| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-21页 |
| ·研究背景及意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·客户流失因素分析研究现状 | 第11-13页 |
| ·基于数据挖掘的客户流失预测研究现状 | 第13-16页 |
| ·研究内容与创新点 | 第16-17页 |
| ·研究内容图析 | 第17-19页 |
| ·本章小结 | 第19-21页 |
| 第2章 相关理论研究 | 第21-39页 |
| ·数据挖掘 | 第21-24页 |
| ·数据挖掘概念 | 第21页 |
| ·数据挖掘功能 | 第21-22页 |
| ·数据挖掘流程 | 第22-24页 |
| ·统计学习理论与支持向量机 | 第24-35页 |
| ·机器学习 | 第24-25页 |
| ·统计学习理论 | 第25-27页 |
| ·支持向量机 | 第27-33页 |
| ·支持向量机研究现状 | 第33-35页 |
| ·神经网络与聚类分析 | 第35-38页 |
| ·神经网络 | 第35-37页 |
| ·K-means聚类原理 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第3章 基于代价敏感SVM的客户流失预测实证研究 | 第39-51页 |
| ·研究背景 | 第39-43页 |
| ·网络招聘 | 第39-40页 |
| ·行业现状 | 第40-41页 |
| ·案例背景 | 第41-43页 |
| ·代价敏感学习 | 第43-44页 |
| ·不同惩罚系数SVM | 第44-45页 |
| ·代价敏感SVM | 第45-46页 |
| ·预测建模 | 第46-47页 |
| ·数据选择 | 第46-47页 |
| ·数据预处理 | 第47页 |
| ·数据建模 | 第47页 |
| ·结果分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第4章 基于PCA与神经网络的客户流失预测实证研究 | 第51-59页 |
| ·主成分分析原理 | 第51-52页 |
| ·数据挖掘工具 | 第52-54页 |
| ·流失预测建模 | 第54-56页 |
| ·结果分析 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 基于聚类技术的企业客户在线行为细分研究 | 第59-67页 |
| ·网络招聘企业客户流失因素分析 | 第59-60页 |
| ·客户流失预测收益分析 | 第60-61页 |
| ·基于k-means技术的客户细分 | 第61-65页 |
| ·结果分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 结论与展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 硕士研究生期间的研究成果 | 第72-73页 |
| 致谢 | 第73页 |