流失预测是电信客户关系管理的核心环节,通过数据挖掘技术建模,有效预测风险客户的流失概率,辅助运营商有针对性地设计营销策略,为科学决策提供数据支持。通过大量文献调研,可知电信客户流失预测一般作为二分类问题进行研究。现阶段该研究中面临的关键科学问题如下:第一,数据集中正负样本的非均衡分布抑制了经典数据挖掘算法的分类性能;第二,商用大数据的隐私保护策略提高了研究工作者理解数据真实意义的难度;第三,传统特征工程构建的特征总量存在上限,为模型优化设置了瓶颈。为了克服正负样本非均衡分布的问题,本文融合采样技术与集成学习理论,提出非均衡组合分类器。该模型采用有放回抽样策略构造正负样本近似均衡的数据子集,针对数据子集训练逻辑回归分类器,采用投票机制累积所有分类器的预测结果,以预测结果的平均值作为集成学习模型的最终输出。为了克服匿名特征导致的数据理解问题,本文融合数据离散化技术与独热编码技巧,提出基于深度学习构造高维特征的方法。该方法通过层次化的网络结构,抽取大量冗余特征,弥补加密数据难以利用领域知识和专家经验的缺陷。此外,借鉴决策树模型处理非均衡分类问题的优势,本文将梯度提升树模型应用于电信客户流失预测建模,进而提出基于提升树模型提取低维特征的方法。该方法融合集成学习理论与统计理论,同时实现预测性能的提升与计算复杂度的降低。实验证明,本文提出的相关算法有效提升了模型的预测性能,但是由于数据集样本容量不足,限制了部分算法的性能发挥,因此仍然存在深入研究的空间。