《表4 实验三分类结果：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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

实验结果表明：首先，基于全年数据搭建的网络表示结果相对于半年数据，更能反映客户的行为属性特征，进而对客户价值分类的判断更有帮助。其次，研究框架二中使用针对异构网络设计的算法Metapath2vec得到的嵌入坐标的分类效果明显优于在Deepwalk及Node2vec学习框架下的结果。这说明针对异构网络表示学习的算法更适用于研究框架二。最后，研究框架二的最佳分类效果0.778要优于研究框架一的0.701。该结果说明了研究框架二中搭建的将客户基础属性和交易属性统一起来的异构网络及异构网络表示学习算法，能更好地识别客户行为及基础属性上的异同，将不同价值分类的客户区分开来。结合网络表示学习获得的客户属性指标能显著增强分类任务效率。进一步对数据中1676名未获得分类标签的客户，通过研究框架二获得的分类器进行价值客户分类，获得508名价值及以上客户。