基于多示例核聚类的港口客户细分

论文摘要

作为港口企业，核心产品就是装卸服务。面对日趋激烈的市场竞争，只有不断提高服务质量以稳定原有的客户群，并不断拓展新的客户群，才能够在竞争中掌握主动。因此，港口企业在已有信息系统所积累数据的基础上引入客户关系管理，合理地进行客户细分以有针对性的开展客户服务已经成为港口企业急需解决的问题。客户的有效细分是每个高效的客户关系管理的基础，也是客户关系管理重要的一环。客户细分在电信等许多领域已经有了较多的研究，而且根据各个领域的特点找出了客户细分的方法，其中聚类分析方法应用的非常普遍而且取得了很好的效果。但是对港口企业的客户细分一直没有很多的研究，也没有找出符合港口特点的客户细分方法。另一方面港口企业数据组织方式与其他行业也不同并且数据空缺值多、噪声大、客户数量较电信零售等行业少很多、客户描述性维度较少等特点而且分布无规律。本文通过对港口客户数据的分析发现传统的数据组织方式和现有的聚类算法并不能用于对港口客户的细分，所以本文在对港口数据库进行充分的认识和大量的预处理之后结合多示例学习中对数据的处理方法提出了一种新的三层数据包的数据组织形式。然后根据这种数据包的形式又构造了相应的多示例核函数。在定义混合型属性向量之间距离时引入各属性的信息增益值来计算各属性不同的权值，并且在聚类过程中通过计算分类系数、平均模糊熵得到最佳的聚类数。最后将所构造的多示例核与核k凝聚聚类算法相结合应用到对港口客户的细分中得到了较好的处理结果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 港口客户细分研究意义
• 1.3 本文的研究内容
• 2 相关研究综述
• 2.1 客户细分综述
• 2.1.1 客户细分概述
• 2.1.2 聚类分析等数据挖掘方法在客户细分中的应用
• 2.1.3 港口客户细分研究现状
• 2.2 核函数的基本知识
• 2.2.1 基础知识
• 2.2.2 再生核理论与Mercer定理
• 2.2.3 核函数构造基础
• 2.3 核聚类算法综述
• 2.4 多示例学习
• 2.4.1 多示例学习数据处理概述
• 2.4.2 多示例学习（MIL）相关算法
• 3 港口客户数据预处理
• 3.1 港口数据库
• 3.2 数据预处理
• 3.3 港口客户数据包数据组织方式
• 4 多示例核聚类
• 4.1 三层多示例核函数
• 4.2 距离的度量
• 4.2.1 包之间距离的度量
• 4.2.2 示例之间距离的度量
• 4.3 多示例核凝聚聚类算法
• 4.4 核聚类算法在多示例问题中的表现
• 4.4.1 模糊核聚类算法（FKCM）在musk数据集上的表现
• 4.4.2 核凝聚聚类算法在musk数据集上的表现
• 4.4.3 小节
• 4.5 本章小节
• 5 港口客户细分
• 5.1 引言
• 5.2 数据分析
• 5.2.1 数据整体描述
• 5.2.2 多示例核凝聚聚类算法的应用
• 5.2.3 确定细分市场数
• 5.2.4 聚类分析结果
• 5.3 管理启示
• 5.4 本章小节
• 6 论文总结与展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢