【正文】 他相關(guān)決策 。最后一類用戶沒有明顯的特征。年輕的一代比年長的一代更頻繁地使用手機(jī)，他們趨向展示更高的各種不同的附加服務(wù)使用模式。使用要素分析，聚類和定量關(guān)聯(lián)規(guī)則這些方法發(fā)現(xiàn)細(xì)分客戶群采用的服務(wù)模式，從這些分析中，確定了三種類別的用戶?；谙惹暗膶W(xué)習(xí)，客戶行為改變包括出現(xiàn)模式、增加模式、流失模式和不確定模式。關(guān)聯(lián)規(guī)則挖掘首次發(fā)現(xiàn)客戶行為模式。第五文獻(xiàn)中的模型，合并了客戶行為變量，人口統(tǒng)計學(xué)變量和事務(wù)數(shù)據(jù)庫統(tǒng)計客戶的行為變化。同樣將銀行的客戶分為三種主要盈利的客戶群，使用先驗(yàn)的關(guān)聯(lián)規(guī) 則挖掘不同客戶群的功能屬性。 第十七文獻(xiàn)中提出一個集成的數(shù)據(jù)挖掘模型和行為得分模型管理銀行現(xiàn)有的信用卡客戶。以后，我們將列出一些對于客戶分析的研究活動，向新手讀者介紹一些該領(lǐng)域的背景知識。一些文獻(xiàn)提出人工智能技術(shù)可以解決這個問題。數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技術(shù)能夠處理大量的數(shù)據(jù)和不確定性。因此，可以定義對客戶概括的數(shù)據(jù)挖掘，是簡單地作為的允許建立描述一組特定的習(xí)慣、態(tài)度和行為客戶檔案的技術(shù)。 因此，代替對待所有客戶一樣，企業(yè)可以只選擇那些符合特定的盈利條件的客戶，標(biāo)準(zhǔn)基于他們個人的需求或消費(fèi)行為。數(shù)據(jù)挖掘，是數(shù)據(jù)庫的中知識發(fā)現(xiàn)關(guān)鍵的一步，包括特定算法的模式提取的應(yīng)用，像網(wǎng)絡(luò)、市場、金融和銀行業(yè)務(wù)這些領(lǐng)域已經(jīng)有多方面成功的應(yīng)用。在過去，研究人員通常使用應(yīng)用統(tǒng)計調(diào)查研究客戶的行為。真實(shí)世界的數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果揭示了我們的方法的良好性能 ,應(yīng)該模擬未來的研究。因此 ,作為結(jié)果 ,第二步 ,我們獲得的消費(fèi)者群每個描述由一種獨(dú)特的屬性集。在第二步中 ,我們進(jìn)行降維旨在保持為每組只有客戶的信息最豐富的屬性。在第一步中 ,我們使用模糊聚類分類的客戶 ,即確定客戶群。在本文中 ,我們提出的方法建立客戶模型 (也說在文獻(xiàn)資料 )與業(yè)務(wù)數(shù)據(jù)。畢業(yè)論文外文文獻(xiàn)翻譯 2 份 目 錄 1 外文文獻(xiàn)譯文（ 1） ................................................. 1 建立客戶模型與業(yè)務(wù)數(shù)據(jù) :一個自動的方法基于模糊聚類和機(jī)器學(xué)習(xí) ..... 1 摘要 ............................................................ 1 介紹 ............................................................ 1 提案 ............................................................ 3 2 外文文獻(xiàn)原文 （ 1） ................................................. 4 title ............................................................. 4 Abstract .......................................................... 4 Introduction ....................................................... 4 Our Proposal ...................................................... 7 3 外文文獻(xiàn)譯文（ 2） ................................................. 9 客戶的知識關(guān)系管理：整合知識管理和客戶關(guān)系管理過程 .............. 9 摘要 ............................................................ 9 介紹 ............................................................ 9 文獻(xiàn)綜述 ....................................................... 10 提出客戶知識關(guān)系管理過程的概念模型 ............................. 11 4 外文文獻(xiàn)原文 （ 2） ................................................ 12 title ............................................................ 12 Abstract ......................................................... 12 Introduction ...................................................... 13 Literature Review ................................................. 14 Proposed Customer Knowledge Relationship Management Process: A Conceptual Model ............................................................. 16 1 1 外文文獻(xiàn)譯文（ 1） 建立客戶模型與業(yè)務(wù)數(shù)據(jù) :一個自動的方法基于模糊聚類和機(jī)器學(xué)習(xí) 摘要 數(shù)據(jù)挖掘 (DM)是一門新興學(xué)科 ,旨在從數(shù)據(jù)中提取知識使用幾種技術(shù)。 DM 證明是有用的業(yè)務(wù)數(shù)據(jù)的描述客戶和他們的交易以兆兆字節(jié)。我們的方法是三步。一個關(guān)鍵特性是 ,很多團(tuán)體(或集群 )自動計算從數(shù)據(jù)使用劃分熵作為真實(shí)性的標(biāo)準(zhǔn)。為此 ,我們定義了信息損失量化信息程度的一個屬性。在第三個和最后一步 ,我們使用摘要神經(jīng)網(wǎng)絡(luò)中獲取有用的知識從這些組織。 關(guān)鍵字：數(shù)據(jù)挖掘、客戶 利潤、客戶關(guān)系、模糊聚類、降維、 倒傳遞類神經(jīng)網(wǎng)路、信息原理 介紹 如果可以探測和預(yù)測客戶的行為改變，營銷管理能夠和客戶發(fā)展長期和愉快的關(guān)系。最近，數(shù)據(jù)挖掘技術(shù)已經(jīng)采用，這些技術(shù)的目標(biāo)通過搜索數(shù)據(jù)庫以獲取隱式的，未知，和潛在有用信息，包括知識規(guī)則、約束和規(guī)律。目前，企業(yè)面臨的挑戰(zhàn)是一個不斷發(fā)展的市場，客戶的需求在不斷地變化。這樣，所發(fā)現(xiàn)的信息可以為市場做更精準(zhǔn)的決策。數(shù) 2 據(jù)挖掘技術(shù)在 客戶 分析中面臨一些困難，大量的數(shù)據(jù)可用來創(chuàng)建用戶模型，數(shù)據(jù)是否適當(dāng)，數(shù)據(jù)噪音問題和和捕獲人類不確定性行為的必要性。這些特征使這些技術(shù)實(shí)現(xiàn)客戶模型的自動生成，提高決策效率 。事實(shí)上，許多工業(yè)應(yīng)用程序?yàn)榱税l(fā)展客戶分析已經(jīng)使用貝葉斯網(wǎng)絡(luò)、決策樹、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則技術(shù)。如果想對現(xiàn)有方法深入學(xué)習(xí)，感興趣的讀者參考相關(guān)的專業(yè)文獻(xiàn)。區(qū)分基于還款行為時效性、頻率、貨幣行為和得分的預(yù)測因子的客戶群，使用自組織映射方法。 其他方法也在零售市場得到應(yīng)用，因?yàn)樵趧討B(tài)的零售市場觀察客戶行為的變化可以幫助管理者建立有效的宣傳活動。為了挖掘變化模式，相似性和不可預(yù)測性兩種擴(kuò)展特征用來分析不同時期模式的相似度。自從發(fā)現(xiàn)了關(guān)聯(lián)規(guī)則，通過比較兩組不同時期的數(shù)據(jù)的關(guān)聯(lián)規(guī)則確定客戶行為的變化。 第四十文獻(xiàn)中另一個值得注意的案例 ，現(xiàn)在這個模式使用到其他的服務(wù)，目前提供給移動電信用戶。第一類用戶由新一代利用額外服務(wù)收費(fèi)的用戶組成，組要為了休閑和娛樂。第二類用戶使用實(shí)際的附加服務(wù)，低價或免費(fèi)的如“數(shù)據(jù)服務(wù)”和“通話服務(wù)”通過“來電顯示請求服務(wù)”。這份研究使用關(guān)聯(lián)規(guī)則發(fā)現(xiàn)在每個用戶群，為不同用戶組的移動服務(wù)市場提供戰(zhàn)略指 導(dǎo)。關(guān)聯(lián)規(guī)則的 關(guān)系數(shù)據(jù)庫設(shè)計實(shí)現(xiàn)了挖掘系統(tǒng)幫助電子目錄設(shè)計和 3 促銷策略設(shè)計。 在本文中，我們提出一種方法從業(yè)務(wù)數(shù)據(jù)中開發(fā)自動客戶分析 (模型 )。模糊聚類算法關(guān)鍵的一步是決定劃分聚類的組數(shù)，自動從數(shù)據(jù)使用分區(qū)熵作為一個有效措施。選擇是基于屬性信息的損失；量計算運(yùn)用信息熵的屬性。在第三步，最后一個步驟中，每個聚類減少訓(xùn)練，從反饋網(wǎng)絡(luò)中提取有用的知識。下文組織如下，第二章中我們詳細(xì)描述我們的模型。 提案 我們的方法是三步，總結(jié)了圖 1。該方法的一個重要特性是使用劃分熵作為一個有效性度量自動計算聚類的數(shù)量。第一步的結(jié)果，從消費(fèi)習(xí)慣， ,收入等相似性方面細(xì)分獲取幾組描述客戶類別。事實(shí)上，聚類中的屬性不是所有都是相關(guān)的，有一些屬性應(yīng)該刪除。第三，每個聚類被導(dǎo)入倒傳遞網(wǎng)絡(luò)提取有用的信息。這樣，新一輪分類 后以前未知的客戶就變成非常容易的任務(wù)。 第二步，屬性的選擇 自然，在相同的集群 (同一群顧客 )中，并不是所有的初始屬性是有效，其中有些應(yīng)該被丟棄。我們將使用圖 2 中相同的聚類方法計算這個頻率，但是只適用于一個數(shù)據(jù)集組成的屬性值。給定客戶群的屬性運(yùn)用圖 2 的聚類方法，獲取一組嵌入屬性值非常類似的聚類；因此相應(yīng) 4 的集群多次相似的值被視為一個單一值。 2 外文文獻(xiàn)原文 （ 1） title Building customer models from business data: an automatic approach based on fuzzy clustering maching learning Abstract Data mining (DM) is a new emerging discipline that aims to extract knowledge from data using several techniques. DM turned out to be useful in business where the data describing the customers and their transactions is in the order of terabytes. In this paper, we propose an approach for building customer models (said also pro?les in the literature) from business data. Our approach is threestep. In the ?rst step, we use fuzzy clustering to categorize customers, ., determine groups of customers. A key feature is that the number of groups (or clusters) is puted automatically from data using the partition entropy as a validity criteria. In the second step, we proceed to a dimensionality reduction which aims at keeping for each group of customers only the most informative attributes. For this, we de?ne the information loss to quantify the information degree of an attribute. Hence, and as a result to this second step, we obtain groups of customers each described by a distinct set of attributes. In the third and ?nal step, we use backpropagation neural works to extract useful knowledge from these groups. Experimental results on realworld data sets reveal a good performance of our approach and should simulate future research. Keywords: Data mining。 customer relationships management (CRM)。 dimensionality reduction。 information theory. Introduction 5 Marketing managers can develop longterm and pleasant relationships with customers if they can detect and predict changes in their behavior. In the past, researchers generally used to apply statistical surveys to study customer behavior. Recently, data mining techniques have been adopted. These techniques aim to search through a database to obtain implicit, previously unknown, and potentially useful informa