大连交通大学 硕士学位论文 零售业顾客忠诚度的模型研究与聚类挖掘 姓名：徐鹏 申请学位级别：硕士 专业：计算机应用技术 指导教师：田宏 20081220 摘要 面对市场的激烈竞争，仅依靠商品本身很难在瞪趋激烈的竞争中取胜，现今市场的 竞争，实际怒赢得顾客的竞争。因此，如何建立蹶客忠诚度模型分析顾客的忠诚度是+ 分重要的。因为这为企业如何更好的去识别和保留忠诚度高的顾客，挖掘潜在和提升顾 客忠诚度，以及预防顾客流失都起着至关重要的作用。 本文研究重点在于分析国内零售业颤客消费行为特性，探讨圈内零

传统的K-means算法随机选取初始聚类中心，聚类结果不稳定，容易陷入局部最优解。针对聚类中心的敏感性，提出一种优化初始聚类中心的K-means算法。此算法利用数据集样本的分布特征计算样本点的密度并进行分类，在高密度区域中选择K个密度最大且相互距离超过某特定阈值的点作为初始聚类中心，并对低密度区域的噪声点单独处理。实验证明，优化后的算法能取得更好的聚类效果，且稳定性增强。

传统的K-means算法随机选取初始聚类中心，聚类结果不稳定，容易陷入局部最优解。针对聚类中心的敏感性，提出一种优化初始聚类中心的K-means算法。此算法利用数据集样本的分布特征计算样本点的密度并进行分类，在高密度区域中选择K个密度最大且相互距离超过某特定阈值的点作为初始聚类中心，并对低密度区域的噪声点单独处理。实验证明，优化后的算法能取得更好的聚类效果，且稳定性增强。

针对聚类算法在实现的过程中需要预先设定最终聚类数目的问题，提出了基于同类全部样本的类内紧密度和类间离差度的一种新聚类有效性指标，通过该指标能够有效地确定数据集的最佳聚类簇数。在确定最佳聚类数的过程中采用K-means算法，针对K-means算法随机选择初始聚类中心的缺陷，提出以欧式距离度量样本相似度，基于样本方差，选出方差最小的前K个样本作为初始聚类中心，避免噪声点成为初始聚类中心，使得选择的初始聚类中心位于样本集稠密区域，K-means聚类的结果稳定有效。使用优化K-means算法和新的聚类有