این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۰، شماره ۴، صفحات ۴۵-۶۶
عنوان فارسی مدل یادگیری جمعی بهبود یافته با هوش ازدحامی جهت پیش‌بینی ریزش مشترکین تلفن همراه
چکیده فارسی مقاله
از آنجا که در شرکتهای مخابرات همراه،هزینه حفظ مشتریان فعلی بسیار کمتر از هزینه جذب مشتریان جدید است، پیش‌بینی دقیق امکان ریزش هر یک از مشتریان و جلوگیری از آن امری ضروری می‌باشد. بنابراین، پژوهشگران روش‌های کارآمدی را با استفاده از ابزارهای داده‌کاوی و هوش مصنوعی برای شناسایی مشتریانی که قصد رویگردانی دارند ارائه کرده‌اند. در این مقاله، ما به منظور بهبود فرآیند پیش‌بینی ریزش مشتری، یک راهکار مؤثر مبتنی بر یادگیری جمعی را پیشنهاد می‌کنیم که در آن از الگوریتم بهینه‌سازی گرگ خاکستری، به منظور انتخاب ویژگی‌های مؤثر و همچنین تنظیم پارامترهای آزاد مدل پیشنهادی، استفاده شده است. سپس، به منظور ارزیابی عملکرد روش پیشنهادی، آن‌ را با استفاده از مجموعه داده IBM Telco شبیه‌سازی کرده و نتایج حاصل را به کمک معیارهای ارزیابی متداول شامل صحت، دقت، یادآوری، امتیاز F1 و AUC باسایر روش‌های مشابه مقایسه کرده‌ایم.نتایج بدست آمده برتری روش پیشنهادی بر سایر راهکارهای ارزیابی شده را نشان می‌دهد.
کلیدواژه‌های فارسی مقاله پیش‌بینی ریزش مشتری،مخابرات همراه،یادگیری جمعی، هوش ازدحامی، الگوریتم بهینه‌سازی گرگ خاکستری
عنوان انگلیسی Improved Ensemble Learning Model by Swarm Intelligence for Mobile Subscribers’ Churn Prediction
چکیده انگلیسی مقاله In today’s competitive world, companies need to analyze, identify and predict the behaviorof their customers and respond to their demands earlier than their competitors. Moreover, in manyindustries such as mobile telecommunications, the cost of maintaining existingcustomers (customer retention)is much lower than the cost of attracting a new customer. Therefore,the problem of identifying customers who are going to leave the company, so-called Customer Churn Prediction (CCP),and preventing themby offering Incentivesis essential in these industries. In this direction, researchers have presentedefficient methods using data mining and artificial intelligence tools to identify potentialchurners. In order to improve the process of predicting customer churn, in this paper we propose a novelensemble learningbased approach, in which the Gray Wolf Optimization(GWO) algorithm is utilized to select the effective features and also adjust the hyper-parameters in the proposed model. We have implemented our proposed model using Python and simulated it on the IBM Telco dataset to evaluate itsperformanceand compared the obtained results with existingmethods using common evaluation criteria including accuracy, precision, recall,and AUC. The experimentalresults show the superiority of the proposed method over other evaluated solutions.
کلیدواژه‌های انگلیسی مقاله Customer Churn Prediction, Mobile Telecommunication, Ensemble Learning, Swarm Intelligence, Gray Wolf Optimization Algorithm
نویسندگان مقاله بیژن مرادی | bijan moradi


مهران خلج | Mehran Khalaj


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2382-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات