吴虹颖， 郑山红， 苏 珂

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

近年来，精准营销理念越来越受到公众的关注。如何利用好现有数据挖掘出客户的潜在需求，并以正确的方式将其推送给正确的人，已成为影响银行发展的战略性问题[1]。

现阶段，客户分类问题结合数据挖掘方法尤为普遍，常见的算法如K-means、决策树以及SOM神经网络等。郑焱[2]利用决策树算法对商务网站的客户分类，但这种算法过程过于冗余；任昌涛[3]、张禄等[4]利用 K-Means 方法建立客户细分模型对客户进行细分;陈倩舒[5]、包志强等[6]构建RFM模型，用层次分析法确定指标权重，再用K-means算法对客户进行分类。但上述方法中K-means聚类容易陷入局部最优，需要人为确定K值，K值将直接影响聚类结果。王珺等[7]建立银行信贷资源动态分配优化模型，对影响银行最优放贷量的重要参数进行分析;胥学峰等[8]用PCA将指标降维，再用SOM神经网络对房地产客户价值进行细分;孙铭[9]采用SOM算法对天然气生产企业用气客户进行实证分析，但是传统的SOM神经网络其学习速率难以判断。

文中在传统SOM基础上对学习速度进行改进，动态设置模型学习速度，在保证模型稳定性的同时，提高收敛速度。并将改进后的SOM与快速K中心点算法进行组合，提出一种适用于对大量银行客户进行快速聚类的SOM-Kmedoid-CH聚类算法。该算法利用SOM神经网络的输出表征输入模式的特点，结合快速K中心点对噪声数据敏感性小且时间复杂度低的特性，先用SOM对数据量大、特征多的银行客户数据进行训练，再用快速K中心点算法对SOM输出的原型向量聚类，同时用CH指标判定最优聚类个数，以克服上述研究的不足，实现对大量银行客户进行快速有效细分。……