【正文】 感謝所有幫助過我，和支持我的人，謝謝你們！相信我！我會(huì)一直努力，一直奮斗，一直學(xué)習(xí)，一直往上走，不辜負(fù)每個(gè)人對(duì)我的期望。總是在我無助的時(shí)候一語提點(diǎn)，讓我又重新站起來，沒有高老師的指導(dǎo)，就沒有現(xiàn)在論文的順利完成，此處非常感謝高老師?？偟膩碚f，用 CART 算法建立的模型很容易被人所理解，且相比較其他的算法更為精準(zhǔn)，更快速度，用 CART 算法對(duì)電信市場新浪微博客戶分類建立模型，相比而言，是相對(duì)適合的一種數(shù)據(jù)挖掘算法。因此在實(shí)際情況中可以根據(jù)實(shí)際情況設(shè)置這五項(xiàng)為必填項(xiàng)。（二）CART 算法的不足與改進(jìn)1. CART 算法的不足CART 算法的不足主要體現(xiàn)在準(zhǔn)確率沒有別的分類例如邏輯回歸方法高，但是本次模型的客戶信息有一定比例的缺失，因此最終還是選擇利用 CART 算法。增加忠誠度的關(guān)鍵是了解客戶，新浪微博極大地消除了時(shí)間與地理位置的限制，創(chuàng)造了讓雙方更容易接近和交流的信息機(jī)制。伶俐的企業(yè)就會(huì)舉行各類話題評(píng)論，從參加者中發(fā)現(xiàn)潛伏客戶。在新浪微博上，可以本人組建群組，也可以參加到一些曾經(jīng)組建起來的群組。在微博平臺(tái)上，一個(gè)十分風(fēng)趣的特征就是在這個(gè)平臺(tái)上有很多伴侶在議論公司，議論產(chǎn)物和效勞，議論同業(yè)，議論相關(guān)行業(yè)的話題，這些碎碎語里鑲嵌了太多的關(guān)鍵詞，經(jīng)過如許的關(guān)鍵詞，就可以從中找到對(duì)方。2)籌劃有構(gòu)思的運(yùn)動(dòng)堆積粉絲。1. 非目標(biāo)客戶在四種情況下為非目標(biāo)客戶：當(dāng) 300＜關(guān)注數(shù)≤600 或 900＜關(guān)注數(shù)≤1500 且微博數(shù)＜500 時(shí)，100≤收藏?cái)?shù)≤300 且互粉數(shù)≤200 或 1000＜互粉數(shù)≤2022；當(dāng) 300＜關(guān)注數(shù)≤600 或 900＜關(guān)注數(shù)≤1500 且微博數(shù)＜500 時(shí)，收藏?cái)?shù)＞300 且 5000＜互粉數(shù)≤50000；關(guān)注數(shù)≤300 或 600＜關(guān)注數(shù)≤900 或關(guān)注數(shù)≥1500 且粉絲數(shù)≤5000 或粉絲數(shù)＞10000 時(shí)，收藏?cái)?shù)≤100 或 300＜收藏?cái)?shù)≤10000 且 500＜微博數(shù)≤2022 或 5000＜微博數(shù)≤10000 且 50000＜粉絲數(shù)≤100000；關(guān)注數(shù)≤300 或 600＜關(guān)注數(shù)≤900 或關(guān)注數(shù)≥1500 且粉絲數(shù)≤5000 或粉絲數(shù)＞10000 時(shí)，100＜收藏?cái)?shù)≤300 或收藏?cái)?shù)＞10000 且10000＜粉絲數(shù)≤50000 或 100000＜粉絲數(shù)≤202200 且 5000＜微博數(shù)≤表 所示：表 非目標(biāo)客戶情況情況一 情況二 情況三 情況四300＜關(guān)注數(shù)≤600 or900＜關(guān)注數(shù)≤1500300＜關(guān)注數(shù)≤600 or900＜關(guān)注數(shù)≤1500關(guān)注數(shù)≤300 or600＜關(guān)注數(shù) ≤900or關(guān)注數(shù)≥1500關(guān)注數(shù)≤ 300 or600＜關(guān)注數(shù)≤900or關(guān)注數(shù)≥1500微博數(shù)＜500 微博數(shù)＜500粉絲數(shù)≤5000 or粉絲數(shù)＞10000or10000＜粉絲數(shù) ≤50000or100000＜粉絲數(shù)≤202200粉絲數(shù)≤5000 or粉絲數(shù)＞10000or10000＜粉絲數(shù)≤50000or100000＜粉絲數(shù)≤202200收藏?cái)?shù)≤100or300＜收藏?cái)?shù)≤10000100≤收藏?cái)?shù)≤300收藏?cái)?shù)＞300 100＜收藏?cái)?shù) ≤300or收藏?cái)?shù)＞10000500＜微博數(shù)≤2022or5000＜微博數(shù)≤10000and50000＜粉絲數(shù)≤100000互粉數(shù)≤200 or1000＜互粉數(shù)≤20225000＜互粉數(shù)≤50000 5000＜微博數(shù)≤10000對(duì)于非目標(biāo)客戶來說，首先要將他們轉(zhuǎn)化成潛在客戶。以節(jié)點(diǎn) 15 為例，非目標(biāo)客戶的數(shù)量過半，這表明了此節(jié)點(diǎn)的預(yù)測結(jié)果為非目標(biāo)客戶，而從根節(jié)點(diǎn)到這個(gè)節(jié)點(diǎn)的路徑便是一條非目標(biāo)客戶的識(shí)別規(guī)則。利用快速的方法，從龐大客戶群中篩選目標(biāo)客戶。此 CART 模型結(jié)果的依據(jù)是根據(jù)葉子節(jié)點(diǎn)中目標(biāo)客戶與非目標(biāo)客戶兩個(gè)目標(biāo)變量的比例分布，即在一個(gè)葉子節(jié)點(diǎn)中，若目標(biāo)客戶的數(shù)量超過非目標(biāo)客戶，那么此節(jié)點(diǎn)的預(yù)測結(jié)果為“是”，若情況相反便是“否”。首先定義客戶是否為目標(biāo)客戶，然后將目標(biāo)變量加入到匯總后的 EXCEL 數(shù)據(jù)表中，結(jié)果如下圖所示：圖 處理后的訓(xùn)練集上述步驟便是數(shù)據(jù)預(yù)處理、分類匯總及確定變量，而此時(shí)的數(shù)據(jù)基本符合建模21 / 37要求。在之前的數(shù)據(jù)的分類匯總及預(yù)處理過程中，我們已經(jīng)將對(duì)模型有關(guān)聯(lián)的變量進(jìn)行分析，這為我們?cè)诤竺嬷贫ê饬磕繕?biāo)客戶的標(biāo)準(zhǔn)提供了準(zhǔn)則。具體操作如下圖所示：圖 過濾變量（3）變量值確定方法本論文目的主要為挖掘新浪微博平臺(tái)中的目標(biāo)客戶及非目標(biāo)客戶，目標(biāo)客戶指當(dāng)前活躍在新浪微博平臺(tái)的用戶，而非目標(biāo)客戶指的是當(dāng)前對(duì)新浪門戶做的貢獻(xiàn)不大，但在不久的將來可能給新浪門戶帶來更多價(jià)值及利潤的用戶。這樣才能使數(shù)據(jù)更有意義，有助于下一步的研究。由于分類樹的最大優(yōu)點(diǎn)是能夠允許空缺數(shù)據(jù)的尋在，因此對(duì)于空缺的數(shù)值統(tǒng)一賦“ null”，而對(duì)于本次數(shù)據(jù)清洗主要針對(duì)錯(cuò)誤的數(shù)據(jù)。綜上所述，導(dǎo)入 clementine 軟件的變量分別為用戶昵稱、性別、地址、粉絲數(shù)、關(guān)注數(shù)、微博數(shù)及收藏?cái)?shù)。雖然 clementine 能對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，但是先排除一些輸入變量，這有助于提高所建模型的結(jié)果精準(zhǔn)度以及數(shù)據(jù)處理效率。由于數(shù)據(jù)比較龐大，本文采用具有強(qiáng)大數(shù)據(jù)統(tǒng)計(jì)分析功能的 clementine 存放數(shù)據(jù)，而在將數(shù)據(jù)導(dǎo)入 clementine 之前，先人工初步對(duì)變量進(jìn)行處理，刪除不需要的變量。1. 問題定義目標(biāo)客戶的尋找就是從電信市場新浪微博所收集的龐大客戶數(shù)據(jù)集中尋找到目標(biāo)客戶，從而提高客戶獲得率。基于以上 CART 算法的獨(dú)特優(yōu)點(diǎn)，對(duì)于本次目標(biāo)客戶篩選，客戶信息能夠表達(dá)成屬性結(jié)論式樣式，本文采用該模型。如：CART 算法沒有對(duì)目標(biāo)變量及預(yù)測變量概率分布上要求，這使得不會(huì)因?yàn)轭A(yù)測變量不同及目標(biāo)變量概率的分布造成的結(jié)果；CART 算法能夠?qū)杖甭毼贿M(jìn)行處理，因此減少了由于空缺值所造成的信息偏差； CART 算法能夠處理孤立點(diǎn)即在數(shù)據(jù)集中與其他數(shù)據(jù)具有不同特征的數(shù)據(jù)，使孤立點(diǎn)成為一個(gè)單獨(dú)的葉子節(jié)點(diǎn)，從而對(duì)進(jìn)一步的分支不會(huì)產(chǎn)生任何影響；CART 算法使用二元分支，這能夠充分運(yùn)用全部的數(shù)據(jù)，盡可能發(fā)現(xiàn)全部樹的結(jié)構(gòu)；與其他算法如神經(jīng)網(wǎng)絡(luò)算法相比，CART 算法的效率更高。交叉驗(yàn)證使用訓(xùn)練集中的一部分?jǐn)?shù)據(jù)，訓(xùn)練集既用于訓(xùn)練且也用于測試，此方法的核心是創(chuàng)建多個(gè)測試決策樹，將訓(xùn)練集分成 N 個(gè)子集，創(chuàng)建 N 棵測試決策樹，在每次創(chuàng)建樹后，選擇一個(gè)子集作為測試集，其他 N1 個(gè)子集為訓(xùn)練集。)(in)(11tgtTt??t 2T循環(huán)此過程，能夠產(chǎn)生系列子樹 直到修剪后所得的以左右字?jǐn)?shù)及根為n,.21葉子節(jié)點(diǎn)的樹，并把它作為有序的子樹集的最后一個(gè)子樹。其修剪過程如下 [18]：（1）構(gòu)建 1：首先在 max中將滿足 R（t）＝R（t ）＋R（t ）的子樹剪枝，獲得的修剪后的子樹即為 1T ；（2）生成有序的子樹序列：任給 1T 中的節(jié)點(diǎn) t，記{t}，則 Ra（t ）=R(t)+a。對(duì) 刪減的過程中一定會(huì)產(chǎn)生一系列子樹 。CART 算法采取后剪枝（postpruning）的方法，后剪枝是一個(gè)過程，它由 “完全生長”的樹剪去分枝，決策樹剪枝可視為決策樹對(duì)構(gòu)造的邏輯延續(xù)。maxT12 / 374. 樹的剪枝判定樹創(chuàng)建完成后，由于數(shù)據(jù)中的孤立點(diǎn)及噪聲，很多分枝反映出訓(xùn)練集中的異常。min)(?iXspltGini（2）在上步驟所得到的最優(yōu)劃分點(diǎn)中選擇對(duì)此結(jié)點(diǎn)最優(yōu)的分割點(diǎn)，成為此結(jié)點(diǎn)的分割規(guī)則。對(duì)于所有的 P，所以 GINI系數(shù)一定為正數(shù)，除非其中的一個(gè) P 為 1，而其他比為 0。 樹的生成決策樹的核心算法是確定決策樹分枝準(zhǔn)則，該準(zhǔn)則涉及到兩個(gè)方面問題：⑴如何在眾多的輸入變量中選擇出一個(gè)最佳的分組變量；⑵如何在分組變量的眾多取值中尋找到最佳的分割值。11 / 372. 數(shù)據(jù)預(yù)處理 數(shù)據(jù)挖掘過程的關(guān)鍵步驟之一便是對(duì)初始數(shù)據(jù)集的準(zhǔn)備及變換。（3）使用評(píng)估算法從第（2）步產(chǎn)生的子樹序列中選出一棵最優(yōu)樹作為最終的決策樹。 ),.( ),.(,.},.{21 21121k mtmtyYxXxXL n??其中，L 是訓(xùn)練樣本集， 是屬性向量（Attribute Vectors），其屬性可~以是離散的或者是有序的的；Y 是標(biāo)簽向量（Label Vectors），其屬性可以是離散的或者是有序的。該模型采用二叉樹，將預(yù)測空間遞歸劃分成若干個(gè)子集，在子集上 Y 變量上的分布是均勻及連續(xù)的。微博具體行為的使用分類五類：1)網(wǎng)絡(luò)公關(guān)（即指網(wǎng)絡(luò)危機(jī)公關(guān)）2)更新企業(yè)的動(dòng)態(tài)信息 3)進(jìn)行在線的調(diào)研 4)顧客網(wǎng)上服務(wù) 5)發(fā)起活動(dòng)（公益、娛樂及促銷）。（2）企業(yè)即企業(yè)是從事生產(chǎn)、流通、服務(wù)等經(jīng)濟(jì)活動(dòng)，以此來滿足社會(huì)的需求，實(shí)行獨(dú)立核算、依法設(shè)立、自主經(jīng)營，而且在新浪門戶中注冊(cè)微博，并對(duì)商戶認(rèn)證。該群體類用戶的特點(diǎn)：用戶年齡范圍從 15—60 歲，跨度非常之大，其中，又以 18—35 歲的中青年為主體。依據(jù)微博用戶的心理特征、規(guī)模和行為分析，把微博分成兩大類：個(gè)人用戶、組織和機(jī)構(gòu)。在達(dá)到上述目標(biāo)下，構(gòu)建一種最優(yōu)化模型，能采用最低的成本，從龐大客戶數(shù)據(jù)庫中尋找到目標(biāo)客戶。而數(shù)據(jù)挖掘技術(shù)可以快速地從客戶數(shù)據(jù)庫中尋找到目標(biāo)客戶，在提升查找目標(biāo)客戶的準(zhǔn)確度上提高了新浪門戶的工作效率。（3）數(shù)據(jù)挖掘與分析部數(shù)據(jù)挖掘與分析部門是對(duì)整個(gè)流程進(jìn)行把控，通過分析反饋效果，從而提出科學(xué)的決策，最后對(duì)流程的每個(gè)步驟進(jìn)行最優(yōu)化調(diào)整，使得企業(yè)效率最大化。這樣獲得客戶信息的方式天羅地網(wǎng)，但是有一個(gè)缺點(diǎn)就是客戶散亂，存在著很多非目標(biāo)客戶，而查找目標(biāo)客戶就是本論文要解決的問題。免費(fèi)是網(wǎng)上資源互換，即通過自身發(fā)布的信息和對(duì)方進(jìn)行交換獲得客戶的信息。而客戶分類不但能夠?yàn)樾吕宋⒉┲付ㄏ到y(tǒng)及科學(xué)的差別化提供了證據(jù)，而且提高新浪微博中企業(yè)及個(gè)人的推廣。2. 新浪微博客戶分類的意義當(dāng)前，越來越多的行業(yè)運(yùn)用客戶分類來實(shí)現(xiàn)企業(yè)利潤的增長及服務(wù)水平的提高。改動(dòng)算法成本低，且效率高，適用于海量數(shù)據(jù)。為了找尋數(shù)據(jù)庫中最大信息量的字段采用信息論中的信息增益即互信息，在建立決策樹的節(jié)點(diǎn)后，再根據(jù)每個(gè)字段的取值來構(gòu)建樹的分枝，又在每個(gè)分枝的子集中，建立節(jié)點(diǎn)與分枝的循環(huán)過程。目前，此算法的運(yùn)用領(lǐng)域廣泛，如計(jì)算機(jī)科學(xué)、工程技術(shù)等領(lǐng)域，遺傳算法的研究工作有：分布并行遺傳算法、遺傳神經(jīng)網(wǎng)絡(luò)、分類系統(tǒng)、基礎(chǔ)理論等。而人工神經(jīng)網(wǎng)絡(luò)的過程，主要分為學(xué)習(xí)與工作兩個(gè)階段，在學(xué)問題定義 數(shù)據(jù)準(zhǔn)備 數(shù)據(jù)變換 數(shù)據(jù)挖掘 模型評(píng)估和結(jié)果分析6 / 37習(xí)的過程中，此算法一定要依靠學(xué)習(xí)算法，來此糾正學(xué)習(xí)過程中的偏誤差或偏離 [11]。而根據(jù)關(guān)聯(lián)算法處理值的類型，又可分成布爾關(guān)聯(lián)規(guī)則和量化關(guān)聯(lián)規(guī)則兩類。為本論文主要是是關(guān)于分類和回歸樹算法。結(jié)果分析是利用預(yù)測集數(shù)據(jù)去判斷，查看是否符合實(shí)際。4）數(shù)據(jù)挖掘：準(zhǔn)備好數(shù)據(jù)之后，就對(duì)這批數(shù)據(jù)和業(yè)務(wù)進(jìn)行研究，對(duì)該業(yè)務(wù)問題進(jìn)行需求分析，確定數(shù)據(jù)挖掘的任務(wù)和算法以及最終目的。其次對(duì)數(shù)據(jù)進(jìn)行預(yù)處理把選取后的數(shù)據(jù)做進(jìn)一步的分析。故簡化的數(shù)據(jù)挖掘流程如下 [8]，見圖 。數(shù)據(jù)挖掘是一個(gè)多步驟的過程，之間反復(fù)調(diào)整及相互影響，從而形成一個(gè)螺旋式的上升過程。數(shù)據(jù)挖掘的目標(biāo)是幫助決策者找到數(shù)據(jù)間的特征（Pattern ）、潛在的關(guān)聯(lián)性（ Relation）、趨勢（Trend ）等，發(fā)現(xiàn)容易被忽視的要素，對(duì)決策行為及預(yù)測未來十分有用 [4]。在經(jīng)過不斷完善后，如今，應(yīng)用在不同的領(lǐng)域，本小節(jié)的主要內(nèi)容便是介紹數(shù)據(jù)挖掘與分析的理論與技術(shù)。而人工篩選目標(biāo)客戶只會(huì)大大降低整個(gè)市場的效益，浪費(fèi)了企業(yè)大量的物力、人力以及財(cái)力。（二）選題目的作為如今人類生活溝通必需品且服務(wù)于社會(huì)各階層的新浪微博，其在互聯(lián)網(wǎng)、廣播、電視等各種媒體上的覆蓋面，各種實(shí)體上的推廣，和在網(wǎng)絡(luò)上的推廣，在社會(huì)上產(chǎn)生巨大的影響力及知名度，最終帶來了大量的目標(biāo)客戶群。數(shù)據(jù)挖掘是分析與探索大量數(shù)據(jù)，以求發(fā)現(xiàn)有意義的規(guī)則與模式的過程。正是有了這種技術(shù)的支持，才使得客戶分類的理念及目標(biāo)得以完成，滿足當(dāng)前時(shí)代激烈競爭的需求。在這樣一個(gè)商業(yè)時(shí)代，資源占有率成為一個(gè)企業(yè)生死存亡的關(guān)鍵點(diǎn)，客戶才是企業(yè)生存與發(fā)展的根本，而對(duì)于如何改善客戶服務(wù)，增加客戶滿意度和忠誠度，提升客戶價(jià)值來擴(kuò)大自身的收入和利潤，如何用信息化管理來替代原有的傳統(tǒng)管理手段等方法，是新浪門戶當(dāng)前解決的重要問題之一。本論文在數(shù)據(jù)挖掘的理論、方法及技術(shù)上，以決策樹為建模主要思想，采用決策樹中的基于 Gini 指數(shù)的分類和回歸樹（CART）算法，把新浪微博客戶信息轉(zhuǎn)化為屬性結(jié)論式的形式，通過構(gòu)建樹、修剪樹、評(píng)估模型三步驟，將客戶進(jìn)行分類，從而快速準(zhǔn)確地區(qū)分目標(biāo)客戶及非目標(biāo)客戶。在數(shù)據(jù)挖掘技術(shù)模型的基礎(chǔ)上，將新浪微博的目標(biāo)客戶模型做部分的調(diào)整，最終能夠得到最優(yōu)化模型。因此，企業(yè)必須從“產(chǎn)品”導(dǎo)向向“客戶”導(dǎo)向轉(zhuǎn)變，從而對(duì)客戶進(jìn)行有效管理，深層分析存儲(chǔ)大量客戶信息的數(shù)據(jù)倉庫，提高企業(yè)市場競爭力，獲得有利于商業(yè)運(yùn)作，有效信息從而創(chuàng)造更多的價(jià)值。（一）研究背景根據(jù) CNZZ 權(quán)威發(fā)布的第 31 次中國互聯(lián)網(wǎng)統(tǒng)計(jì)報(bào)告，截止到 2022 年 12 月底，我國微博用戶持續(xù)增長，規(guī)模達(dá)到 億，比較 2022 年增長 5873 億，網(wǎng)民中的微博用戶較去年相比提升 6 個(gè)百分比，達(dá)到了 %[2]。同樣對(duì)于一個(gè)企業(yè)來說，數(shù)據(jù)挖掘過程能夠有助于發(fā)現(xiàn)企業(yè)業(yè)務(wù)發(fā)展的趨勢，預(yù)測未知的結(jié)果，揭示已知的事實(shí)，且?guī)椭髽I(yè)分析出完成要求任務(wù)所需的關(guān)鍵因素，從而達(dá)到降低成本、增加收入，使企業(yè)處于更有利的競爭位置的目的。同時(shí)，由于新浪微博的特殊性，也帶