基于多任务学习的应用商店客户识别模型研究

Customer identification is becoming a hot issue in the field of customer relationship management because of its wide application background and urgent practical need. Customer identification in applications store is essentially a high-dimensional imbalanced “multiple product joint customer identification” problem. However, existing customer identification is mainly designed for the single product scenario, which ignores the relatedness between learning tasks. Around the core issue of “multiple product joint customer identification”, the project first introduces the technique of multi-task learning into customer identification and builds the model framework of multi-task customer identification. Then, after studying class imbalance and feature selection strategies, we combine GMDH neural network and ensemble learning techniques together to build a multi-task model that could deal with class imbalance and select the feature efficiently and stably under high dimension. Finally, the model is applied to solve real problems in the application stores. This project extends the traditional single product customer identification model to multi-product joint customer identification model, which is the model innovation. Meanwhile the proposed multi-task ensemble neural network model provides a useful tool for application stores...

客户识别模型因为其广泛的应用背景、迫切的现实需求，正成为客户关系管理领域的热点研究问题。应用商店客户识别本质上是一个高维类别不平衡的“多产品联合客户识别”问题，然而现有客户识别模型主要是针对单个产品的客户识别问题设计的，忽略了识别任务之间的相关性。围绕“多产品客户联合识别”这一核心问题，本项目首先将多任务学习技术引入到客户识别中，提出了多任务客户联合识别模型框架；进而通过类别不平衡处理策略和特征选择策略研究，将GMDH神经网络和集成学习技术结合构建了一种能够处理类别不平衡并能在高维度数据情况下高效稳定地进行特征选择的多任务集成神经网络；最后将模型应用到解决实际的应用商店客户识别问题中去。研究成果将传统的单产品客户识别模型扩展为多产品联合客户识别模型，是对客户识别模型的理论方法创新，同时所构建的多任务集成神经网络模型为应用商店客户关系管理提供了有用的工具。

客户识别模型是客户关系管理领域的热点研究问题。本项目紧紧围绕“多产品联合客户识别”这一核心科学问题展开了一系列的研究工作，主要研究成果包括了：.（1）项目发展了新的一致性聚类评价指标，有效解决了产品相关性分析中聚类方法类别数自动确定的问题；.（2）对客户识别特征选择进行了研究，通过引入多任务学习和迁移学习的思想，提出了迁移特征选择集成神经网络，解决了由样本数量不足引起的客户识别中的绝对类别不平衡；.（3）探索了类别不平衡对决策树等模型的影响，对类别不平衡的处理策略特别是抽样策略进行了系统性实验比较，并以此为基础提出了改进的重抽样集成模型，有效解决了客户识别中的类别不平衡问题；.（4）在多任务学习的范式下，以自组织神经网络GMDH为基准，构建了对多任务集成神经网络模型框架，解决了多产品客户联合识别的问题；.（5）将多任务学习神经网络模型进一步拓展，成功运用到了客户信用评价等客户关系管理的其他领域；.项目研究成果既是对客户识别模型方法的创新，也为客户关系管理的实践提供了有用的工具。