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.
