基于粗糙集的知识发现及在CRM中的应用研究

论文摘要

随着信息技术的发展和市场竞争的加剧，产生了客户关系管理的概念，它的核心思想是改善企业与客户之间的关系，通过管理客户信息资源，及时的对每一个需求做出反应，在恰当的时间通过恰当的渠道满足特定客户的特定需求。因此，企业必须收集大量数据，利用各种分析方法，挖掘隐含在这些数据中的有用信息。知识发现技术能够帮助企业很好地解决这个问题，它按照企业既定的目标，从客户数据库或数据仓库中提取出隐含的、未知的、有价值的信息和知识，将海量、无序的数据转化为描述客户特征的模式，可以全面了解客户行为，可以说，CRM的成功在于有效的客户知识挖掘。 知识发现具有分类、聚类、关联分析等功能，迎合了企业多种客户知识挖掘的需求，包括：客户群分类、客户盈利能力、客户满意度、客户忠诚度、客户购买相关性等方面的分析。但是，有的知识发现技术建立的模型要么比较复杂，要么需要一定的先验知识、具有主观性。粗糙集作为一种新型的数学工具，与其它知识挖掘技术相比具有独特的优势，它不需要预先给定某些特征或属性的数量描述，而是直接从给定问题的描述集合出发，通过不可分辨关系和不可分辨类确定给定问题的近似域，从而找出该问题的内在规律，该方法简单、易于操作。近些年，学术界掀起了对粗糙集的研究热潮，研究成果也较多，但主要是基于粗糙集的分类模式挖掘，用于聚类、关联规则挖掘的研究成果很少，因此，本文的研究具有重要的理论意义和实用价值。 本文在总结和借鉴前人经验的基础上，按照企业客户知识挖掘的需求，对粗糙集进行了系统的研究，挖掘客户数据资源中隐含的聚类、分类和关联知识，从而为企业决策提供有力的依据。 首先对基于粗糙集的知识挖掘模式进行研究。在数据预处理方面，对遗漏数据的补齐和数据的离散化两个预处理过程进行了研究，数据的质量严重影响着知识发现算法的运行效率和应用效果。分析了ROUSTIDA算法的不足，提出采用基于一致度的相似关系进行遗漏值补齐，对ROUSTIDA算法进行改进；将蚁群优化方法应用到数据离散化中，提出了离散化的思路。在聚类知识挖掘方面，利用不可区分度修改初始等价关系，形成数据集的聚类。

论文目录

• 第1章 绪论
• 1.1 论文写作的背景、目的及意义
• 1.1.1 论文写作的背景
• 1.1.2 论文写作的目的和意义
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 论文的总体思路及主要内容
• 1.4 论文的研究方法
• 1.5 论文的创新之处
• 第2章 相关理论综述
• 2.1 知识发现理论
• 2.1.1 知识发现的概念
• 2.1.2 知识发现的处理过程
• 2.1.3 知识发现的功能
• 2.2 客户关系管理理论
• 2.2.1 客户关系管理的内涵
• 2.2.2 客户知识的概念及特征
• 2.2.3 CRM中客户知识的发现
• 2.3 粗糙集理论
• 2.3.1 粗糙集的核心思想
• 2.3.2 粗糙集的基本概念
• 2.3.3 粗糙集的知识表达
• 2.3.4 粗糙集知识表达的数字特征
• 2.4 本章小结
• 第3章 基于粗糙集的数据预处理
• 3.1 数据的预处理
• 3.1.1 数据预处理的过程模型
• 3.1.2 数据预处理的基本方法
• 3.2 决策表冗余数据的清洗
• 3.3 不完备决策表的数据处理
• 3.3.1 一般的遗漏数据处理方法
• 3.3.2 基于粗糙集的不完备数据分析方法（ROUSTIDA）
• 3.3.3 ROUSTIDA算法的不足分析
• 3.3.4 改进的ROUSTIDA算法
• 3.4 连续属性值的离散化
• 3.4.1 连续属性离散化的定义
• 3.4.2 基于布尔逻辑与粗糙集（NS）的离散化方法
• 3.4.3 基于蚁群优化的离散化方法
• 3.4.4 粗糙集离散化方法的评价
• 3.5 本章小结
• 第4章 基于粗糙集的聚类知识发现
• 4.1 聚类知识发现概念
• 4.2 聚类知识发现的主要方法
• 4.3 基于粗糙集的聚类知识发现算法
• 4.3.1 粗糙集聚类的主要思想
• 4.3.2 粗糙集聚类中的相关定义
• 4.3.3 初始等价类的形成
• 4.3.4 初始等价类的修改
• 4.3.5 聚类结果评估
• 4.3.6 粗糙集聚类算法流程
• 4.5 本章小结
• 第5章 基于粗糙集的分类知识发现
• 5.1 分类知识发现过程
• 5.2 粗糙集分类知识发现模型
• 5.3 条件属性约简
• 5.3.1 属性约简的相关概念
• 5.3.2 基于可辨别矩阵与逻辑运算相结合的约简算法
• 5.3.3 基于差异比较表的约简算法
• 5.3.4 基于灰色关联度的约简算法
• 5.4 分类规则的约简
• 5.4.1 分类规则的概念
• 5.4.2 分类规则的度量参数
• 5.4.3 改进的一般分类规则约简方法
• 5.5 新对象的分类预测
• 5.6 本章小结
• 第6章 基于粗糙集的关联知识发现
• 6.1 关联规则的基本概念
• 6.2 关联规则挖掘模型
• 6.3 关联规则的分类
• 6.4 基于粗糙集的单维布尔关联规则挖掘
• 6.4.1 利用粗糙等价类生成频繁项集
• 6.4.2 关联规则的生成
• 6.5 本章小结
• 第7章 基于粗糙集的知识发现在 CRM中的应用
• 7.1 CRM中客户知识挖掘的主题
• 7.2 CRM中客户知识挖掘的方法体系
• 7.3 基于粗糙集的客户知识发现模型及应用
• 7.3.1 基于粗糙集的客户聚类分析
• 7.3.2 基于粗糙集的客户分类预测分析
• 7.3.3 基于粗糙集的客户购买相关性分析
• 7.4 构建智能 CRM系统
• 7.5 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢