赵宇翔，卢光跃，王航龙，李四维



基于缺失数据BN参数学习的电信流失客户预测算法

赵宇翔，卢光跃，王航龙，李四维

（西安邮电大学陕西省信息通信网络及安全重点实验室，陕西 西安 710121）

针对电信客户流失预测问题，在数据缺失情况下，基于贝叶斯网络（Bayesian network，BN），用最近邻算法填补缺失数据，并将两类定性约束融入贝叶斯网络参数学习过程，用以提高流失客户预测精度。仿真及实际数据分析结果表明，所提算法较经典的期望最大化（expectation maximization，EM）算法有明显优势，在牺牲代价较小的忠诚客户预测精度的情况下，得到了更高的流失客户预测精度。

贝叶斯网络；参数学习；数据缺失；最近邻算法；定性约束

1 引言

随着移动网络的快速发展，手机成为人与人沟通的重要方式。与此同时，未入网的新用户数量也在急剧下降。据估计，吸引一个新用户所花费的成本是挽留一个老客户所花费成本的5~6倍。所以，为了获取更大的利润，电信企业越来越重视潜在流失客户[1]。企业希望尽早发现这部分人群，及时做出有针对性的调整并成功挽留这部分客户。为了准确预测流失客户，很多学者采用贝叶斯网络（Bayesian network，BN）进行分类。

贝叶斯网络由有向无环图和条件概率表两部分组成[2]，经过大约30年的发展，BN已经广泛应用于人工智能与数据挖掘等热门领域[3-5]。本文在电信客户流失网络结构已知情况下，研究离散贝叶斯网络参数学习的问题。

传统电信客户流失参数学习采用最大似然估计（maximum likelihood estimation，MLE）方法，但由于电信数据时常伴随有信息缺失，无法直接利用MLE方法逼近BN真实参数。……