一种用于构建用户画像的多视角融合框架

被引:45
作者
费鹏 [1 ]
林鸿飞 [1 ]
杨亮 [1 ]
徐博 [1 ]
古丽孜热艾尼外 [2 ]
机构
[1] 大连理工大学计算机科学与技术学院信息检索研究室
[2] 伊犁师范学院电子与信息工程学院
关键词
用户画像; 多视角学习; 模型融合;
D O I
暂无
中图分类号
TM73 [电力系统的调度、管理、通信];
学科分类号
080802 ;
摘要
电网公司的电费敏感客户往往对由用电引发的电量、电价、电费、缴费、欠费等电力服务具有强烈反应。快速定位电费敏感客户,对降低客户投诉率、提升客户满意度、树立供电企业良好的服务形象具有重要的作用。基于电网用户数据,提出了一种用于构建用户画像的多视角融合框架,该框架能够快速、准确地识别出电费敏感客户。首先,对电网用户进行了分析研究,利用双通道对不同特性的用户分别建模预测;其次,提出了多种特征萃取方法,用于构建用户多源特征体系;最后,为了充分利用多源特征,进一步提出了基于双层Xgboost的多视角融合模型。该框架在2016CCF大数据与计算智能大赛"客户画像"竞赛中获得了F1值为0.90379(第一名)的成绩,其有效性得到了验证。
引用
收藏
页码:179 / 182+204 +204
页数:5
相关论文
共 8 条
[1]   基于客户画像的客户诉求管理 [J].
马亮 ;
陶利涛 ;
谢骏凯 .
电力需求侧管理, 2016, 18(S1) (S1) :98-100
[2]   移动用户画像构建研究 [J].
黄文彬 ;
徐山川 ;
吴家辉 ;
王军 .
现代情报, 2016, 36 (10) :54-61
[3]   基于数据挖掘技术的客户停电敏感度研究与应用 [J].
严宇平 ;
吴广财 .
新技术新工艺, 2015, (09) :89-93
[4]   手机用户画像在大数据平台的实现方案 [J].
张慷 .
信息通信, 2014, (02) :266-267
[5]   Random forests [J].
Breiman, L .
MACHINE LEARNING, 2001, 45 (01) :5-32
[6]   Bagging predictors [J].
Breiman, L .
MACHINE LEARNING, 1996, 24 (02) :123-140
[7]   Stacked regressions [J].
Breiman, L .
MACHINE LEARNING, 1996, 24 (01) :49-64
[8]  
Age and Gender Identification in Social Media .2 MARQUARDT J,FARNADI G,VASUDEVAN G,et al. Proceedings of CLEF 2014Evaluation Labs . 2014