开水白菜也能上国宴杂谈NLP和其他方法对

如何判断混合模型和原始模型的准度呢？

左侧为传统RFM分析结果后续处理。在利用实际企业分策略推行的数据筛选出正确策略对象群体和错误策略对象群体后，利用元胞自动机和agent混合模拟仿真的双向验证后，已经验证了P（B1

A2）P（A1

B2），P(B2

A2)P(A2

B2)，P(B3

A2)P(A3

B2)。

上述举证现有研究和实际应用中在两个模型下对重要发展客户的划分效果，并且对重要发展客户可能实际状态进行了精简。

实际中，最全面的模型中，一种客户划分结果可能会有八种对应状态，并且基于单一模型到混合模型的传递机制基础上，最终需要验证的效果有种（8*8*2）。

即使加入S后模型预测更加符合实际，那么对于企业的收益又是从何处体现呢？

如下图所示，依旧以重要发展客户为对象，左边为对简单模型划分的重要发展客户为对象全体实施挽留措施，右边为对在混合模型对简单模型纠偏后进行的模型处理。

利用NetLogo仿真平台进行建模，或者借鉴其他文献的研究成果、企业的实际判断经验，可知在划分群体更为准确的前提下，企业实施客户差异化战略的成本更低，效果更好。

对以上提到的这些仿真模型不清楚？没关系，实际的论文写作中，可以只提到别人的研究成果证明了加入S后的混合模型更加有效。

导师觉得这样依旧不可靠，怎么办？那就做个问卷。问卷包含网络消费者价值指标分析和网购满意度判断指标两部分即可。具体的问卷内容，也可参照现有的很多文献附录。

细心的读者也会发现，在利用仿真系统进行两种模型结果划分处理的时候，是直接将结果拿来作为比对的，而我们需要做的，正是推导出划分结果。利用仿真系统进行模型对比，是否有其价值？

答案自然是肯定的。只是在实际的研究中，模型划分效果对比往往在做了两种模型效果后才会出现。简而言之，是实证分析后面的效果比对部分。

总之，从定性的角度分析加入S的必要性后，下一步需要定量证明可以用放在实证分析前面的问卷内容分析部分，也可以放在实证分析之后的模型对比部分。

而这个S如何处理？自然涉及到了自然语言处理方面的知识。如果对于NLTK,TensorFlow等都不熟悉，怎么办？别担心，不会爬虫有着采集器顶着，不会NLP，也有开源文本挖掘工具顶着。

ROSTCM在文本预处理过程中的各功能模块都相对完善，且支持自定义词库，用户体验较优，因此，论文选用ROSTCM进行文本挖掘研究。

POSTCM操作较为简单，在情感分析板块中加载待分析的文件，双击各文本框，即可查看情感分析详细结果、情感分段统计结果、正面情绪统计结果、中性情绪统计结果、负面情绪统计结果、情感分布统计视图结果。

在利用该开源文本工具后，相比于原始RFM模型，多了一个S，又该如何构建混合模型呢？

RFM模型最终划分客户群体主要有两大类方法，一类是树状分类，一类是加权分类。加入S后，树状分类和加权分类两者依旧均可行。此处仅仅列举使用加权分类如何处理混合模型。

加权分类，权值的确定是核心问题。对于权重的确定，有着三大类的处理方法。

类，是利用多属性决策方法。关于多属性决策方法的介绍，在