國之重器出版工程特異群組挖掘

定　價(jià)：￥139.00

作　者：	熊贇，朱揚(yáng)勇著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115543264	出版時(shí)間：	2020-08-01	包裝：	平裝
開本：	小16開	頁數(shù)：	237	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　高價(jià)值、低密度是大數(shù)據(jù)的特征，挖掘高價(jià)值、低密度的數(shù)據(jù)對(duì)象是大數(shù)據(jù)的一項(xiàng)重要工作。特異群組是一類高價(jià)值、低密度的數(shù)據(jù)形態(tài)，是指在眾多行為對(duì)象中，少數(shù)對(duì)象群體具有一定數(shù)量的相同（或相似）的行為模式，表現(xiàn)出相異于大多數(shù)對(duì)象而形成的異常的群組。特異群組挖掘在證券金融、醫(yī)療保險(xiǎn)、智能交通、社會(huì)網(wǎng)絡(luò)和生命科學(xué)研究等領(lǐng)域具有重要的應(yīng)用價(jià)值。對(duì)特異群組挖掘的研究代表了數(shù)據(jù)挖掘從淺層到深層的發(fā)展趨勢(shì)和必要性。本書系統(tǒng)地闡述了特異群組挖掘任務(wù)，包括介紹了特異群組挖掘的概念，分析了特異群組挖掘任務(wù)與聚類、異常等任務(wù)之間的差異，給出了特異群組挖掘任務(wù)的相關(guān)算法，并且列舉了特異群組挖掘的幾個(gè)重點(diǎn)應(yīng)用。本書適合大數(shù)據(jù)研究人員、大數(shù)據(jù)工程師、大數(shù)據(jù)應(yīng)用分析師、大數(shù)據(jù)產(chǎn)業(yè)從業(yè)人員等閱讀，也可作為數(shù)據(jù)科學(xué)、大數(shù)據(jù)專業(yè)本科生和研究生的教學(xué)用書。

作者簡(jiǎn)介

　　熊贇熊贇，復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院教授、博士生導(dǎo)師，上海市數(shù)據(jù)科學(xué)重點(diǎn)實(shí)驗(yàn)室副主任。研究興趣包括數(shù)據(jù)科學(xué)、數(shù)據(jù)挖掘和大數(shù)據(jù)處理。研究工作得到了國家自然科學(xué)基金、國家863計(jì)劃、國家科技支撐計(jì)劃、上海市科學(xué)技術(shù)委員會(huì)基金等資助，在TKDE、KDD、AAAI、ICDM、CIKM等數(shù)據(jù)領(lǐng)域國際權(quán)威期刊和會(huì)議上發(fā)表論文80余篇，擔(dān)任ACM Computing Surveys、TKDE、TKDD等國際期刊審稿人。在國內(nèi)率先開展大數(shù)據(jù)和數(shù)據(jù)科學(xué)的研究工作，出版了數(shù)據(jù)科學(xué)專著《數(shù)據(jù)學(xué)》，提出了一類大數(shù)據(jù)形態(tài)——特異群組，提出了一批新型的大數(shù)據(jù)挖掘算法，這些算法已被應(yīng)用于醫(yī)療、交通和金融等上海市大數(shù)據(jù)建設(shè)的重要領(lǐng)域。朱揚(yáng)勇朱揚(yáng)勇，復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院教授、學(xué)術(shù)委員會(huì)主任，上海市數(shù)據(jù)科學(xué)重點(diǎn)實(shí)驗(yàn)室主任。《大數(shù)據(jù)》期刊副主編，大數(shù)據(jù)協(xié)同安全技術(shù)國家工程實(shí)驗(yàn)室副理事長(zhǎng)，中國自動(dòng)化學(xué)會(huì)國防大數(shù)據(jù)專業(yè)委員會(huì)副主任，農(nóng)業(yè)大數(shù)據(jù)產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟副理事長(zhǎng)兼首席科學(xué)家。2004年開始從事數(shù)據(jù)科學(xué)研究，2008年提出數(shù)據(jù)資源保護(hù)和開發(fā)利用，2009年發(fā)表了數(shù)據(jù)科學(xué)論文Data Explosion， Data Nature and Dataology，并出版數(shù)據(jù)科學(xué)專著《數(shù)據(jù)學(xué)》。第462次香山科學(xué)會(huì)議“數(shù)據(jù)科學(xué)與大數(shù)據(jù)的理論問題探索”的執(zhí)行主席。《大數(shù)據(jù)技術(shù)與應(yīng)用叢書》主編，《大數(shù)據(jù)資源》主編，大數(shù)據(jù)科普?qǐng)D書《旖旎數(shù)據(jù)》作者。研究興趣包括數(shù)據(jù)科學(xué)和大數(shù)據(jù)技術(shù)，提出數(shù)據(jù)界（Data Nature）、數(shù)據(jù)學(xué)（Dataology）、數(shù)據(jù)身、數(shù)據(jù)自治、數(shù)據(jù)財(cái)政等概念，近期研究重點(diǎn)為數(shù)據(jù)真實(shí)性、數(shù)據(jù)財(cái)政、數(shù)據(jù)資產(chǎn)、數(shù)據(jù)自治與數(shù)據(jù)跨境等。

圖書目錄

目錄
第　1章緒論　1
1．1　大數(shù)據(jù)　2
1．2　大數(shù)據(jù)挖掘　3
1．3　特異群組挖掘任務(wù)　6
1．4　小結(jié)　8
參考文獻(xiàn)　9
第　2章為什么需要特異群組挖掘　11
2．1　聚類　12
2．2　異常檢測(cè)　13
2．3　圖數(shù)據(jù)上的異常挖掘　20
2．4　特異群組挖掘　28
2．5　特異群組挖掘與其他任務(wù)間的關(guān)系　31
2．6　小結(jié)　33
參考文獻(xiàn)　33
第3章　特異群組挖掘的應(yīng)用　45
3．1　證券市場(chǎng)操縱行為挖掘　46
3．2　醫(yī)療保險(xiǎn)中的保費(fèi)欺詐行為挖掘　48
3．3　有組織犯罪行為挖掘　50
3．4　金融風(fēng)控中團(tuán)伙欺詐檢測(cè)　51
3．5　生命科學(xué)研究中的特異群組挖掘　52
3．6　流行病學(xué)調(diào)查中的密切接觸者發(fā)現(xiàn)　53
3．7　其他應(yīng)用場(chǎng)景　53
3．8　小結(jié)　54
參考文獻(xiàn)　55
第4章　特異群組挖掘原理與框架　59
4．1　特異群組挖掘形式化描述　60
4．2　特異群組挖掘框架算法　63
4．3　實(shí)驗(yàn)與結(jié)果分析　66
4．4　特異群組挖掘應(yīng)用步驟　67
4．5　小結(jié)　68
參考文獻(xiàn)　69
第5章　相似性與相似性連接　71
5．1　相似性　72
5．2　相似性連接　74
5．3　相似性搜索中的索引結(jié)構(gòu)　77
5．4　異質(zhì)網(wǎng)絡(luò)上的自相似性連接　79
5．4．1　異質(zhì)信息網(wǎng)絡(luò)　79
5．4．2　異質(zhì)網(wǎng)絡(luò)上的相似性度量　83
5．4．3　基于路徑的自相似性連接　83
5．5　實(shí)驗(yàn)與結(jié)果分析　90
5．5．1　效率分析　91
5．5．2　有效性分析　95
5．5．3　Topk相似連接示例　98
5．6　小結(jié)　101
參考文獻(xiàn)　101
第6章　無監(jiān)督的復(fù)雜行為數(shù)據(jù)表示學(xué)習(xí)　107
6．1　行為數(shù)據(jù)　108
6．2　表示學(xué)習(xí)　110
6．2．1　詞嵌入模型　110
6．2．2　圖嵌入模型　112
6．2．3　異質(zhì)網(wǎng)絡(luò)表示學(xué)習(xí)　116
6．2．4　知識(shí)圖譜表示學(xué)習(xí)　117
6．2．5　用戶-商品對(duì)表示學(xué)習(xí)　117
6．3　基于交互圖嵌入的復(fù)雜行為數(shù)據(jù)表示學(xué)習(xí)　118
6．3．1　交互圖定義　118
6．3．2　無屬性交互圖嵌入　122
6．3．3　IGE模型　124
6．4　實(shí)驗(yàn)與結(jié)果分析　129
6．4．1　實(shí)驗(yàn)描述　129
6．4．2　實(shí)驗(yàn)結(jié)果分析　131
6．5　IGE算法在證券投資行為分析中的應(yīng)用　135
6．6　小結(jié)　139
參考文獻(xiàn)　139
第7章　半監(jiān)督的復(fù)雜行為數(shù)據(jù)表示學(xué)習(xí)　147
7．1　圖半監(jiān)督學(xué)習(xí)　148
7．2　問題定義　150
7．3　算法模型　151
7．4　實(shí)驗(yàn)與結(jié)果分析　153
7．4．1　實(shí)驗(yàn)描述　153
7．4．2　實(shí)驗(yàn)結(jié)果分析　154
7．5　小結(jié)　157
參考文獻(xiàn)　157
第8章　半監(jiān)督群組檢測(cè)　159
8．1　群組檢測(cè)　160
8．2　問題定義　162
8．3　算法模型　163
8．3．1　判別器　163
8．3．2　生成器　164
8．3．3　預(yù)訓(xùn)練與強(qiáng)制教學(xué)　166
8．3．4　群組生成　167
8．4　實(shí)驗(yàn)與結(jié)果分析　168
8．4．1　實(shí)驗(yàn)描述　168
8．4．2　實(shí)驗(yàn)結(jié)果分析　169
8．5　小結(jié)　170
參考文獻(xiàn)　170
第9章　增量復(fù)雜行為數(shù)據(jù)特征分析　173
9．1　問題定義　174
9．2　增量復(fù)雜行為數(shù)據(jù)特征表示算法　175
9．2．1　日交易記錄編碼　175
9．2．2　預(yù)測(cè)編碼　177
9．2．3　生成式對(duì)抗網(wǎng)絡(luò)　177
9．2．4　特征向量表示　178
9．3　方法應(yīng)用與實(shí)驗(yàn)分析：游資賬戶識(shí)別　179
9．3．1　業(yè)務(wù)問題定義　179
9．3．2　數(shù)據(jù)來源與預(yù)處理　181
9．3．3　游資賬戶識(shí)別　183
9．3．4　游資賬戶聚類　184
9．4　小結(jié)　185
參考文獻(xiàn)　185
第　10章面向動(dòng)態(tài)圖的節(jié)點(diǎn)表示學(xué)習(xí)　187
10．1　動(dòng)態(tài)網(wǎng)絡(luò)節(jié)點(diǎn)嵌入　188
10．1．1　靜態(tài)網(wǎng)絡(luò)節(jié)點(diǎn)嵌入方法　190
10．1．2　單向量節(jié)點(diǎn)嵌入表示方法　191
10．1．3　多向量節(jié)點(diǎn)嵌入表示方法　192
10．1．4　函數(shù)式節(jié)點(diǎn)嵌入表示方法　193
10．2　問題定義　194
10．3　DynGraphGAN算法　195
10．3．1　生成器　197
10．3．2　判別器　198
10．3．3　算法細(xì)節(jié)　200
10．4　實(shí)驗(yàn)與結(jié)果分析　201
10．4．1　數(shù)據(jù)集　201
10．4．2　基準(zhǔn)算法　202
10．4．3　評(píng)估任務(wù)　203
10．4．4　鏈路重構(gòu)和鏈路預(yù)測(cè)分析　204
10．4．5　參數(shù)敏感性分析　207
10．5　小結(jié)　209
參考文獻(xiàn)　209
第　11章多源網(wǎng)絡(luò)對(duì)齊　213
11．1　多源數(shù)據(jù)網(wǎng)絡(luò)　214
11．2　問題定義　216
11．3　HGANE算法　217
11．3．1　層次圖注意機(jī)制　217
11．3．2　對(duì)齊網(wǎng)絡(luò)表示　220
11．3．3　面向協(xié)同鏈接預(yù)測(cè)的網(wǎng)絡(luò)表示框架　222
11．4　實(shí)驗(yàn)與結(jié)果分析　223
11．4．1　數(shù)據(jù)集　223
11．4．2　對(duì)比方法　224
11．4．3　實(shí)驗(yàn)設(shè)置　225
11．4．4　實(shí)驗(yàn)結(jié)果　226
11．4．5　假設(shè)驗(yàn)證　227
11．4．6　參數(shù)分析　228
11．5　小結(jié)　230
參考文獻(xiàn)　230
第　12章總結(jié)與展望　233
12．1　總結(jié)　234
12．2　展望　236