[論文レビュー] A comparative study of social network classifiers for predicting churn in the telecommunication industry

María Óskarsdóttir, Cristián Bravo+4 more|arXiv (Cornell University)|Aug 18, 2016

Customer churn and segmentation参考文献 41被引用数 17

ひとこと要約

本研究では、通信会社の通話記録データ（CDR）を用いて、顧客の離脱予測のための関係学習手法を評価する。集団推論は性能向上をもたらさず、リンクベースの特徴量にロジスティック回帰を適用するネットワーク専用のリンクベース分類器が、検証された関係学習分類器の中で最も優れた結果を達成した。

ABSTRACT

Relational learning in networked data has been shown to be effective in a number of studies. Relational learners, composed of relational classifiers and collective inference methods, enable the inference of nodes in a network given the existence and strength of links to other nodes. These methods have been adapted to predict customer churn in telecommunication companies showing that incorporating them may give more accurate predictions. In this research, the performance of a variety of relational learners is compared by applying them to a number of CDR datasets originating from the telecommunication industry, with the goal to rank them as a whole and investigate the effects of relational classifiers and collective inference methods separately. Our results show that collective inference methods do not improve the performance of relational classifiers and the best performing relational classifier is the network-only link-based classifier, which builds a logistic model using link-based measures for the nodes in the network.

研究の動機と目的

• 通信ネットワーク内での顧客離脱予測における関係学習手法の有効性を評価すること。
• 実世界のCDRデータセットを用いて、さまざまな関係学習分類器および集団推論技術の性能を比較すること。
• 集団推論が、単独の関係学習分類器を上回る予測精度を向上させるかどうかを特定すること。
• 通信分野における離脱予測に最も効果的な関係学習アプローチを同定すること。

提案手法

• 本研究では、通信事業者から得た通話記録データ（CDR）を用いて、複数の関係学習分類器を適用する。
• ネットワーク専用フレームワーク内で、ロジスティック回帰モデルの特徴量としてリンクベースの指標を評価する。
• 集団推論手法を適用し、予測性能への影響を評価する。
• 性能の妥当性と一般化能力を確保するため、複数のデータセットで性能を測定する。
• 関係学習分類器と集団推論の貢献を分離し、それぞれの個別効果を特定する。

実験結果

リサーチクエスチョン

• RQ1 CDRデータを用いた場合、異なる関係学習分類器はどのように顧客離脱予測の性能を発揮するか？
• RQ2 集団推論の統合が、関係学習分類器の離脱予測精度を向上させるか？
• RQ3 どの特定のリンクベース特徴量が、離脱予測モデルにおいて最も効果的に寄与するか？
• RQ4 関係学習と集団推論を組み合わせたモデルに比べ、ネットワーク専用のリンクベース分類器は優れているか？

主な発見

• 集団推論手法は、顧客離脱予測における関係学習分類器の性能を向上させない。
• リンクベースの特徴量にロジスティック回帰を適用するネットワーク専用のリンクベース分類器が、最高の予測精度を達成した。
• ネットワーク構造を組み込んだ関係学習分類器は、非関係学習ベースラインを上回る性能を示した。
• 最も優れたモデルは、追加の集団推論を一切用いず、リンクベースの測定値に依存している。