|
基于机器学习的客户智能识别技术研究 | |
论文目录 | |
| 摘要 | 第1-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 机器学习技术研究现状 | 第11-12页 |
| 1.2.2 客户识别研究现状 | 第12-13页 |
| 1.3 研究目的及内容 | 第13-14页 |
| 1.4 本文组织安排 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-23页 |
| 2.1 数据挖掘理论 | 第16-19页 |
| 2.1.1 数据挖掘特征 | 第17页 |
| 2.1.2 数据挖掘主要对象 | 第17-18页 |
| 2.1.3 数据挖掘处理过程 | 第18-19页 |
| 2.2 词向量化技术 | 第19-21页 |
| 2.3 文本分类技术 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于多文本表示模型的客户智能识别算法 | 第23-45页 |
| 3.1 算法原理及处理流程 | 第23-25页 |
| 3.2 基于加权改进GloVe模型的文本表示方法 | 第25-30页 |
| 3.2.1 GloVe模型的研究 | 第25-29页 |
| 3.2.2 GloVe模型的改进设计 | 第29-30页 |
| 3.3 基于BERT模型的文本表示方法 | 第30-36页 |
| 3.3.1 BERT模型的研究 | 第30-34页 |
| 3.3.2 BERT模型的文本表示 | 第34-36页 |
| 3.4 基于语境融合的文本表示算法 | 第36页 |
| 3.5 基于Ave BG-RF模型的客户识别 | 第36-42页 |
| 3.5.1 随机森林模型 | 第36-41页 |
| 3.5.2 Ave BG-RF模型的设计 | 第41-42页 |
| 3.6 主要参数与评价指标 | 第42-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 性能对比实验与评估 | 第45-58页 |
| 4.1 实验环境与数据 | 第45-47页 |
| 4.2 参数设置与测试方法 | 第47-48页 |
| 4.3 性能对比实验及分析 | 第48-57页 |
| 4.3.1 基于Ave GloVe模型的文本表示对比实验 | 第49-51页 |
| 4.3.2 基于BERT模型的文本表示对比实验 | 第51-52页 |
| 4.3.3 基于Ave BG模型的文本表示对比实验 | 第52-53页 |
| 4.3.4 实验对比分析 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 客户识别系统的设计与实现 | 第58-74页 |
| 5.1 客户识别系统需求分析 | 第58-61页 |
| 5.1.1 整体需求 | 第58-59页 |
| 5.1.2 数据采集需求 | 第59页 |
| 5.1.3 数据处理需求 | 第59-60页 |
| 5.1.4 模型需求 | 第60页 |
| 5.1.5 数据存储需求 | 第60-61页 |
| 5.2 客户识别系统总体架构设计 | 第61-63页 |
| 5.2.1 系统开发方法 | 第61-62页 |
| 5.2.2 系统总体架构设计 | 第62-63页 |
| 5.3 客户识别系统模块设计与实现 | 第63-71页 |
| 5.3.1 数据采集模块 | 第64-66页 |
| 5.3.2 数据处理模块 | 第66-68页 |
| 5.3.3 模型模块 | 第68-70页 |
| 5.3.4 数据存储模块 | 第70-71页 |
| 5.4 客户识别系统测试 | 第71-73页 |
| 5.4.1 实现环境与工具 | 第71页 |
| 5.4.2 系统测试及分析 | 第71-73页 |
| 5.5 本章小节 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 全文总结 | 第74页 |
| 6.2 后续工作展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-80页 |
本篇论文共80页，点击
这进入下载页面 |
|
| Copyright(C) All Rights Reserved |
| 客服QQ：304386486 |
| 目录由用户 xjc** 提供，作者删除入口请点击这里 |