基于交互数据的客户相似性可扩展推断：狄利克雷过程方法
应用统计
2011-07-06 v1 统计计算
统计方法学
摘要
根据同质性社会学理论，彼此相似的人更有可能相互互动。营销人员通常可以获取客户之间的交互数据，以同质性为指导原则，可以从这些数据中推断出潜在的相似性。然而，较大的网络面临着需要建模的潜在交互数量呈二次爆炸的问题。这种可扩展性问题使得社交交互的概率模型对于除最小网络之外的所有网络在计算上不可行。在本文中，我们开发了一个用于建模客户交互的概率框架，该框架既基于同质性理论，又足够灵活以解释谁与谁交互的随机变化。特别地，我们提出了一种新颖的贝叶斯非参数方法，使用狄利克雷过程来缓解营销研究人员在处理网络数据时遇到的可扩展性问题。我们发现这个框架是深入了解客户潜在相似性的有力方法，并讨论了营销人员如何将这些见解应用于细分和定位活动。
引用
@article{arxiv.1012.4769,
title = {Scalable Inference of Customer Similarities from Interactions Data using Dirichlet Processes},
author = {Michael Braun and André Bonfrer},
journal= {arXiv preprint arXiv:1012.4769},
year = {2011}
}