Phân loại hành vi khách hàng sử dụng dịch vụ di động dựa trên thuật toán k means

Hiện nay các kỹ thuật khai phá dữ liệu đã đạt được nhiều thành tựu có thể hỗ trợ bài toán phân tích hành vi khách hàng như phân cụm dựa vào thuật toán k-means.. Dựa vào thực trạng như tr

LÊ MINH HẢI

PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI

ĐỘNG DỰA TRÊN THUẬT TOÁN K-MEANS

LUẬN VĂN THẠC SỸ KỸ THUẬT

HÀ NỘI - 2013

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

-LÊ MINH HẢI

PHÂN LOẠI HÀNH VI KHÁCH HÀNG SỬ DỤNG DỊCH VỤ DI ĐỘNG DỰA

TRÊN THUẬT TOÁN K-MEANS

Chuyên ngành: Khoa học máy tính

Mã số: 60.48.01

TÓM TẮT LUẬN VĂN THẠC SĨ

HÀ NỘI -2013

Luận văn được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: TS NGUYỄN MẠNH HÙNG

Phản biện 1: ……… Phản biện 2: ………

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông

Vào lúc: giờ ngày tháng năm

Có thể tìm hiểu luận văn tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

MỞ ĐẦU

1 Lý do chọn đề tài

Đối với một doanh nghiệp thông di động di động việc phát triển thuê bao để kiếm tìm lợi nhuận vào thời điểm hiện tại đã không còn đem lại hiệu quả Thay vào đó là một phương án kinh doanh tiến đến phát triển chất lượng dịch vụ cung cấp thêm nhiều dịch vụ giá trị gia tăng Tuy nhiên các dịch vụ truyền thống như thoại, nhắn tin vẫn có thể đem lại nguồn lợi nhuận cao hơn nếu kích thích được nhu cầu sử dụng của khách hàng

Thông thường mỗi cá nhân tùy vào vị trí xã hội, điều kiện kinh tế mỗi vùng mà có nhu cầu sử dụng thoại và tin nhắn khác nhau Tại một vùng cụ thể, có những thời điểm năng lực mạng vẫn còn khả năng phục vụ nhưng do không có nhu cầu nên toàn bộ tài nguyên hoạt động ở hiệu suất thấp Đây là những thời điểm các nhà mạng cần tăng cường tận dụng Giả sử một địa phương có 02 nhóm người có hành vi tương tự nhau được thể hiện bằng biểu

đồ như trên, nhóm A thường thực hiện cuộc gọi vào buổi sáng, nhóm B thường thực hiện cuộc gọi vào giờ chiều và tối; ban đầu chúng ta chưa xác định được 02 nhóm này

Để phân tích hành vi sử dụng các dịch vụ cơ bản thì cần khai thác nguồn dữ liệu tổng đài MSC Các dữ liệu CDR ghi lại lịch sử cuộc gọi tại một địa điểm cụ thể, đây là nguồn dữ liệu rất thích hợp tuy nhiên khối lượng dữ liệu này rất lớn nên cần có các kỹ thuật phân tích

0 10 20 30 40 50 60 70 80

Nhóm B Nhóm A

Lưu lượng cuộc gọi theo giờ

thích hợp Hiện nay các kỹ thuật khai phá dữ liệu đã đạt được nhiều thành tựu có thể hỗ trợ bài toán phân tích hành vi khách hàng như phân cụm dựa vào thuật toán k-means

Dựa vào thực trạng như trên kết hợp với các kỹ thuật phân cụm trong khai phá dữ

liệu đã được phát triển để đưa ra đề tài “Phân loại hành vi khách hàng sử dụng dịch vụ di

động dựa trên thuật toán k-means”

1 Mục đích của đề tài: đề tài hướng đến phân loại hành vi khách hàng, tìm ra các

nhóm khác hàng phổ biến, đang hoạt động trong mạng di động Mobifone; tiến đến đề xuất tích hợp kết quả vào hệ thống báo cáo số liệu sản xuất kinh doanh cho Tập đoàn VNPT

2 Đối tượng và phạm vi nghiên cứu: Việc nghiên cứu sẽ tập trung vào lý thuyết

phân cụm dữ liệu theo thuật toán k-means, áp dụng vào phân cụm hành vi sử dụng dịch vụ thoại và nhắn tin của khách hàng VMS Mobifone

3 Phương pháp nghiên cứu: Tìm hiểu các tài liệu liên quan đến các kỹ

thuật phân cụm, tập trung vào thuật toán k-means

4 Kết cấu của luận văn

Luận văn gồm 3 chương

Chương 1: Bài toán phân nhóm khách hàng dựa trên hành vi sử dụng dịch vụ dị động Chương này luận văn trình bày nhu cầu phân tích số liệu di động để đưa ra được

thông tin về thói quen sử dụng dịch vụ viễn thông, dịch vụ truyền thống thoại và nhắn tin, trên một địa bàn

Chương 2: Thuật toán k-means Chương này luận văn trình bày một trong những

thuật toán phân cụm k-means và đánh giá khả năng áp dụng đối với bài toán phân cụm hành

CHƯƠNG 1 BÀI TOÁN PHÂN NHÓM KHÁCH HÀNG DỰA TRÊN HÀNH VI SỬ DỤNG DỊCH VỤ DỊ ĐỘNG

 n là tổng số thuê bao trong vùng đang xem xét

 Cit là tổng lượng sử dụng của khách hàng Ci trong khoảng thời gian xem xét t

∑ (2)

 m là số cuộc gọi của khách hàng i trong khoản thời gian t

 Di,j là thời lượng cuộc gọi của khách hàng i trong cuộc gọi thứ j trong khoảng thời gian t Với dịch vụ tin nhắn giá trị này = 1 hay Cit

= m

Khung thời gian có Lt nhỏ nhất là khoảng thời gian cần kích thích để các thuê bao sử dụng sử dụng nhiều hơn

Định nghĩa hành vi: Hành vi nói chung là một khái niệm rộng Trong luận văn này,

khái niệm hành vi dùng để chỉ hành động thực hiện dịch vụ của khách hàng dựa vào vùng nơi thuê bao thực hiện dịch vụ và thời điểm thực hiện dịch vụ

1.1.2 Nhu cầu phân tích hành vi sử dụng dịch vụ di động

Hiện tại hệ thống báo cáo số liệu kinh doanh được tập đoàn VNPT khai thác đang cung cấp dữ liệu dạng tổng hợp Tuy nhiên câu hỏi chỉ ra tính chất của dữ liệu chưa được khai thác Luận văn đề xuất việc phân tích dữ liệu lịch sử cuộc gọi của khách hàng để tìm ra các nhóm hành vi Xem xét các nhóm hành vi có thể chỉ ra được tác động của nhóm này đối

với năng lực mạng tại một địa bàn cụ thể; từ đó trợ giúp việc thiết kế các gói khuyến mại để tận dụng năng lực mạng

1.1.3 Các khía cạnh phục vụ phân tích hành vi

Thời điểm thực hiện dịch vụ: là một thuộc tính của hành vi sử dụng dịch vụ của

khách hàng, chỉ ra thời điểm khách hàng bắt đầu sử dụng dịch vụ gọi điện hoặc nhắn tin

Lượng sử dụng dịch vụ: trong một khung thời gian được chia theo thuộc tính thời

điểm, tổng lượng thời gian đàm thoại hoặc số tin nhắn của một khách hàng là lượng sử dụng dịch vụ của khách hàng trong khung thời gian đó

Địa điểm phát sinh cuộc gọi: Một nhóm hành vi sẽ là đặc trưng về lượng sử dụng

của các thuê bao trong nhóm trên mỗi khung giờ được xem xét trên một địa phương cụ thể Địa điểm phát sinh cuộc gọi là vùng quản lý trạm phát sóng phục vụ cho khách hàng đó Trong luận văn địa điểm được phân tích ở cấp tỉnh/thành phố

1.2 Trình bày một số giải pháp cho bài toán

1.2.1 Các giải pháp theo thống kê thông thường

Phương pháp tổng hợp số liệu phổ biến là sử dụng các lệnh thống kê, sử dụng truy vấn dữ liệu theo chuẩn SQL 2.0 Để tìm ra các nhóm và số lượng khách hàng thuộc các nhóm đó cần thực hiện hai bước:

 Khảo sát thị trường tìm ra các đặc trưng về thời điểm gọi, lượng sử dụng điển hình

 Sử dụng các giá trị đặc trưng của từng nhóm, xây dựng lệnh thống kê

Việc khảo sát thường đem lại kết quả chính xác không cao và tốn nhiều thời gian Do hành vi sử dụng dịch vụ biến đổi liên tục phụ thuộc vào các sự kiện kinh tế chính trị, vì vậy việc phân tích nhóm cần thực hiện nhiều lần tại các thời điểm trong năm và trong nhiều năm; điều này khối lượng cần khảo sát sẽ chiếm nhiều chi phí

Phương pháp thống kê truyền thống tỏ ra không thích hợp để giải quyết bài toán

1.2.2 Giải pháp ứng dụng các kỹ thuật khai phá dữ liệu

Khai phá dữ liệu là vấn đề nhận được nhiều sự quan tâm Nhu cầu khai phá dự liệu là nhu cầu tiếp theo sau khi một doanh nghiệp đã tổ chức được hệ thống cơ sở dữ liệu

Hình 1 1 Sự phát triển của hệ thống cơ sở dữ liệu (dựa trên [2, tr.2])

Hệ quản trị cơ sở dữ liệu quan hệ được xuất hiện từ những năm 1970 đến đầu 1980, đại diện là các tên tuổi lớn như Oracle, DB2, MS SQL, MySQL Đến nay, hệ quản trị cở sở

dữ liệu quan hệ có nhiều cải tiến mạnh mẽ và được ứng dụng rất rộng rãi Các doanh nghiệp

đã tích lũy các số liệu kinh doanh qua thời gian dài nhờ sử dụng cở sở dữ liệu, tuy nhiên các mẫu báo cáo kinh doanh thông thường vẫn chưa khai thác hết thông tin mà các dữ liệu đó đang cất giữ Chính vì vậy các kỹ thuật khai phá dữ liệu được nghiên cứu và ứng dụng

Các kiến thức tìm được nhờ ưng dụng kỹ thuật khai phá dữ liệu gồm:

Nhận biết và phân biệt các lớp dữ liệu: Nhận biết đặc tính dữ liệu là việc tìm ra

một tổng kết về các đặc điểm chung hoặc các tính năng của một lớp dữ liệu mục tiêu Phân biệt các lớp dữ liệu là việc so sánh các đặc tính dữ liệu của một lớp dữ liệu với một lớp khác hoặc một tập các lớp khác đã biết

Khai thác mẫu phổ biến: Mẫu phổ biến là các mẫu dữ liệu hay xuất hiện trong tập

dữ liệu đang xét Mẫu thường xuyên bao gồm các kiểu như tập phổ biến các mẫu tuần tự

Phân loại và dự báo: quá trình của việc tìm kiếm một mô hình (hoặc chức năng) mô

tả và phân biệt các lớp dữ liệu hoặc các khái niệm, sử dụng các mô hình tìm được để dự đoán lớp của các đối tượng mà chưa gán được lớp

Phân cụm dữ liệu: Khác với phân loại và dự báo dữ liệu, phân cụm dữ liệu là phân

tích dữ liệu mà không tham khảo một lớp dữ liệu biết trước nào Với một nguồn dữ liệu biểu diễn một tập các đối tượng, phân cụm dữ liệu sẽ nhóm các đối tượng thành các nhóm dựa trên sự tối đa hóa sự sai khác các phần tử ở các nhóm khác nhau và tối thiểu hóa sự sai khác giữa các phần tử cùng nhóm

Phân tích bất thường: Một cơ sở dữ liệu có thể chứa các đối tượng dữ liệu mà

không tuân thủ với các hành vi chung, mang các đặc điểm về dữ liệu khác nhiều so với đại

bộ phận các đối tượng còn lại Các đối tượng dữ liệu đó có thể coi là dữ liệu bất thường

Đánh giá dữ liệu theo thời gian: tìm ra các mô hình mô tả xu hướng của dữ liệu

thay đổi theo thời gian

1.2.3 Phân cụm dữ liệu

Quá trình nhóm một tập hợp các đối tượng vật lý hay trừu tượng thành các lớp đối tượng tương tự được gọi là phân cụm Một cụm là một tập các đối tượng dữ liệu tương tự và không giống các đối tượng trong các cụm khác

Hình 1 2 Hình ảnh phân cụm các điểm trong mặt phẳng hai chiều [2, tr.64]

Phân cụm dữ liệu thực hiện gom nhóm dữ liệu theo hướng ngược lại Tập các dữ liệu được gom thành các nhóm dựa trên sự tương tự nhau giữa các dữ liệu, và sau đó gán nhãn cho các nhóm Số lượng các nhóm có thể được cài đặt trước và phân cụm dữ liệu trở nên thích nghi với sự biến đổi dữ liệu tốt hơn phân loại dữ liệu

Vấn đề xác định độ tương đồng của dữ liệu: Khi dữ liệu cần phân cụm có nhiều

thuộc tính và các thuộc tính rất đa dạng nhiều kiểu Trong thực tế việc xem xét phân cụm trong khi dữ liệu mang nhiều thuộc tính và nhiều kiểu thuộc tính là một vần đề cần giải quyết

Ngoài ra nhiều thuật toán xác định sự tương đồng của đối tượng dựa trên các khoảng cách Euclidean hoặc Manhattan thì cho ra các phần tử tương đồng tạo thành một cụm dạng cầu Tuy nhiên cụm có thể có hình dạng bất kỳ vì vậy cần phát triển thuật toán tính độ tương đồng với hình dạng tuỳ ý

Vấn đề xử lý nhiễu trong phân cụm dữ liệu: Hầu hết các cơ sở dữ liệu thực tế có

chứa các dữ liệu cá biệt hoặc mất tích, không rõ, hoặc dữ liệu sai Một số thuật toán phân cụm nhạy cảm với các dữ liệu đó và có thể dẫn đến kết quả phân cụm có chất lượng kém Tập dữ liệu gốc được loại bỏ các thành phần nhiễu sẽ trở thành đầu vào tốt cho giai đoại phân cụm dữ liệu

1.3 Kết luận

Trong chương 1, luận văn đã trình bày các vấn đề sau:

 Nêu lên bài toán phân tích hành vi sử dụng dịch vụ khách hàng, để hỗ trợ việc xây dựng chính sách phát triển dịch vụ tận dụng tốt tài nguyên của mạng lưới

 Nêu các mặt khó khăn trong việc giải quyết bài toán dựa trên khảo sát thị trường Đề xuất sử dụng kỹ thuật khai phá dữ liệu, cụ thể là phương pháp phân cụm dữ liệu, để phân tích các nhóm hành vi

Chương tiếp theo luận văn trình bày kỹ thuật phân cụm k-means, bên cạnh đó đánh giá khả năng áp dụng thuật toán vào bài toán phân cụm hành vi

CHƯƠNG 2 THUẬT TOÁN K-MEANS

2.1 Giới thiệu thuật toán k-means

Thuật ngữ "k-means" lần đầu tiên được sử dụng bởi James MacQueen vào năm 1967, dựa trên ý tưởng trước đó của Hugo Steinhaus vào năm 1957 Tuy nhiên thuật toán hoản thiện được đề xuất lần đầu tiên bởi Stuart Lloyd vào năm 1957 mặc dù nó đã không được công bố cho đến năm 1982 Năm 1965, EWForgy công bố về một phương pháp về cơ bản tương tự với thuật toán của Stuart Lloyd, vì vậy đôi khi thuật toán k-means cũng được gọi là Lloyd-Forgy Một phiên bản cải tiến đã được đề xuất và xuất bản tại Fortran bởi Hartigan và Wong năm 1975/1979 [7]

Có nhiều loại phương pháp phân cụm dữ liệu, k-means là một trong số những thuật toán phân cụm dựa trên phương pháp phân vùng Phương pháp phân vùng được mô tả như sau : Cho một cơ sở dữ liệu có n đối tượng hoặc bộ dữ liệu, một phương pháp phân vùng xây dựng nên k vùng dữ liệu, nơi mà mỗi phân vùng đại diện cho một cụm và Có nghĩa là, nó phân loại các dữ liệu vào k nhóm và cần đáp ứng các yêu cầu sau đây:

 Mỗi nhóm phải có ít nhất một đối tượng

 Mỗi đối tượng phải thuộc về một nhóm

Với k cho trước, chính là số lượng các phân vùng cần xây dựng, thuật toán tạo ra k phân vùng đầu tiên Sau đó sử dụng một kỹ thuật xác định nhóm cho các đối tượng lặp đi lặp lại, các đối tượng được di chuyển từ nhóm này sang nhóm khác đến khi đạt được tối ưu Các tiêu chí chung của một phân vùng tốt là các đối tượng trong cùng một cụm có liên quan đến nhau hay khá tương đồng nhau, trong khi các đối tượng khác nhau thì khác nhau

2.2 Cài đặt thuật toán

2.2.1 Dữ liệu đầu vào

Thuật toán k-means yêu cầu hai nguồn dữ liệu đầu vào

 k : số lượng các cụm mong muốn phân tách

 D : Tập dữ liệu chứa N phần tử cần phân cụm

K cụm và vị trí ban đầu: Chọn k là một vấn đề trong phân cụm, và hiện chưa có sự

thống nhất về giải pháp Việc chọn k có thể ảnh hưởng lớn đến kết quả phân cụm Chọn thêm hoặc số lượng hay việc xác định các vị trí ban đầu của k nhiều trưởng hợp sẽ cho ra

kết quả khác nhau Ví dụ phân cụm nhóm các điểm trong trong hình vuông 1x1

Hình 2 1 Ví dụ việc chọn k tốt [6, tr.21]

Hình 2 2 Các kết quả sau khi thay đổi số cụm khởi tạo (dựa trên [6,tr.21])

Trên hình minh họa thể hiện khi k tăng và không được khởi tạo tốt cụm thứ năm có

thể gần với một trong các cụm ban đầu; đây là trường hợp mong muốn Khi phân cụm mà

có những cụm các phần tử trong nó có độ sai khác không lớp thì không đạt được kỳ vọng của thuật toán phân cụm

2.2.2 Dữ liệu đầu ra của thuật toán

Thuật toán phân cụm yêu cầu đầu ra là các cụm chứa các phần tử mang giá trị gần nhau nhất Cụm có thể được mô tả dưới nhiều cách hai cách

 Cách thứ nhất: mô tả giá trị trung tâm cùng với số thành viên của cụm đó

 Cách thứ hai: liệt kê danh sách các phần tử trong từng cụm

2.2.3 Thuật toán phân cụm

Đầu vào thuật toán:

 k: số lượng các cụm,

 D: một tập dữ liệu chứa các đối tượng n

Đầu ra thuật toán:

 Một tập hợp các k cụm

Phương pháp [2]:

(1) tùy ý lựa chọn k đối tượng từ D là trung tâm cụm ban đầu;

(2) lặp lại

(3) Chỉ định (hoặc chỉ định lại) cho mỗi đối tượng một cụm mà đối tượng là

tương tự nhất (gần nhất), dựa trên giá trị trung bình của các đối tượng trong cụm;

(4) Cập nhật thông số cụm, nghĩa là, tính toán giá trị trung bình cho từng cụm;

(5) cho đến khi không có cụm nào thay đổi;

Hình 2 3 Mô tả thuật toán k-means [2, tr.403]

Trong thuật toán phương pháp tính khoảng cách gần nhất cho mỗi khách hàng dựa vào công thức Euclidean, dựa trên [2,tr.389], như sau:

√ Trong đó Pk

là giá trị của các điểm trung tâm Do các tham số để đánh giá khoảng cách có cùng thứ nguyên và bình đẳng vì vậy có thể sử dụng công thức Euclidean đối với các tham số Trong nhiều trường hợp các tham số không cùng thứ nguyên ,ví dụ thuộc tính

“giới tính” và “độ tuổi” của người, nên cần thiết phải chuyển đổi về cùng một đơn vị

2.3 Đánh giá thuật toán

2.3.1 Đánh giá kết quả

Với kết quả đầu ra dạng mô tả điểm trung tâm với các thuộc tính có giá trị trung bình của các phần tử trong nhóm, thuật toán đưa ra được kết quả phù hợp với nhu cầu phân tích hành vi khách hàng và các hành vi tương tự nhau được nhóm lại một vùng

Đánh giá dữ liệu đầu ra của thuật toán k-means đối với bài toán phân cụm hành vi sử dụng dịch vụ của khách hàng, khi các cụm hành vì được xác định, việc phân tích sâu hơn về nhóm đó là cần thiết

2.3.2 Đánh giá khả năng triển khai

Thuật toán k-means có độ phức tạp thuật toán tính theo công thức sau [2,tr.403]