《表3 实验二实验结果:商业银行大数据技术探索——从日常交易流水到价值客户发现》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《商业银行大数据技术探索——从日常交易流水到价值客户发现》
从表3的结果可以看出:首先,对于每一类网络构成而言,Node2vec算法对应的分类结果总体表现要优于Deepwalk。其次,从对应分类指标F1的数值可以看出,利用重构交易网络学习获得的客户节点向量作为客户分类指标,在对客户价值分类任务中效果比较理想。再次,对比各类子网络学习结果的分类效率而言,全网络的网络表示学习结果能更为有效地区分客户对应的价值类别。最后,对于各子网络的学习结果而言,年龄区间在“35-45”和“45-55”这两个组别所对应的分类效率要高于“<25”及“>55”。这反映了这两组客户的交易行为模式与其对应的价值类别的关联关系较为显著,而网络学习获得的指标能很好地反映这种关联关系。
图表编号 | XD00154120200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.25 |
作者 | 冯玥 |
绘制单位 | 南京大学博士后流动站 |
更多格式 | 高清、无水印(增值服务) |