大数据时代下,挖掘数据潜在的价值己成为各行各业提高核心竞争力的必要手段。在通信行业,坐拥丰富数据资源的运营商需要借助数据挖掘技术提高市场竞争力,比如把数据挖掘用于捕捉目标人群特点并实现精准营销。潜在家庭宽带用户识别是一个具有代表性的运营商精准营销问题。通信运营商希望通过分析终端数据锁定潜在家庭宽带用户,但由于其数据集存在类别不平衡等问题,传统分类算法性能无法满足实用需求。本文以潜在家庭宽带用户识别问题为例,以国内某通信运营商提供的实际数据集为基础,对非平衡数据集的二分类问题进行研究。首先,本文分析了数据集特点以及分类难点,并结合家庭宽带应用场景的实际需求设计了一种复合型算法。针对数据集的高维特点,本文采用在高维数据上具有强鲁棒性的最大熵机(Maximal Entropy Machine,MEM)二分类模型作为核心分类器。考虑到家庭宽带用户识别的强实时性需求特点,本文将算法设计为两个阶段,不同阶段MEM模型分别结合不同的非平衡问题处理方法。在离线学习阶段,本文令MEM模型与SMOTE模型协同工作,提出SMOTE-MEM模型并基于历史数据搭建初始分类器;在在线学习阶段,本文提出一个在线学习框架,一方面用初始模型对在线数据进行预测,另一方面结合实时反馈数据对模型进行自适应更新。在此阶段,MEM模型将结合Different Costs策略处理在线非平衡数据学习问题。在基于运营商提供的数据集及多组公开数据集的实验中,我们提出的算法能取得比传统分类算法更好的效果,F1-measure、精确率等性能指标的提升幅度多集中在5%～15%之间。其次,本文还针对大规模非平衡数据集场景进行扩展研究。为了提高非线性MEM模型在大规模数据上的运算速度,本文结合随机傅里叶特征方法提出快速非线性MEM模型。其中,通过随机傅里叶特征方法可对非线性MEM模型中的核函数进行近似并得到显式映射特征。新特征空间线性可分,线性建模大幅降低了模型运算量。经多组数据集验证,快速非线性MEM模型的分类性能普遍比非线性MEM模型略有降低,约为4%左右。但其运算速度优势明显,以样本量30000的数据集为例,加速倍数可达30。当数据规模越大,该模型的加速优势越大。