您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201908-26
论文题目 基于注意力机制的电信用户离网预测算法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于注意力机制的电信用户离网预测算法

首发时间:2019-08-19

杨晨 1   

杨晨(1993-),男,硕士研究生,主要研究方向:机器学习与数据挖掘

朱新宁 1   

朱新宁(1970-),女,副教授,主要研究方向:机器学习与数据挖掘.

胡铮 1   

胡铮(1980-),男,副教授,主要研究方向:机器学习与数据挖掘.

  • 1、北京邮电大学信息与通信工程学院,北京 100876

摘要:随着电信市场用户增速的逐渐放缓,电信市场竞争趋于白热化,电信用户更换运营商的情况日益普遍。获取新用户的费用远远超过挽回潜在离网用户。因此利用大数据和深度学习方法,提前定位与挽留潜在离网用户,成为运营商维持用户数量,保证营业收入的一个重要途径。本文基于运营商呼叫详单记录(Call Detail Record,CDR)数据进行基于深度神经网络模型的用户离网预测。基于CDR数据,本文首先提取用户的基本通信行为特征、用户通信的社交对象相关特征,以及用户位置相关特征,并分别利用卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)对用户各类特征间的依赖关系及时序关系进行学习和表征。通过引入注意力机制,利用用户位置相关特征对各类其他特征影响的不同,本文学习各类特征的权重,提升最终的用户离网预测性能。最后,利用运营商CDR数据进行了实验评估,验证了基于注意力机制的这两种预测模型的性能均优于传统的机器学习算法。

关键词: 人工智能 运营商数据 离网预测 深度学习 注意力

For information in English, please click here

Churn Prediction Algorithms for Telecom Industry Based on Attention Mechanism

Yang Chen 1   

杨晨(1993-),男,硕士研究生,主要研究方向:机器学习与数据挖掘

Zhu XinNing 1   

朱新宁(1970-),女,副教授,主要研究方向:机器学习与数据挖掘.

Hu Zheng 1   

胡铮(1980-),男,副教授,主要研究方向:机器学习与数据挖掘.

  • 1、School of Information and Communication Engineering, Beijing University of Posts and Telecommunications,Beijing 100876

Abstract:With the slowdown of user growth in the telecommunication market, the competition in the telecommunication market tends to be white-hot, and it is increasingly common for telecom users to change operators. The cost of acquiring new users outweighs the cost of retrieving potential churn users. Therefore, with the help of large data and deep learning methods to locate and retain potential churn users in advance has become an important way for operators to maintain the number of users and ensure business income. In this paper, a churn prediction method based on deep neural network model with call detail record (CDR) data is presented. This paper first extracts basic communication behavior features, the social features of tele communication and the location-based features. Convolution Neural Network (CNN) and Recurrent Neural Network (RNN) are used to learn the dependencies and temporal relatioships among user features. By introducing attention mechanism and utilizing the different influence of user location-based features on other features, this paper improves the final churn prediction performance by learning the weights of various features. Finally experiments on operator CDR data show that the performance of two prediction models based on attention mechanism is better than traditional machine learning algorithms. .

Keywords: Artificial Intelligence Operator Data Churn Prediction Deep Learning Attention

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
杨晨,朱新宁,胡铮. 基于注意力机制的电信用户离网预测算法[EB/OL]. 北京:中国科技论文在线 [2019-08-19]. http://www.paper.edu.cn/releasepaper/content/201908-26.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

基于注意力机制的电信用户离网预测算法