ارائه کننده: سمانه اکبری
استاد راهنما: دكتر سيدكمال چهارسوقي
استاد داور داخلي: دكتر الهام آخوند زاده نوقايي
استاد داور خارج از دانشگاه: دكتر اكبر اصفهاني پور
نماينده تحصيلات تكميلي: دكتر الهام آخوند زاده نوقايي
تاریخ: 1402/11/14     
ساعت: 8:15
مكان: سايت دانشكده مهندسي صنايع و سيستم ها

چکیده:
مشتریان از مهم‌ترین دارایی‌های یک کسب­ وکار هستند. رویگردانی مشتری به معنای ترک یک کسب‌وکار و پیوستن به یک تجارت رقیب است. به دلیل اشباع بازار و از سوی دیگر هزینه چند برابری کسب مشتری جدید نسبت به حفظ آن، مدیران کسب‌وکارها  به دنبال روش‌های مقابله با خروج مشتری هستند. یکی از این اقدامات پیش­بینی رویگردانی است. در پیش­بینی رویگردانی مشتریانی که بر اساس مشخصات و رفتارشان در آستانه ترک یک کسب‌وکار هستند شناسایی می­شوند. ما در این پژوهش سعی داریم یک مدل یادگیری عمیق ترکیبی برای پیش­بینی رویگردانی ارائه دهیم. رویکرد اصلی در این کار استفاده از سازوکار توجه در یادگیری عمیق و  تکنیک خوشه­بندی است. این پژوهش مبتنی بر یک مدل یادگیری عمیق با نام Tabnet است. در مدل پیشنهادی ما مطابق با مدل Tabnet ابتدا در یک ساختار رمزنگار-رمزگشا یک مرحله پیش­آموزش بدون نظارت و سپس با استفاده از رمزنگار و یک لایه کاملامتصل یک مرحله پیش­بینی برچسب نظارت‌شده انجام می­شود اما برخلاف مدل Tabnet آموزش در این مرحله به پایان نمی­رسد و در یگ گذرمشخص رمزنگار تثبیت و خروجی­های آن خوشه­بندی و به تعداد و متناظر با خوشه­ها لایه­های کاملامتصل ایجاد می­شود. در ادامه برای پیش­بینی برچسب هر سطر ورودی، پس از ورود سطر داده به رمزنگار تثبیت­ شده خوشه‌ای که خروجی متناظر به آن تعلق دارد را می‌یابیم و خروجی رمزنگار را به لایه کاملاً متصل متعلق به این خوشه هدایت می‌کنیم و برچسب را از آن می‌خواهیم. به همین منوال از داده‌های آموزش استفاده می‌کنیم تا لایه‌های کاملاً متصل را آموزش دهیم. با اعمال مدل پیشنهادی بر روی مجموعه­داده رویگردانی bigml به صحت 0.911 و ناحیه زیر منحنی 0.96 و نمره F 0.910 دست یافتیم.