第3期 梁路，等：基于细精度关联规则挖掘的电信客户流失分析 ·409 的可以快速发现任意形状类的DBSCAN分类算 训练集数据的正负样本（用E*和E来分别表示正 法[四完成从“属性”到“属性片段”的分解。另外， 样本和负样本)，剩余的数据用作检验集。最后，通 此数据集不同属性值域区间的差异较大，这可能会 过前后10次进行随机抽取得到正负样本，并分别计 影响分类的效果，因此还需要对这些属性进行常用 算结果，进一步验证数据挖掘结果的稳定性、可信性 的归一化处理。具体的步骤是：首先使用mapmin- 和鲁棒性。在构造E和E时，采用了如表3所示 max(x,min,max)函数将值域归一到区间[0,1]，其 的属性排列顺序及其编码对应关系。 次以每个属性数据结合函数ones(n,1)产生的数据 表3属性与二进制编码对应关系 作为输入x(其中n为样本的个数)，通过经验以及 Table 3 Binary encoding of all attributes and its representation 多次实验确定较优的参数。结果集中可能会存在孤 属性 二进制编码 立点，较优的参数能够减少孤立点的个数，并且产生 较为合理的分类。在实际应用中，孤立点的数量往 non_fee A2 往远小于正常数据)]，因此其影响比较小，故本文 A 就近将孤立点分配至临近的区间（相应的孤立点处 year_local fee A. 理方法作为后续工作)。经过DBSCAN运算后，便 A 得到了属性分类，即“属性片段”，这些分类结果直 Ao 接反映了其属性值自然特有的内在规律，由事物本 A 身决定，不受人为控制，因此对后续进一步分析隐藏 As 在它们之间的相关性有重要的指导作用。最后，再 Ag 根据分类的个数，使用若干二进制位对属性片段进 A10 行二进制编码。以属性year_local_fee为例，其被划 Au 分为7个区间，包含65个孤立点，将这些孤立点按 AR 照就近原则并入7个区间内，故以3位二进制位来 foo2 An 表示，如表1所示。实验中各属性的分类数如表2 Au 所示。 1.2OCAT关联规则挖掘 表1属性year_local_fee的二进制编码对应关系 经过数据预处理得到的二进制数据不能采用决 Table 1 Classification of year local fee and its binary encoding 策树和聚类等传统方法处理，同时为了让关联规则 区间 12 3 4 5 6 > 易于实施并行计算，实验中采用了OCAT方法，该方 编码000 001010 011100101110 法每次产生一条最优子式（接受全部正样本，拒绝 尽可能多的负样本)，最终将子式通过合取操作得 表2所有属性的分类数 到关联规则。但是，OCAT产生单个子式的过程中 Table 2 Classification quantity of all attributes 剪枝的数量较少，导致收敛速度缓慢，并且需要存储 属性 分类数 大量的叶子结点的限界，导致运算时耗费了极大的 non_fee 3 时间和空间。因此，实验中最终引入了启发式规 year local fee 7 则]0进行快速剪枝，将时间复杂度从指数级别 1 1 降到多项式级别，这将非常适合数据量庞大的电信 T2 5 数据挖掘。 fo 启发式方法中根据POS(a)/NEG(a:)的比值 逆序排列属性（片段）a:(a.为A:或4：)形成有序集 3)正负样本的构造。 合A,挑选A中前α(%)（阈值）的元素生成待选集 首先，根据数据集中chum标志位（标志客户流 合L。关联规则的构造过程即不断地从待选集合L 失信息的属性)的值，将整个数据集的用户划分为 中随机选出属性（片段）a加入子式的过程，该过程 已经流失的客户(chum值为0)和未流失的客户 持续到关联规则完成或集合L为空。若α值过小， (chum值为1)2类。其次，为了得到关联规则挖掘 则关联规则不完整，导致预测结果准确度下降：反 中需要的训练集和检验集，实验分别随机抽取未流 之，若α值过大，则对客户流失影响很小的属性（片 失客户和已流失客户中四分之三的数据[]来构造 段)可能会包含在关联规则中，从而导致关联规则的可以快速发现任意形状类的 ＤＢＳＣＡＮ 分类算 法［１１］完成从“属性”到“属性片段” 的分解。 另外， 此数据集不同属性值域区间的差异较大，这可能会 影响分类的效果，因此还需要对这些属性进行常用 的归一化处理。 具体的步骤是：首先使用 ｍａｐｍｉｎ⁃ ｍａｘ（ｘ，ｍｉｎ，ｍａｘ）函数将值域归一到区间［０，１］，其 次以每个属性数据结合函数 ｏｎｅｓ（ｎ，１）产生的数据 作为输入 ｘ（其中 ｎ 为样本的个数），通过经验以及 多次实验确定较优的参数。 结果集中可能会存在孤 立点，较优的参数能够减少孤立点的个数，并且产生 较为合理的分类。 在实际应用中，孤立点的数量往 往远小于正常数据［１２］ ，因此其影响比较小，故本文 就近将孤立点分配至临近的区间（相应的孤立点处 理方法作为后续工作）。 经过 ＤＢＳＣＡＮ 运算后，便 得到了属性分类，即“属性片段”，这些分类结果直 接反映了其属性值自然特有的内在规律，由事物本 身决定，不受人为控制，因此对后续进一步分析隐藏 在它们之间的相关性有重要的指导作用。 最后，再 根据分类的个数，使用若干二进制位对属性片段进 行二进制编码。 以属性 ｙｅａｒ＿ｌｏｃａｌ＿ｆｅｅ 为例，其被划 分为 ７ 个区间，包含 ６５ 个孤立点，将这些孤立点按 照就近原则并入 ７ 个区间内，故以 ３ 位二进制位来 表示，如表 １ 所示。 实验中各属性的分类数如表 ２ 所示。 表 １ 属性 ｙｅａｒ＿ｌｏｃａｌ＿ｆｅｅ 的二进制编码对应关系 Ｔａｂｌｅ １ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｙｅａｒ＿ｌｏｃａｌ＿ｆｅｅ ａｎｄ ｉｔｓ ｂｉｎａｒｙ ｅｎｃｏｄｉｎｇ 区间 １ ２ ３ ４ ５ ６ ７ 编码 ０００ ００１ ０１０ ０１１ １００ １０１ １１０ 表 ２ 所有属性的分类数 Ｔａｂｌｅ ２ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｑｕａｎｔｉｔｙ ｏｆ ａｌｌ ａｔｔｒｉｂｕｔｅｓ 属性 分类数 ｎｏｎ＿ｆｅｅ ３ ｙｅａｒ＿ｌｏｃａｌ＿ｆｅｅ ７ ｒ１ ７ ｒ２ ５ ｆ ｅ ０９０２ ８ ３）正负样本的构造。 首先，根据数据集中 ｃｈｕｒｎ 标志位（标志客户流 失信息的属性） 的值，将整个数据集的用户划分为 已经流失的客户（ ｃｈｕｒｎ 值为 ０） 和未流失的客户 （ｃｈｕｒｎ 值为 １）２ 类。 其次，为了得到关联规则挖掘 中需要的训练集和检验集，实验分别随机抽取未流 失客户和已流失客户中四分之三的数据［１３］ 来构造 训练集数据的正负样本（用 Ｅ ＋ 和 Ｅ － 来分别表示正 样本和负样本），剩余的数据用作检验集。 最后，通 过前后 １０ 次进行随机抽取得到正负样本，并分别计 算结果，进一步验证数据挖掘结果的稳定性、可信性 和鲁棒性。 在构造 Ｅ ＋ 和 Ｅ － 时，采用了如表 ３ 所示 的属性排列顺序及其编码对应关系。 表 ３ 属性与二进制编码对应关系 Ｔａｂｌｅ ３ Ｂｉｎａｒｙ ｅｎｃｏｄｉｎｇ ｏｆ ａｌｌ ａｔｔｒｉｂｕｔｅｓ ａｎｄ ｉｔｓ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ 属性 二进制编码 ｎｏｎ＿ｆｅｅ Ａ１ Ａ２ ｙｅａｒ＿ｌｏｃａｌ＿ｆｅｅ Ａ３ Ａ４ Ａ５ ｒ１ Ａ６ Ａ７ Ａ８ ｒ２ Ａ９ Ａ１０ Ａ１１ ｆ ｅ ０９０２ Ａ１２ Ａ１３ Ａ１４ １．２ ＯＣＡＴ 关联规则挖掘 经过数据预处理得到的二进制数据不能采用决 策树和聚类等传统方法处理，同时为了让关联规则 易于实施并行计算，实验中采用了 ＯＣＡＴ 方法，该方 法每次产生一条最优子式（接受全部正样本，拒绝 尽可能多的负样本），最终将子式通过合取操作得 到关联规则。 但是，ＯＣＡＴ 产生单个子式的过程中 剪枝的数量较少，导致收敛速度缓慢，并且需要存储 大量的叶子结点的限界，导致运算时耗费了极大的 时间和空间。 因此，实验中最终引入了启发式规 则［９］ ７３－８０进行快速剪枝，将时间复杂度从指数级别 降到多项式级别，这将非常适合数据量庞大的电信 数据挖掘。 启发式方法中根据 ＰＯＳ（ ａｋ） ／ ＮＥＧ（ ａｋ）的比值 逆序排列属性（片段）ａｋ（ａｋ为 Ａｉ或ØＡｉ）形成有序集 合 Ａ，挑选 Ａ 中前 α（％） （阈值）的元素生成待选集 合 Ｌ。 关联规则的构造过程即不断地从待选集合 Ｌ 中随机选出属性（片段） ａｋ加入子式的过程，该过程 持续到关联规则完成或集合 Ｌ 为空。 若 α 值过小， 则关联规则不完整，导致预测结果准确度下降；反 之，若 α 值过大，则对客户流失影响很小的属性（片 段）可能会包含在关联规则中，从而导致关联规则 第 ３ 期 梁路，等：基于细精度关联规则挖掘的电信客户流失分析 ·４０９·