استخراج مشخصه های -HMMمحور جهت پیشبینی رفتار تراکنشی مشتری با استفاده از مدل یادگیری عمیق

پیشبینی در ست رفتار مشتریان میتواند تاثیر زیادی در جلوگیری از رویگردان شدن آنها دا شته با شد. در سالهای اخیر، ا ستفاده از روشهای یادگیری ماشین و به ویژه یادگیری عمیق جهت بررسی و پیشبینی رفتار مشتریان بسیار مرسوم شده است. این روشها اغلب مشخصه های مورد نیاز برای پیشبینی را از تراکنش ا ستخراج میکنند. درحالی که رفتار مالی و تراکنشی مشتریان تحت تاثیر عوامل و مشخصه های متعددی قرار دارد و بعضی از این مشخصه های تاثیرگذار در یک تراکنش به تنهایی وجود ندارند و باید در یک توالی زمانی از تراکنش ها محا سبه شوند. این مشخصه ها نا شناخته هستند و ا ستخراج آنها د شوار ا ست، بنابراین روشهای ترکیبی و پیچیده ای برای استخراج آنها و پیشبینی رفتار مورد نیاز است. با توجه به اینکه رویدادهای تقویمی، سیاسی و اجتماعی نقشی تاثیرگذار در رفتار تراکنشی مشتریان دارند و از طرفی با توجه به اینکه این رویدادها در دوره های زمانی مشخص تکرارپذیر هستند، در این مقاله با مدل کردن ترتیب و توالی رویدادهای مذکور به صورت هفتگی، روشی خودکار جهت استخراج مشخصه های توالی محور با استفاده از مدل مخفی مارکوف ارائه شده است. در این روش با توجه به رفتار هر مشتری در برخورد با رویدادهای مشابه در طول هفته های گذشته، ۱۶ مشخصه توالی محور استخراج شده است که در نهایت این مشخصه ها همراه با سایر مشخصه های تعیین شده، به عنوان ورودی به یک مدل یادگیری عمیق داده شده اند. نتایج به د ست آمده حاکی از افزایش دقت و کاهش خطای پیشبینی پس از اضافه شدن مشخصه های توالی محور استخراج شده به مدل یادگیری عمیق است.

کلیدواژه ها:

مدل مخفی مارکوف ، یادگیری عمیق ، استخراج مشخصه ، پیشبینی رفتار