汽车4S店TFM客户细分模型及其方法研究

针对汽车4S店客户消费模式不同于其他行业,而传统RFM模型难以适用于汽车4S店客户细分的问题,课题组对传统RFM模型的数据分析指标进行优化改进,形成可适用于汽车4S店的TFM客户细分模型.该模型可依据客户的行为属性通过K均值聚类算法进行客户细分,最后随机抽取某汽车4S店客户数据进行实验验证.实验结果表明,改进的TFM模型能够有效细分客户,为汽车4S店针对不同价值的客户制定相应的个性化服务以及营销策略提供了良好的参考依据.

基于FM与DeepFM模型对GTD特征的研究

用"全球恐怖主义研究数据库"GTD数据集分析恐怖袭击事件的聚集性,对分析未来事件发生有较好的作用。对该课题的研究中有学者发现逻辑回归模型LR对GTD数据集的分类效果最佳,并提出GTD中大多数特征参数和分类变量呈线性关系,但在其研究模型中未充分考虑GTD数据集的稀疏性以及高维度多冗余的特点,若充分考虑前面提到的GTD的特点,学者们得出的结论是否仍符合。基于此问题,选用善于对稀疏集进行分析的"因子分解机"FM"与线性模型LR对GTD进行实验,用马修斯系数MCC比较分类效果,MCC越大越好,实验结果显示FM其MCC为0.96高于LR的0.94,GTD分类中基于FM优于LR的情况,进而采用FM与深度分解机"DeepFM"模型对GTD分类是否需深度建模进行研究,基于基尼系数Gini比较分类效果,Gini越大越好,实验结果显示相对于DeepFM其FM提前33%的时间基尼系数达到0.8良好情况,最终均收敛于0.95,综合可知,针对GTD数据集的分析,低阶(d=2)FM分类模型比线性LR(d=1)和高阶DeepFM(d>2)模型效果更佳。补充FM为概率模型,文章中加入分类阈值算法,使得最终为二分类结果,FM与分类阈值的结合即TFM模型。

基于mRMR与因子分解机的分类模型研究

很多学者用“全球恐怖主义研究数据库”GTD数据集,采用博弈论、K近邻法和支持向量机等分析恐怖事件的聚集性,已经取得一些成果.但在前期研究中未有很好考虑数据的稀疏性以及高维度多冗余等会导致聚集分类准确率不高的问题.本文提出一种基于最小冗余最大相关与因子分解机结合的TFM分类模型,使用增量搜索方法寻找近似最优的特征解决高维度多冗余问题和FM方法解决数据稀疏问题,并对预处理后的恐怖袭击事件数据用TFM模型做量化分类.文中使用朴素贝叶斯NB、支持向量机SVM、逻辑回归LR与TFM等4个模型的“马修斯相关系数”MCC进行比较,结果显示TFM的MCC相对于其他三个模型NB、SVM、LR分别提高了49.9%,2.5%,2.3%,可见TFM模型有一定可行性.