【技術實現步驟摘要】
本專利技術涉及數據識別，具體涉及一種基于多視圖學習的數據識別方法。
技術介紹
1、隨著電信行業的快速發展和市場競爭加劇，電信客戶流失成為運營商關注的焦點。預測和防止客戶流失對于電信企業維持市場競爭力和提高客戶滿意度至關重要。研究表明，客戶每流失1％，利潤將減少5％-16％，并且發展新客戶的成本是保留現有客戶的5至10倍。因此對客戶進行精準識別、避免客戶流失是各運營商目前迫切解決的問題。
2、近年來學術界和業界在電信客戶流失預測領域進行了大量研究，提出了多種預測模型和方法。
3、張三妞等(2023)研究了生存分析模型在電信客戶流失預測中的應用，kaplan-meier(km)模型和cox比例風險模型，能夠有效預測客戶流失的時間點及影響因素。km模型通過無參數方式估計客戶生存概率，適用于組間比較；cox模型則進一步考慮多因素影響，適用于復雜的多變量分析。這些模型不僅提高了預測的準確性，還為電信企業提供了挽留客戶的策略依據。
4、梁爽(2023)研究了機器學習在電信客戶流失預測中的應用。通過從歷史數據中學習特征與客戶流失之間的關系，實現了較高的預測準確率。這些方法在處理大規模、高維數據時表現出色，且能夠捕捉復雜的非線性關系。
5、黃子璇(2023)利用注意力機制和圖卷積網絡，來處理電信客戶流失預測問題。這些方法能夠自動提取特征并捕捉復雜的時序和空間關系，進一步提高了預測的精度。此外，還有一些研究嘗試將數據挖掘技術與特定算法結合，如張娟娟(2023)通過數據挖掘預處理數據和stacking
6、陳立(2023)提出了一種基于cw-stacking集成算法的預測模型，針對電信客戶數據的特點進行了算法優化。李毅(2023)結合了聚類隨機采樣和代價敏感學習，以提高不平衡數據集上的預測性能。這些研究針對電信行業的特定問題進行了算法改進和優化，進一步提升了預測效果。
7、盡管多視圖數據為電信客戶流失識別提供了更為全面的信息基礎，但現有方法在處理多視圖數據時仍存在以下問題：
8、信息冗余問題：各視圖之間可能存在大量的重復信息，這些信息不僅增加了模型處理的復雜度，還可能對模型的識別效果產生負面影響。
9、表征能力不足：不同視圖之間的信息互補性未能得到充分利用，導致模型的表征能力受限，難以全面捕捉影響財務欺詐的復雜因素。
10、特征提取不精確：現有方法在處理多視圖數據時，往往采用簡單的特征拼接或融合方式，難以精確提取各視圖的關鍵特征及其之間的交互關系。
11、缺乏聯合決策機制：各視圖之間的信息在識別過程中未能形成有效的聯合決策機制，導致模型的識別結果可能受到單一視圖信息的誤導。
技術實現思路
1、針對現有技術的不足，本專利技術提供了一種基于多視圖學習的數據識別方法，解決了多視圖數據處理信息冗余、表征能力不足、特征提取不精確、缺乏聯合決策機制的問題。
2、為實現以上目的，本專利技術通過以下技術方案予以實現：
3、一種基于多視圖學習的數據識別方法，所述識別方法包括步驟如下：
4、s1、收集電信客戶的多視圖特征數據，對數據進行清洗、去噪、標準化、缺失值填充操作；
5、s2、將用戶特征劃分為用戶特征u、服務特征s、合同特征c、費用特征e，usce四個視圖都是數值特征，使用數值嵌入的方法，讓低維度的數值特征通過高維變換，在深度學習框架下發揮出其價值；
6、s3、為了提取多視圖信息中的互補信息，將usce四個視圖的表征編碼輸入mvesr網絡，該網絡包括一致性網絡、互補性網絡以及聯合決策模塊；mvesr網絡在聯合決策的過程中，包含了各個增強的獨立視圖信息、各視圖交互信息以及各個增強的匯總信息；
7、s4、基于上述交互信息的提取，考慮到不同信息對分類的貢獻程度不同，采用自適應權重損失融合的聯合決策分類方法。
8、優選的，所述s1中，對于分類列，采用one-hot編碼，將流失客戶編碼為1，未流失客戶編碼為0；
9、對于數值特征，采用k近鄰法填補缺失值，實現步驟如下：
10、選擇鄰居：對于數據集中的每個缺失值，確定一個固定數量的最近鄰樣本，這些樣本在特征空間中與缺失值所在樣本距離最近；此數量由參數n_neighbors定義；
11、距離度量：采用適當的距離函數來量化數據點之間的相似度，常用的距離度量包括歐氏距離、曼哈頓距離；對于存在缺失值的數據點，距離計算需進行適當的調整，以確保只基于非缺失特征進行；
12、權重分配：根據樣本之間的距離進行權重分配，距離越近的樣本在缺失值估計中具有更高的權重；權重是均勻的或是與距離的倒數成正比；
13、缺失值估計：對于每個缺失特征，基于選定的鄰居樣本及其相應的權重，計算缺失值的估計；估計通過簡單的算術平均或加權平均來實現；缺失值的估計可以通過以下公式表示：
14、
15、其中，wi表示第i個鄰居樣本的權重；
16、vi表示第i個鄰居樣本在缺失特征上的值；
17、k是由參數n_neighbors指定的鄰居樣本數量。
18、優選的，所述s2中，通過數值嵌入模塊將usce四個視圖的數值特征轉換為向量嵌入，再利用transformer模塊處理向量嵌入，最終得到高維的向量表示；單個視圖的具體實現過程如公式(1)-(6)所示：
19、tj＝bj+fj(xj0∈rdfj∶xj→rd#(1)
20、
21、其中，bj是第j個特征的偏執項；
22、fj(·)是指將原特征向量與wj∈rd進行逐元素乘法；
23、是對應分類特征的one-hot編碼，本文是二分類任務，欺詐企業為1，非欺詐企業為0；
24、分別將單一視圖的數值特征和對應的分類特征進行高維映射，此過程中視圖內部特征將會被賦予不同的權重，且彼此間信息交互，訓練過程中權重矩陣會不斷迭代；將高維映射后的拼接為t，此時t中同時包含數值特征和分類特征的信息；
25、t0＝stack[[cls]，t]#(5)
26、ti＝fi(ti-1)#(6)
27、利用transformer將[cls]與t合并，經過l層fi(·)變換得到tl；最終得到作為進行下游任務；表現為一種聚合的特征信息表示，不僅包含原始的特征信息，也包含了特征與特征之間的關系。
28、優選的，所述s2中，為了去除視圖內的特征之間的冗余信息，采用多頭注意力機制自適應的對各視圖內特征編碼；注意力函數將查詢和一組鍵值對映射到輸出，其中查詢、鍵、值和輸出都是向量，輸出是值的加權和，每個權重都是由查詢和鍵計算得出；對于每個特征，多頭注意力會為其分配一個可訓練的查詢向量q，旨在提取各特征之間的相關性；查詢向量q初始是隨機的，隨后在訓練過程中得到最優；
29、本文將數值本文檔來自技高網...
【技術保護點】
1.一種基于多視圖學習的數據識別方法，其特征在于，所述識別方法包括步驟如下：
2.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述S1中，對于分類列，采用one-hot編碼，將流失客戶編碼為1，未流失客戶編碼為0；
3.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述S2中，通過數值嵌入模塊將USCE四個視圖的數值特征轉換為向量嵌入，再利用Transformer模塊處理向量嵌入，最終得到高維的向量表示；單個視圖的具體實現過程如公式(1)-(6)所示：
4.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述S2中，為了去除視圖內的特征之間的冗余信息，采用多頭注意力機制自適應的對各視圖內特征編碼；注意力函數將查詢和一組鍵值對映射到輸出，其中查詢、鍵、值和輸出都是向量，輸出是值的加權和，每個權重都是由查詢和鍵計算得出；對于每個特征，多頭注意力會為其分配一個可訓練的查詢向量Q，旨在提取各特征之間的相關性；查詢向量Q初始是隨機的，隨后在訓練過程中得到最優；
5.如權利要求1所述的基于多視圖學習的數
6.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述S4中，決策信息集合中包含視圖一致性信息Yb以及V個視圖的互補性信息表示如下：
...【技術特征摘要】
1.一種基于多視圖學習的數據識別方法，其特征在于，所述識別方法包括步驟如下：
2.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述s1中，對于分類列，采用one-hot編碼，將流失客戶編碼為1，未流失客戶編碼為0；
3.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述s2中，通過數值嵌入模塊將usce四個視圖的數值特征轉換為向量嵌入，再利用transformer模塊處理向量嵌入，最終得到高維的向量表示；單個視圖的具體實現過程如公式(1)-(6)所示：
4.如權利要求1所述的基于多視圖學習的數據識別方法，其特征在于，所述s2中，為了去除視圖內的特征之間的冗余信息，采用多頭注意力機制自適應的對各視圖內特征編碼；...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。