[论文解读] 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 17

一句话总结

本研究评估了在电信领域使用通话详单记录（CDR）数据预测客户流失的关联学习方法。研究发现，集体推理并未提升性能，而仅使用网络的基于链接的分类器——在基于链接的特征上使用逻辑回归——在所测试的关联分类器中表现最佳。

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.

研究动机与目标

• 评估关联学习方法在电信网络中预测客户流失的有效性。
• 比较多种关联分类器和集体推理技术在真实世界CDR数据集上的性能表现。
• 确定集体推理是否能超越独立关联分类器，提升预测准确率。
• 识别在电信场景下预测客户流失最有效的关联学习方法。

提出的方法

• 本研究将多种关联分类器应用于电信运营商提供的通话详单记录（CDR）数据集。
• 在仅使用网络的框架下，评估基于链接的度量作为逻辑回归模型的特征。
• 应用集体推理方法以评估其对预测性能的影响。
• 在多个数据集上衡量性能，以确保结果的稳健性和泛化能力。
• 通过分离关联分类器和集体推理的贡献，以识别其各自的影响。

实验结果

研究问题

• RQ1 在使用CDR数据时，不同关联分类器在预测客户流失方面的表现如何？
• RQ2 将集体推理整合到关联分类器中是否能提升其在客户流失预测中的准确性？
• RQ3 哪些特定的基于链接的特征对客户流失预测模型的贡献最为有效？
• RQ4 仅使用网络的基于链接的分类器是否优于结合了关联学习与集体推理的模型？

主要发现

• 集体推理方法并未提升关联分类器在预测客户流失方面的性能。
• 仅使用网络的基于链接的分类器——在基于链接的特征上使用逻辑回归——实现了最高的预测准确率。
• 结合网络结构的关联分类器在客户流失预测任务中优于非关联基线模型。
• 表现最佳的模型完全依赖于基于链接的度量，未引入额外的集体推理。