论文部分内容阅读
随着大数据时代的到来,机器学习技术不断发展。商业银行使用以产品为中心的传统营销手段无法准确定位客户的喜好,越来越难以提高银行在市场中的竞争力。新的银行营销策略强调要与原有客户形成长期发展的稳定关系,充分利用大数据资源对客户需求进行准确分析,在产品营销前对客户进行分类,预测客户是否订购银行理财产品,对于不同客户进行有针对性的定向营销。因此,本文研究了机器学习中的BP神经网络算法,对BP神经网络算法加以改进,并设计实现了一个对客户进行定向营销的银行营销系统。论文的主要工作如下:1.针对BP神经网络的网络结构选择方法存在高度不确定性的问题,本文使用万有引力搜索算法进行网络结构优化。针对BP神经网络容易过拟合的问题,使用Bagging集成学习算法对万有引力搜索算法优化后的BP神经网络进行集成。使用Bank Marketing数据集对算法进行仿真实验,并与基于经验公式法、遗传算法和模拟退火算法的网络结构选择方法进行对比实验。实验结果表明,本文中基于万有引力搜索算法优化BP神经网络结构的方法使得BP神经网络的预测误差更小,算法收敛到最优网络结构所需的迭代次数更少。使用Bagging算法与Adaboost算法集成的BP神经网络进行对比实验。实验结果表明,Bagging算法集成的BP神经网络可以明显降低算法的过拟合风险,增强算法的泛化能力,而Adaboost算法集成的BP神经网络在算法的泛化性能方面并无明显提高。2.设计了一个对银行“定期存款”产品进行营销的银行营销系统,使用改进后的BP神经网络集成算法作为银行“定期存款”产品营销中的预测模型。系统主要分为三个功能模块,可以进行系统用户管理、项目管理和营销管理。其中,营销管理功能是系统中的核心部分,该模块可以查询营销任务,使用预测模型对客户进行分类,选出系统认为会订购“定期存款”产品的客户,还可以根据客户以往的营销结果进行跟进营销。给出了营销系统的架构设计、数据库设计、各个功能模块的主要流程和功能设计。3.使用SpringBoot框架实现了营销系统中的各个功能模块,并采用Bank Marketing数据集对银行营销系统进行测试,测试结果达到了系统的设计要求。对比传统营销与基于BP神经网络营销方法的成功率,结果表明基于BP神经网络的营销方法降低了传统营销方式的营销风险。