张蓓蓓,胡 敏

(北京信息科技大学 信息管理学院，北京 100192)

0 引言

伴随着激烈的市场竞争，服务业逐步发展为顾客主导型行业，顾客满意度对服务业市场的影响日益提升。通常，顾客满意度来自消费者的亲身经历且具有实时性，可以帮助商家更及时、准确地了解消费者需求并改进产品；同时为潜在消费者购买产品或服务提供值得信赖的参考，是影响电子口碑传播的主要因素。

随着机器学习的发展，国内外大量学者开始采用机器学习方法进行顾客满意度的预测，目前随机森林算法在顾客满意度预测方面应用较广泛。如Baswardono等[1]通过对航空公司客户满意度分类，证明了随机森林算法比C4.5算法预测的精度更高。Bihar等[2]运用随机森林分类器将评论分为低质量和高质量，再用梯度增强回归器进行评分预测。杨东红等[3]发现评论回复在预测模型中影响最大，认为在较常用的机器学习算法中，随机森林和决策树算法预测的准确率较为理想。程平等[4]利用随机森林算法构造服务质量满意度预测模型，并实证该模型预测的拟合优度明显高于多元线性回归模型。

随机森林的预测性能良好，在顾客满意度预测领域已得到广泛应用。但大部分研究都忽略了参数选择对模型的重要性，通常根据经验选择参数。本文利用网格搜索(grid search)对随机森林算法进行优化调参，通过对随机森林中的决策树数量k和候选分裂特征属性数m等参数做优化选择，并结合具体案例进行分析，旨在提高预测顾客满意度评分的准确性和高效性。……