LSTM模型集成方法在客户流失预测中的应用

• 作者: 严建峰 周捷 夏鹏 杨璐 王猛
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 流失预测 长短期记忆网络 深度学习 集成学习 时序数据
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 应用技术与研究
• 页码范围: 39-46
• 页数: 8页
• 分类号: TP391
• 字数: 7693字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2019.11.007

摘要

目前客户流失预测任务中常用的模型集成方法采用传统机器学习模型作为基学习器.而传统机器学习模型相比于深度学习模型,存在无法对时序数据进行有效建模、特征工程对模型效果影响较大等缺点.针对这些问题,提出基于LSTM的模型集成方法.采用LSTM作为基学习器进行时序数据建模;改进snapshot模型集成方法,增加样本权重调整方法,在训练单个LSTM模型的过程中得到多个具有不同权值的模型;利用得到的多个模型构造新数据集,在新数据集上训练逻辑回归模型.实验结果表明,该方法相比于单模型LSTM,可以在仅花费其1.8倍训练时间的前提下,将查准率和PR-AUC分别提升4.67％和3.74％,显著提高了客户流失预测效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	严建峰	苏州大学计算机科学与技术学院	33	149	8.0	10.0
2	杨璐	苏州大学计算机科学与技术学院	19	74	5.0	7.0
3	周捷	苏州大学计算机科学与技术学院	2	8	2.0	2.0
4	夏鹏	苏州大学计算机科学与技术学院	1	2	1.0	1.0
5	王猛	苏州大学计算机科学与技术学院	2	7	2.0	2.0