[论文解读] CUDA-Self-Organizing feature map based visual sentiment analysis of bank customer complaints for Analytical CRM

Rohit Gavval, Vadlamani Ravi+3 more|arXiv (Cornell University)|May 23, 2019

Customer churn and segmentation参考文献 33被引用 7

一句话总结

本文提出 CUDASOM，一种基于 CUDA 加速的高性能自组织映射（SOM）框架，用于分析银行客户投诉的视觉情感。通过利用 GPU 并行计算，CUDASOM 加速了高维文本投诉的聚类与可视化，平均提速达 44 倍，使 CRM 管理人员能够识别情感模式并分组处理投诉，从而及时采取补救措施。

ABSTRACT

With the widespread use of social media, companies now have access to a wealth of customer feedback data which has valuable applications to Customer Relationship Management (CRM). Analyzing customer grievances data, is paramount as their speedy non-redressal would lead to customer churn resulting in lower profitability. In this paper, we propose a descriptive analytics framework using Self-organizing feature map (SOM), for Visual Sentiment Analysis of customer complaints. The network learns the inherent grouping of the complaints automatically which can then be visualized too using various techniques. Analytical Customer Relationship Management (ACRM) executives can draw useful business insights from the maps and take timely remedial action. We also propose a high-performance version of the algorithm CUDASOM (CUDA based Self Organizing feature Map) implemented using NVIDIA parallel computing platform, CUDA, which speeds up the processing of high-dimensional text data and generates fast results. The efficacy of the proposed model has been demonstrated on the customer complaints data regarding the products and services of four leading Indian banks. CUDASOM achieved an average speed up of 44 times. Our approach can expand research into intelligent grievance redressal system to provide rapid solutions to the complaining customers.

研究动机与目标

• 开发一种可扩展、实时的客户投诉视觉情感分析框架，用于分析型 CRM。
• 解决传统 SOM 在处理客户反馈中高维文本数据时的性能瓶颈。
• 通过 CUDA 实现 GPU 并行计算，加速 SOM 训练过程，以更快提取洞察。
• 使 CRM 管理人员能够可视化并解读投诉聚类，以采取针对性补救措施。
• 在真实世界印度银行客户投诉数据集上展示该框架的有效性。

提出的方法

• 该框架采用自组织映射（SOM）将高维文本投诉聚类为基于语义相似性的拓扑有序映射。
• 在输入 SOM 前，使用 TF-IDF 或词嵌入技术将文本投诉转化为向量。
• 基于 CUDA 的实现（CUDASOM）通过 GPU 核心并行化 SOM 训练过程，以加速收敛。
• 该算法使用竞争学习与邻域函数更新，以在输出映射中保持拓扑结构。
• 应用颜色编码和聚类标注等可视化技术，以增强训练后映射的可解释性。
• 系统在四家印度银行的真实投诉数据上进行评估，性能指标包括提速比与聚类质量。

实验结果

研究问题

• RQ1 GPU 加速的 SOM 是否能有效处理并可视化大规模、高维的客户投诉数据以实现情感分析？
• RQ2 CUDASOM 在客户投诉数据集上相较于传统 CPU 实现的 SOM，训练速度能提升多少？
• RQ3 可视化后的 SOM 映射在多大程度上能揭示银行客户投诉中的有意义情感聚类与模式？
• RQ4 生成的映射是否能为分析型 CRM 团队提供可操作的洞察，以减少客户流失？
• RQ5 CUDASOM 框架在处理真实世界中嘈杂且非结构化的客户反馈时，其鲁棒性如何？

主要发现

• CUDASOM 在相同数据集上相较于传统 CPU 实现的 SOM，平均提速达 44 倍。
• 可视化后的 SOM 映射成功揭示了基于情感与主题的明显投诉聚类，如服务延迟与费用争议。
• 该框架使 CRM 管理人员能够识别重复出现的问题，并优先处理高影响的投诉类别以实施补救。
• 映射的拓扑排序保留了投诉之间的语义关系，增强了可解释性。
• 该模型在高维文本数据上表现出良好的可扩展性与效率，使实时情感分析成为可能。
• 结果表明，CUDASOM 可作为银行与 CRM 领域智能投诉处理系统中的可行工具。