公开(公告)号：CN112288465B

公开(公告)日：2024-04-09

申请号：CN202011117305.2

申请日：2020-10-19

Applicant: 杭州电子科技大学

Inventor： 孟明 ,  庄栋 ,  甘海涛 ,  张肖辉 ,  杨策程

IPC: G06Q30/0201 ,  G06F18/214 ,  G06F18/2321 ,  G06F18/25 ,  G06F18/2413

Abstract: 本发明公开一种基于半监督聚类集成学习的客户细分方法，本发明首先收集客户的特征信息，将特征信息数字化，构建客户特征信息数据集；利用少量的标签样本来初始化聚类中心，并设置核模糊聚类算法的模糊度和高斯宽度两个参数，生成若干个差异性较大的基聚类；利用标签样本的聚类准确性来计算各基聚类的可信度；通过近邻法和各基聚类的可信度来构造质量函数；最后利用D‑S证据理论将质量函数进行证据融合，得到聚类结果。本发明将半监督集成学习引入到客户细分中，解决了算法参数敏感性的问题；利用了先验信息合理估计各基聚类的可信度，改变各基聚类在融合过程中所占的比重，解决了证据冲突问题，使得融合结果更加合理，提高了客户细分的准确性。

公开(公告)号：CN112288465A

公开(公告)日：2021-01-29

申请号：CN202011117305.2

申请日：2020-10-19

Applicant: 杭州电子科技大学

Inventor： 孟明 ,  庄栋 ,  甘海涛 ,  张肖辉 ,  杨策程

IPC: G06Q30/02 ,  G06K9/62

Abstract: 本发明公开一种基于半监督聚类集成学习的客户细分方法，本发明首先收集客户的特征信息，将特征信息数字化，构建客户特征信息数据集；利用少量的标签样本来初始化聚类中心，并设置核模糊聚类算法的模糊度和高斯宽度两个参数，生成若干个差异性较大的基聚类；利用标签样本的聚类准确性来计算各基聚类的可信度；通过近邻法和各基聚类的可信度来构造质量函数；最后利用D‑S证据理论将质量函数进行证据融合，得到聚类结果。本发明将半监督集成学习引入到客户细分中，解决了算法参数敏感性的问题；利用了先验信息合理估计各基聚类的可信度，改变各基聚类在融合过程中所占的比重，解决了证据冲突问题，使得融合结果更加合理，提高了客户细分的准确性。