本文中我们提出的TABoost与

两个层面的代表性方法进行了对比，结果显示在AUCPRC、F1-score、G-mean和

MCC四个评估指标上，TABoost均表现最优，其中AUCPRC为0.512，F1-score

为0.694，G-mean是0.711，MCC是0.703。相比其他模型中的最优模型

SMOTEBagging在四个评估指标上分别提升了2.6%、2.3%、2.7%和2.6%。实验

表明，本文构建的模型对精准识别5G潜在客户是有效的，也是有现实意义的。

关键词：5G潜在客户挖掘；数据不平衡；教师思想；集成思想

Abstract

ZhangHao

MasterofAppliedStatistics

DirectedbyZengZhiyong

Asanimportantroleinpromotinganewroundofdigitaltransformation,5Gis

alsoanessentialinfrastructureforfutureeconomicandsocialdevelopment.The

countryattachesgreatimportancetothedevelopme