| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第15-26页 |
| 1.1 研究背景和意义 | 第15-17页 |
| 1.1.1 研究背景 | 第15-17页 |
| 1.1.2 研究意义 | 第17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 客户流失预测 | 第17-19页 |
| 1.2.2 半监督学习 | 第19-21页 |
| 1.3 研究目标和研究内容 | 第21-23页 |
| 1.3.1 研究目标 | 第21-22页 |
| 1.3.2 研究内容 | 第22-23页 |
| 1.4 研究方法与技术路线图 | 第23-24页 |
| 1.4.1 研究方法 | 第23页 |
| 1.4.2 技术路线图 | 第23-24页 |
| 1.5 本文的组织结构 | 第24-26页 |
| 第二章 客户流失预测相关基础理论研究 | 第26-43页 |
| 2.1 客户流失预测基础理论研究 | 第26-28页 |
| 2.1.1 客户关系管理概述 | 第26-27页 |
| 2.1.2 客户流失概念及类型 | 第27页 |
| 2.1.3 客户流失预测过程 | 第27-28页 |
| 2.2 物流企业中的客户流失预测基础理论研究 | 第28-31页 |
| 2.2.1 物流企业客户关系管理的特点 | 第29页 |
| 2.2.2 物流企业客户流失的主要原因 | 第29-30页 |
| 2.2.3 物流企业客户流失预测的两类错误 | 第30-31页 |
| 2.3 数据挖掘理论研究 | 第31-42页 |
| 2.3.1 数据挖掘概述 | 第31-32页 |
| 2.3.2 数据挖掘中的有监督分类方法 | 第32-37页 |
| 2.3.3 数据挖掘中的半监督分类方法 | 第37-42页 |
| 2.4 小结 | 第42-43页 |
| 第三章 基于半监督学习的客户流失预测研究 | 第43-62页 |
| 3.1 客户流失预测问题分析 | 第43-44页 |
| 3.2 基于半监督学习的客户流失预测框架 | 第44-48页 |
| 3.2.1 数据预处理 | 第44-45页 |
| 3.2.2 特征权重计算 | 第45页 |
| 3.2.3 随机特征子空间构建 | 第45-46页 |
| 3.2.4 协同训练 | 第46-48页 |
| 3.2.5 基分类器集成 | 第48页 |
| 3.3 实验设计 | 第48-51页 |
| 3.3.1 客户流失数据集 | 第49-50页 |
| 3.3.2 评价指标 | 第50页 |
| 3.3.3 对比方法和参数 | 第50页 |
| 3.3.4 实验流程 | 第50-51页 |
| 3.4 实验结果与分析 | 第51-61页 |
| 3.4.1 实验结果 | 第51-53页 |
| 3.4.2 分析与讨论 | 第53-61页 |
| 3.5 小结 | 第61-62页 |
| 第四章 面向物流企业的客户流失预测原型系统分析与设计 | 第62-76页 |
| 4.1 物流行业背景分析 | 第62-64页 |
| 4.1.1 物流行业发展状况及行业分类 | 第62-63页 |
| 4.1.2 信息技术在物流行业的应用 | 第63-64页 |
| 4.2 面向物流企业的客户流失预测原型系统设计 | 第64-70页 |
| 4.2.1 系统需求分析与设计目标 | 第64页 |
| 4.2.2 系统功能架构设计 | 第64-69页 |
| 4.2.3 系统开发环境和关键技术 | 第69-70页 |
| 4.3 面向物流企业的客户流失预测原型系统实现及测试 | 第70-74页 |
| 4.3.1 面向物流企业的客户流失预测原型系统实现 | 第71-73页 |
| 4.3.2 面向物流企业的客户流失预测原型系统测试 | 第73-74页 |
| 4.4 小结 | 第74-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 主要贡献与创新点 | 第76-77页 |
| 5.2 展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第82-83页 |
