| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-19页 |
| ·研究背景与意义 | 第9-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·客户流失影响因素分析 | 第11-13页 |
| ·客户流失预测研究 | 第13-16页 |
| ·本文主要工作与创新点 | 第16-17页 |
| ·论文组织结构 | 第17-19页 |
| 第2章 相关理论研究 | 第19-39页 |
| ·客户流失相关理论 | 第19-23页 |
| ·客户流失的定义与分类 | 第19-20页 |
| ·CRM中客户流失研究 | 第20-23页 |
| ·支持向量机理论 | 第23-29页 |
| ·统计学习原理 | 第23-26页 |
| ·支持向量机 | 第26-28页 |
| ·核函数的研究 | 第28-29页 |
| ·分布式数据挖掘理论 | 第29-38页 |
| ·数据挖掘定义 | 第29-30页 |
| ·分布式数据挖掘技术 | 第30-36页 |
| ·分布式数据挖掘算法 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 基于多支持向量机的分布式客户流失预测模型建立 | 第39-50页 |
| ·模型的数据描述 | 第39-41页 |
| ·模型的维度分析 | 第41-44页 |
| ·基于客户行为维度的客户流失研究 | 第41-43页 |
| ·基于客户价值维度的客户流失研究 | 第43-44页 |
| ·模型的主题指标 | 第44-46页 |
| ·模型的关键技术 | 第46-49页 |
| ·R-DCCPS挖掘机制 | 第46-48页 |
| ·基于主成分分析的支持向量机的特点 | 第48-49页 |
| ·本章小节 | 第49-50页 |
| 第4章 基于特征多叉树的分布式支持向量机增量学习算法 | 第50-64页 |
| ·支持向量机增量学习算法研究 | 第50-51页 |
| ·主成分分析法 | 第51-54页 |
| ·主成分分析理论 | 第51-53页 |
| ·主成分分析法的算法 | 第53-54页 |
| ·特征多叉树 | 第54-59页 |
| ·属性多叉树 | 第54-55页 |
| ·特征多叉树的定义 | 第55-57页 |
| ·特征多叉树的构建算法 | 第57-59页 |
| ·基于支持向量的分布式支持向量机增量学习算法研究 | 第59-60页 |
| ·支持向量的概念与特点分析 | 第59页 |
| ·基于支持向量的分布式SVM增量学习算法(SVDISVMs) | 第59-60页 |
| ·基于壳向量的分布式支持向量机增量学习算法研究 | 第60-63页 |
| ·支持向量与壳向量 | 第61-63页 |
| ·基于壳向量的分布式SVM增量学习算法(HVDISVMs) | 第63页 |
| ·本章小结 | 第63-64页 |
| 第5章 R-DCCPS的实现及应用 | 第64-82页 |
| ·系统概述 | 第64-67页 |
| ·开发及运行环境 | 第67-69页 |
| ·环境变量的设置 | 第67-68页 |
| ·服务器应用文件的部署 | 第68-69页 |
| ·R-DCCPS的应用 | 第69-77页 |
| ·数据来源 | 第69-70页 |
| ·单站点客户流失预测分析 | 第70-75页 |
| ·多站点客户流失预测分析 | 第75-77页 |
| ·结果分析 | 第77-81页 |
| ·C与γ参数对分类结果的影响 | 第77-78页 |
| ·分布式支持向量机增量学习算法之间的比较 | 第78-80页 |
| ·与数据汇总法结果对比 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 第6章 总结与展望 | 第82-84页 |
| ·总结 | 第82页 |
| ·展望 | 第82-84页 |
| 参考文献 | 第84-89页 |
| 附录1 攻读硕士期间发表的论文 | 第89页 |
| 附录2 攻读硕士期间参加的课题和项目 | 第89-90页 |
| 致谢 | 第90-91页 |
