TELKOM NIKA , Vol.11, No .11, Novemb er 201 3, pp. 6434 ~6 440   e-ISSN: 2087 -278X           6434      Re cei v ed Ap ril 20, 2013; Revi sed  Jun e  24, 2013; Accepted July 1 1 ,  2013   A Novel Algorithm of Network Trade Customer  Classification based on   Fourier Basis Functions      Li Xin w u * 1 , Guan Peng c h eng 2   Schoo l of Internatio nal T r ade  and Eco nom ics, Jiang xi  U n iv ersit y  of F i n anc e and Eco nom i cs, Nancha ng,  Jian g x i, Chi na,  3300 13   *Corres p o ndi n g  author, e-ma i l : li yue 751 1@ 1 63.com 1 , 407 7 064 83@ qq.co m 1       A b st r a ct   Lear nin g  a l gor i t hm  of ne ural  netw o rk is alw a ys an  i m p o rta n t researc h  co ntents in  ne ura l  netw o rk   theory r e searc h  a nd  ap plic ati on fi eld,  lear ni ng  alg o rith m  a bout th e fe ed-f o rw ard n eura l   netw o rk has  n o   satisfactory sol u tion i n  p a rticu l ar for its defe c ts  in calcu l ati on sp eed. T h e  pap er pres ent s a new  F ouri e r   basis  functi on s ne ural  n e tw ork a l gor ith m   and  a ppl ied  it  to cl assify  n e tw ork trade  c u stomer. F i rst, 21   customer clas sificatio n  ind i c a tors are d e si gne d, base d   on char acteris t ics and b eha viors an alysis  of   netw o rk trad e  customer, i n cl udi ng  custo m e r  char acte ristic s type v a ri abl e s  an d c u sto m e r  be havi o rs ty p e   varia b les. Sec ond, F our ier  b a sis functi ons i s  used to  i m pr ove the c a lc ula t ion flow  an d a l gorit hm structu r e   of orig ina l  BP  neur al n e tw ork alg o rith m to s pee d u p   its co nverg ence  an d  then a  new  F ouri e r bas is ne ura l   netw o rk mod e l  is construct e d. F i nal ly the  exper imenta l  r e sults sh ow   that the pr obl e m  of conv erge n c e   spee d can  be en solv ed, a n d  the accur a c y  of the  custo m er cl assific a ti on are  ensur e d  w hen the n e w  alg o rith m is us ed in n e tw ork trade custo m er classificati on p r actically.     Ke y w ords :  BP  neura l  netw o r k  algor ith m , F ourier b a sis fun c tions, custo m er classific a tio n , calcul atio n fl ow ,  alg o rith m struc t ure      Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion   Artificial n eural net work i s  a h o t re se a r eh fi el d in  rece nt years,  involving el ectro n ic  sci ene e and  techn o logy, informatio n a nd co mmuni cation engi ne ering,  comp u t er scien c e a nd  techn o logy, control scie nce and techno logy, and ma ny other disci p line s . The a pplication fiel ds  of artificial n eural  network in clud e m odelin g,  time seri es  anal ysis, pattern  reeo gnition  and   control, and  many other fi elds related.   And for E - co mmerce  ente r pri s e s , a s  th ere  are  vast  cu stome r s i n  netwo rk tra n s a c tion,  these  cu stom ers  differ in thou san d s of  ways. Fo r dif f erent custo m ers,  their d e mand s a r e  ever  cha ngin g . It’s impo ssi ble fo r E-comm erce ente r pri s e s   to meet the  d e mand s  of all  the custo m ers,  whi c h i s  not  only limited b y  self mate ri al co nditi on s  of enterpri s e s , but al so  u nde sira ble in  the  asp e ct of e c onomi c  be ne fits. Therefo r e, E-co m m erce ente r p r ise s  shall pi ck out the mo st  valuable cu st omers whom   they  can effectively  se rve; instea d of  hitting out i n  all directio ns,  enterp r i s e s  shall p r ovide t hem  with mo re in divi dual  servi c e, a nd  give co nsi deration to e a ch   transactio n  custome r . So  to corre c tly and effect ivel y classify tra n sa ct ion cu stomers  play s a   signifi cant  rol e  for ente r p r ise s  to  carry out in dividu al servi c e  a nd m a rketing  strategie s  f o r  different cu st omers [1].      2. Literature  Rev i e w   The  widely - u s ed  metho d s of ente r p r ises fo r cu sto m er cla s sification  at pre s ent  are  mainly qu alitative method  and  qua ntitative method . As the  qua litative metho d  for  cu stom er  cla ssif i cat i on   is ju st  t o   cla s sif y  all t h e  t a r get  c u st o m er s of   ent e r pri s es i n  t h e  ma cro s copi c l e v e l,   cu stome r  cla ssifi cation i s  carried o u t according t o  different value emp h a s is of different  cu stome r s. T he form ation  of cu stome r  value  is  si mply expre ssed a s : Value  = Benefit-Cost.  Qualitative cl assificatio n  m e thod  cla ssifi es  cu stome r s in a si mple  way, only offeri ng gui dan ce f o r  cu stome r  cla ssifi cation   of enterp r i s e  i n  the  ma croscopic level, u nable  to p r ov ide  spe c ific a nd  c r ed ib le b a s i s  fo r   e n t er pr is e d e c i s i o n s ;  fu r t h e r m or e ,  as  th er e is  no  s t r i ct p r oc es s   of   argu mentatio n, the m e tho d  de pen ds o n  de cid e r’ s  subje c tive infe ren c e, th ere   may be  cert ain   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Novel Alg o rithm  of Network T r ad e Cu st om er Cla ssifi cation b a sed  on Fou r ier… (Li Xinwu)  6435 deviation s in the analysi s   pro c e ss, e a si ly resulti ng i n  faulty decisi ons. Fo r this  rea s on, to tru l y  provide  cust omer cla s sification  information b ene ficial to e n terp rises  sh o u ld de pen d  on   quantitative tech nolo g y for custo m er  cla ssifi cation [2, 3].  Quantitative  cla ssifi cation  method i s  to  apply qu antitative analysis te chn o logy to   con d u c t cu stomer  cla ssifi cation on the basi s  of som e  spe c ific  customer varia b l e s (credit level of  cu stome r s, p u rcha sing  po wer of  custo m ers, characteri stics  of d e mand  of  c u st ome r s,  et c. ).   Curre n tly, there are mainly  two cate go rie s  of dat a mini ng for qu antitative custo m er cl assificati on   resea r ch, whi c h  are  tra d itional  statisti ca l method  an d  non -stati stical metho d . T he former ma inly  inclu d e s  clu s ter analy s is,  Bayesian  cla ssifi cation,  fa ctor a nalysi s  method, et c.; this statisti cs- based m e tho d  is un able  to process  a  great  deal   of  sop h isti cated  cu stom er  da ta, and th ere   are   some   p r obl e m s on  th e accuracy   of cu stomer cla s sifi cation  results, so  to fun d a m entally  solv e the  probl em of  cu stome r  cl a ssifi cation  ne eds to  re ly  on no n-statistical cu stom er cl assification  method, which mainly in cl ude s neu ral  netwo rk, fu zzy set method , associ ation  rule s, gen etic  algorith m , etc. The cla ssifi cation te chn o l ogy bas ed o n  neu ral net work i s  com b ined with  ce rtain   informatio n techn o logy, whi c h is  a kin d  o f  mat hematical method a p p lica b le to co mplex variabl es  and multi influen cing fa cto r s  calculation ,  so it is  more effective in solving com p lex cu stome r   cla ssifi cation  probl em s wit h  better cla ssification  a c curacy, however, the converg ence pro b lem  of  the function  itself greatly limits its applicatio n valu e in spe c ific proje c t p r a c tice. Seco ndl y,  cla ssifi cation  is mainly b a sed on  su ch  mathemat i c al  method s a s  fuzzy  clu s te ring, roug h set,  asso ciation rules, etc., althoug h these  method s offer cl assificati on rea s o n  e x planation in  a  relat i v e ly  cl ea r w a y  wit h  be t t e r cla s sif i cat i on r e s u lt s  un der t h e  cir c u m st an ce s of   sat i sf a c t o ry  d a t a   con d ition s , the modelin g proce s s nee ds  to provide  sp ecific m a the m atical e quat ions. As a  re sult,  these meth od s are limite d  by data con d i t ions in  spe c ific appli c ation,  always h a ving probl em s like   insuffici ent cl assificatio n  a c cura cy or  p oor “r o b u s tn ess”, limiting  the appli c ati on in custo m er   cla ssifi cation.  Due to lots of influencin g  factors  relat ed to cu stom er cla s sificati on, more oft e n   than not, the compli cate d relation s are d i fficult  to be expresse d in mathemati c al  equation s  [4].  Cu stome r  cl a ssifi cation m o dels  ba sed  o n  data  mini ng  have hig h  cl assificatio n  a c cura cy  but leaves be hind the que stion of  slow converg e n c e speed of its al gorithm. The r efore, it is hard   to put into effect in cu stom er cla s sificati on.  Based o n  BP neural ne twork, Fou r ier basi s  functio n s  neural n e two r k is bei ng  constructe d  wi th Fou r ie r b a s is fun c tion s  in this p ape r. In  so  doin g ,  not  only the pro b l em of conve r gen ce  spe e d  has b een  so lved, but also the simpli ci ty of the model  stru cture and  the accuracy  of t he classifi cation a r e en sured.       3. Selection of Cu stome r  Classifica ti on Indicator s  The  sel e ction  of rea s on abl e cl assificatio n  vari able s  i s  the  basi s  of  corre c t a nd  e ffective   cu stome r  cla ssifi cation, n a mely esta blishin g  sc ientif ic  and rea s o nable cla ssifi cation  in dicators  system. In view of the na ture of tradin g  and ow n chara c te risti c s of online trading, this Pa per  adopt s cu sto m er cha r a c te ristics type v a riabl e and  cu stome r  be haviors type  variable in  the   spe c ific  sele ction of custo m er cl assifica tion variable s  [5].    3.1. Selectio n of Cus t om er Char ac ter i stics T y pe Variable   Cu stome r  ch ara c teri stics type variable  is  mainly u s ed fo r getting the information o f   cu stome r s’ b a si c attribute s . Such varia b le indi cators as geog ra phi cal po sition, age, sex, income   of individual  cu stome r  pla y  a key  role  in det e r minin g  the me mbe r s  of so me  market segm ent.   This  kind of  variable s  mai n ly come s from cu st ome r s’ re gistration  information  and custo m e r s’  basi c  info rma t ion colle cted  from the ma n ageme n t sy st em of ban ks, the co ntents  of whi c h mo st ly  indicate the  static data  of custome r s’ ba sic attri bute s ,  the adva n tag e  of whic h is  that most  of the  conte n ts  of variabl es a r e  easy to  colle ct. But so me   of the b a si c  custome r -de s cribed  content s of   variable s  a r e  lack of differe nce s  at times [2, 3]  Based  on  an alyzing  and  summari zin g  e x isting  literature s , the  cu st om er charact e risti cs  type variabl e s  de sig ned  i n  this  pap er  inclu de:  Cust omer No.,  P o st Code, Date  of  Birth, Sex,  Educatio nal Backgroun d,  Occup a tion, Monthly  In c o me , T i me  o f   F i r s t  W e bs ite Br o w s i ng , an d   Marital Status.    3.2. Selectio n of Cus t om er Beh a v i ors  T y pe Variables   Cu stome r  be haviors type variable s  mainly i ndicate  a serie s  of variable ind i cato rs  related  to  cu stome r  tran sacting  be havi o r  and  rel a tio n  with  ba nks,  whi c h  a r e  used to  define  t h e   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  643 4 – 6440   6436 orientatio n which e n terp ri ses shoul d stri ve for  in som e  market se g m ent, and are the key fact ors  for a s certaini ng target m a rket. Cu sto m er b ehav io rs type  varia b les i n cl ude  the record s of   cu stome r s  bu ying  services or pro d u c ts, reco rd s  of  customer  se rvice  or produ ctio n con s umptio n,  conta c t re co rds  b e twee n   cu stom ers and enterpr i s e s ,  a s  well   as custo m ers’  con s umi ng  behavio rs, p r eferen ce s, life style,  and o t her rel e vant informatio n [4].  Based o n  an alyzing an d summari zin g  e x isting literat ure s , the cu stomer beh aviors type   variable s  d e signed in thi s   pape r in clud e  Monthly  Fre quen cy of Website  Login,  Monthly We b s ite  Staying Time, Monthly Times of Purcha sing, M ont hly Amount of Purcha sing, Ty pe of Con s u m er  Produ cts Pu rcha se d, Time s of Servi c e  Feedb ack,  S e rvice S a tisfa c tion, Cu sto m er Profitabil i ty,  Cu stome r  Profit, Repe at P u rcha se s, Re comm end ed Numb er  of Custome r s,  Pu rch a si ng Gro w th   Rate.       4.  Resear ch  Method   4.1. Working  Principle of BP Neur al Net w o r k Algor ithm  BP neural  netwo rk alg o rithm h a s  uique  adv an tages to  de script the  n on-lin ea r  relation shi p  and strong f unctio n  simul a ting ca pabili ty.  It not only has input  and outp u t-la yer  node, but al so hidde n-l a ye r nod e. Its hi dden -laye r  n euro n s  ado pt S type variation fun c tion a n d   output-laye r   neuron s use pure lin ear   conversion fun c tion so that  BP neural ne twork algo rith m  can  be  close  to the co rre s po ndin g  rel a tionship  bet wee n  any fu nction s a nd  data if there  are  enou gh hid d en layers an d neu ron s  th eoreti c ally. T herefo r e, in t he study of color ma nag e m ent,  the  ma pping  relation s  amo ng  the  colo r spa c e s  of  diff erent   eq uipm ents ca n be derived   throu gh  the trainin g  o f  standa rd o u t put data and  measur e m e n t data to co mplete their  conve r si on.  BP  neural net work algo rithm i s  gene rally co nsi s ted of  three layers of n euro n s  as  sh own in Fi gu re  1  [6, 7].           Figure 1. Wo rking Pri n ci ple  of BP Neural  Netwo r k Alg o rithm       4.2. Continu ous-time Fo urier Series of Periodic Signal  As we all  kn ow, for  sig nal ) ( t f  that the pe ri od is  T , it can  be sho w ed  b y  continu o u s - time Fourier series , i.e. formula 1 [8].    ) sin( ) cos( ) ( 0 1 0 1 0 t n b t n a a t f n n n n                                                                     (1)    Of formul a 1,   T 2 0  is funda me ntal an gula r  f r equ en cy,  0 a  is DC  comp on ent, and  n n b a 、  are Fou r ie r serie s , i.e. formula 2.  T dt t f T a 0 0 ) ( 1        T n dt t n t f T a 0 0 ) cos( ) ( 2       T n dt t n t f T b 0 0 ) sin( ) ( 2           (2)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Novel Alg o rithm  of Network T r ad e Cu st om er Cla ssifi cation b a sed  on Fou r ier… (Li Xinwu)  6437 For time -limited non pe riodi c si gnal ) ( t f ,  T t 0 ， the peri odi c sig nal that  ) ( t f  is vi a  contin uation of  period  T is ) ( t f p , i.e. formula 3.      m ) ( ) ( mT t f t f p                                                                                          (3)                                                                  Of formula 3,   m  is a po sitive numb e r.  ) ( ) ( t f t f p occurs o b viou sl y when time  t  is  T t 0 . Therefore, the  contin uou s-ti me  serie s   of pe riodi c  si gnal ) ( t f p can  be  al so  sh owed  b y   Formul a 1 wit h in the prin ci pal value pe ri od T t 0 .   For ba ndlimit ed sig nal ) 0 )( ( N t f ， formula 1 ca n b e  cha nge d as formula 4.     ) sin( ) cos( ) ( 0 1 0 1 0 t n b t n a a t f N n n N n n                                                            (4)    For the nu me rical  com puta t ion, formul a  4 is se parate d  into formula  5.    ) sin( ) cos( ) ( 0 1 0 1 0 s N n n s N n n tkT n b kT n a a k f                                                       (5)    Of formula 6,  s T  is a samplin g perio d, and   N T N T s 2 0 . When  N T T s 2 , formula 5  can b e  ch ang ed as fo rmula  6.    ) sin( ) cos( ) ( 1 1 0 nk N b nk N a a k f N n n N n n                                                             (6)    In formula 6,  1 2 ... 2 , 1 , 0 N k .    4.3. Impro v ing BP Neu r a l  Net w o r k  w i th Fourier  Basis Func tio n    In formul a 6,  neu ral  net work mo del  b a se d o n  F o u r ier ba si s fun c tion i s   p  ro duced if  ) ( k f is a neu ral n e twork outp u t ,   ) ( t f d is a ne ural netwo rk traini ng sa mple,  n n b a 、 are neu ral   netwo rk trai ning  wei ghts, and   ) cos( nk N and  ) ( sin nk N are  ne ural   netwo rk ex ci tation  function s. See Figure 2 [9, 10].  The algo rithm  of neural net work mo del b a se d on fouri e r ba sis fou n ction is a s  foll ows:  1.  See formula  6 for neu ral n e twork outp u t.    2.  See formula  7 for error fun c tion of network m odel.     ) ( ) ( ) ( k f k f k e d                                                                                        (7)      3.  See formula  8 for netwo rk  model pe rformance index.   4.  Weig ht adju s tment by gradi ent desce nt  algorithm, See  formula 8 an d 9 for weig ht  adju s tment q uantity.    N n nk N k e a J a k n k n ... 2 , 1 , 0 , ) cos( ) (                                                                  (8)         N n nk N k e b J b k n k n ... 2 , 1 , 0 , ) sin( ) (                                                             (9)                  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  643 4 – 6440   6438 5.  See formula  10 and 1 1  for weight adj ust m ent, in which,  is a learni n g  rate, and  1 0 .    N n nk N k e a a k n k n ... 2 , 1 , 0 , ) cos( ) ( 1                                                         (10)     N n nk N k e b b k n k n ... 2 , 1 , 0 , ) sin( ) ( 1                                                                (11)           Figure 2.  Wo rkin g Prin cipl e of Fourie r Basi s Ne ural  Network Mo del        4.4. Solution of Impro v ed Algorithm   (1) Netwo r k trainin g : Th e net work t r aining  empl o y s BP ne ural net work  a l gorithm  algorith m  by  assigni ng the  value s  of all  the  cla ssification indi cato rs f r om th e training  datab a s e   as inp u t value and that of classification  weight a s  o u tput. In this algorith m , bo th weight val u e   and thresh old  value are ra ndomly picke d  out in  the range of -0.5~0.5, with ade quate adj ust m ent  with reg a rd to the real co nverge nce.   (2) Initiali zati on: to initialize the weig ht coeffici ent wit h  a small ran dom num ber.   (3)  Circulatio n: to set an iteration nu m ber  an d load  data to und ergo n e two r k training.  The weight  coeffici ent re quire d is  acquire d on ce  the accu ra cy of  desig nat ed custom er is  rea c he d.  (4) Ke ep the  value of weig ht coeffici ent  of Fouri e r b a s is  neu ral n e t work an d co nclu de   the training.      4.5. Conv ergence Analy s is of the Impr ov ed Model    As we all  know, the si ze of learni n g  rate  affects neu ral n e twork  conve r gen ce   signifi cantly. If too small, th e convergen ce spee d  of n eural   net wo rk  is slo w  and   the comp utation   amount a n d  time are i n crea sed; if  too lar ge,  neural net wo rk  sho c ks  n o t to rea c h  th e   conve r ge nce. For ab solut e  convergen ce  of  neu ral  network, a  theorem of  neu ral  network  conve r ge nce is given a s  be low.   Only whe n  th e learning rate   sat i sf ie s  1 3 4 0 N ,  neural netwo rk al gorith m  is  conve r ge nt. Here  N 2 is the  number of  neural netwo rk trai ning sample s. For the space   limitation, see  Refere nce 8 for t he detaile d proof of Th eore m  1.      5.  Results a nd Analy s is  In orde r to test the effectiveness of improv e d  alg o rithm in thi s  thesi s , si mulation   hard w a r e  is  Dell Po we re d ge  R71 0 , in  whi c h  pro c e s sor i s  E55 06,  memo ry 2 G , ha rd  disk  16 0G;  softwa r e  plat form i s   Win dows XP  o peratin g  syst em, Matlab 7 10 p r og ram m ing la ngu a g e   environ ment.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       A Novel Alg o rithm  of Network T r ad e Cu st om er Cla ssifi cation b a sed  on Fou r ier… (Li Xinwu)  6439 5.1. Process  of Experime ntal Verifica tion  The process  of the experi m ental ve rification ca n be l i sted a s  follo ws.   (1)  wh at is to   be p r o c e s sed  duri ng the  cl assifi catio n  is the num eri c   data, so  the  n u meri c  codi ng on  ch ara c ter d a ta should b e  co n ducte d first;   (2) if the val u e num be r of  certai n attri b ute is  eq ual t o  sample  nu mber, it m e a n s th at it  has little effect o n   cla s sification, h e n c e,  remove   su ch  attribut e first. T h re e attribute s   as  Cu stome r  No ., Post Code  and Date of Birth are  remo ved in this ca se.   (3) e s tablish  trainin g   sa mple  set a c cording  to d o main  (p rior) kn owle dge.  Time s of  purcha s in g a nd total amo u n t of purch asi ng of ea ch   cu st ome r  a r e t w o majo r f a ct o r s  of  cu st ome r   cla ssifi cation  (this is the p r i o r kn owl edg e  of dom ain), so sele ct 400  pieces of typical data am o n g   all the  cu sto m ers to fo rm traini ng  sample  set.  And divide  them into  fo ur type s a s  Gold  Cu st ome r s,  S ilv er  Cu st o m er s,   Ordina ry Cu stom ers, Potentia l  Cu stome r s a c cordi ng to   ABC  manag eme n t theory.  (4) use  the custome r  cla s sificatio n   alg o rithm a bove - mentio ned,  and the  tradit i onal BP  neural network  algorith m  to cla ssify cu stomer.     5.2. Experimental Results  Experimental  data com e  fro m  the custom er  datab ase registe r ed by certai n E-co mmerce  enterp r i s e. Relevant data  of 10041  cu stomers are ra ndomly sel e ct ed  from the d a taba se to se rve  as the  ba sis for data  mining, an d ab stra ct t he  re quire d custo m er valu e d a ta to evalu a te   according  to t he d e sig ned   evaluation i n dicato r  sy ste m . Accordi n g  to custom ers’ overt valu e  and   potential valu e, test clu s te rs custo m ers i n to gol d en  cu stome r , silve r  cu stome r , co pper cu stom e r ,  gene ral custo m er an d igno rable  cu stom er; eval uation  result s are a s  sh own in Table 1.       Table 1. Cu st omer  Cla ssifi cation  Re sult s of Some Website   Customer T y pe   Number of  Custo m ers  Percentage  %   Profit Contributio n Proportion   Gold Custome r s  786  7.83  53.13   Silver Customers  1278   12.73   30.92   Copper Custome r s  2622   26.11   13.94   Gene ral Custom ers  3456   34.42   6.13  Negligible Customers  1899   18.91   -4.12   Total 10041   100.00   100.00       From T able 1 ,  we ca n see  that Gold Custom e r s o c cupie s  7.83%  of the total custome r   while the p r ofits from th em occu pie s  53.13%  of the total. So the gold  cu stomers play  a n   importa nt rol e  for the  en terpri se s  and  they b e  tre a ted  with  sp ecial  servi c e.  Ho weve r, t h e   negligibl e  cu stomers acco u n t for 18.91% , who  ma ke  minus p r ofits  for the enterp r ise.    In orde r to te st the adva n tage s an d disadvant ag es  o f  improved  al gorithm i n  thi s  pa per  the improved  model, the traditional BP neural network algo rithm [7] and K-me ans alg o rithm  [4]  is re alized in  th pape r, and  spe c ific exp e r imental  re sul t s of all these  three al gorith m s is  sh own in  Table 2. Fro m  Table 2 we can se e that the al gorithm pre s e n ted in this pa per ha s high e r   cla ssifi cation  accura cy than that of th e ordin a ry BP neural net work alg o rith m and K-me an s  algorith m .       Table 2.  Cla ssifi cation Pe rforma nce Co mpari s o n  of different Algori t hms  Algorithm  Algorithm in This Paper     Ordina r y  BP  Ne ural  Net w ork Algorith m    K-means Algorith m   Accuracy  Rate   99.23  %   93.07%   84.36%   Time Consuming ( S)   18  503  17      6.  Conclusi on  The research  of neural net work in th eory  and appli c a t ion is still d e v eloping. And  how to   corre c tly and  effectively carry out  correct and  rea s onabl e cla s si fication on n e twork tra n sa ction  cu stome r s, reform net work marketin g mode an d improve custo m er man age ment and se rvice   level is also a key to increase the co mpetitiv eness of E-comme rce  enterpri s es. Thi s  pap er, on   accou n t of the sho r tag e  of BP neural n e twork in  d a ta mining, put s forward a n e w Fo urie r b a si s  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  643 4 – 6440   6440 neural netwo rk mo del to classify netwo rk tra de  cust omers. Experimental  re sult s sh ow that the   improve d  ne twork trad e cla ssifi cation  algorit hm h a s enh an ced  the a ccu ra cy  of  cust o m er   cla ssifi cation,  more reason able in cl assif i cation results.        Ackn o w l e dg ement  This work is  suppo rted by sc ientific rese arch proje c t of the educa t ion depa rtm ent o f   Jian gxi provin ce (No. G J J1 3300 ) and 5 2 nd Chi n e s e p o stdo ctoral f und (No. 2012 M5212 84 ).      Referen ces   [1]  Ar w a  M, Safi  A. CRM Sc orecar d - CR M Performanc e Meas urem e n t.  In te rn a t i ona l  Jou r na l  of  Netw orked Co mp utin g an d Advanc ed Infor m ati on Ma nag ement . 201 2; 2 ( 1): 8-21.   [2]  Den g  WB, He  MS. B2C  Cu stomer Cl assifi cation  Alg o rith m Base d o n   Based  on  3D M.  Jo u r na l  of  Cho ngq in g Un i v ersity of Posts and T e l e co mmu n ic ations (N atural Sci enc e  Editio n) . 201 2; 24(4): 56 8- 572.   [3]  Rieh a r SF , N o rma T D . Stud y of C l assif y ing  Custom ers Method  in  C R M.  Journ a l of  Co mp ute r   Simulation . 20 11; 28(8): 2 49- 254.    [4]  Sulma  LE, Stalk E. Res ear ch on  Custo m er  Class ifica t ion of E-C o mmerce W ebs ite Base d o n   Customer Va lu e Anal ys is.  Jou r nal of Co mput er Engi ne erin g . 2011; 2 4 (6): 2 89-2 94.   [5]  T eece DJ, Stalk E. Appl ica t ion of Comm erci al B ank C u stomer Su bdi vision B a se d on K-mea n s .   Journ a l of Infor m ati on Ma nag ement . 201 1; 7 ( 3): 199-2 09.   [6]  Mardi y o no, Re ni S, Azlan A.   Intellig ent Mo nitori ng S y ste m  on Pr edictio n of Buildi ng  Dama ge Inde x   Using  N eura l - N et w o rk.  T E LK OMNIKA Indon esia n Jo urn a l  of Electric al E n gin eeri ng.   201 2; 10( 1): 1 5 5 - 164.   [7]  Budi  R, Su pri y adi. E a rl y Mo d e l of T r affic Si gn R e mi nder   Based  on  Ne u r al N e t w ork.  TE L K O M N I K A   Indon esi an Jou r nal of Electric al Eng i ne eri ng.   2012; 1 0 (2): 7 13-7 22.   [8]  Post LP, Chiris topher C.   An  Evalu a tion of  Methods for Pr oduc ing C R T   Monitors.   Co lo r Research a n d  Its Applicatio n . 200 7; 14(4): 17 2-18 6.   [9]  Roy  SK, Mark  E.   CRT  Colori metr y  B a se d o n  Improve d  BP  Neur al  Net w or k.  Internatio nal  Revi ew   o n   Co mp uters an d Softw are . 2009; 38(4): 2 99- 313.    [10]  Li JJ, Rui L .  Construction  Equipm ent C ontro l Rese arch Base d on Pred ictive   T e chnol og y.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2012; 1 0 (5): 9 60-9 67.   Evaluation Warning : The document was created with Spire.PDF for Python.