國之重器出版工程特異群組挖掘

定　價：￥139.00

作　者：	熊贇，朱揚勇著
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115543264	出版時間：	2020-08-01	包裝：	平裝
開本：	小16開	頁數(shù)：	237	字數(shù)：

內容簡介

　　高價值、低密度是大數(shù)據的特征，挖掘高價值、低密度的數(shù)據對象是大數(shù)據的一項重要工作。特異群組是一類高價值、低密度的數(shù)據形態(tài)，是指在眾多行為對象中，少數(shù)對象群體具有一定數(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、智能交通、社會網絡和生命科學研究等領域具有重要的應用價值。對特異群組挖掘的研究代表了數(shù)據挖掘從淺層到深層的發(fā)展趨勢和必要性。本書系統(tǒng)地闡述了特異群組挖掘任務，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與聚類、異常等任務之間的差異，給出了特異群組挖掘任務的相關算法，并且列舉了特異群組挖掘的幾個重點應用。本書適合大數(shù)據研究人員、大數(shù)據工程師、大數(shù)據應用分析師、大數(shù)據產業(yè)從業(yè)人員等閱讀，也可作為數(shù)據科學、大數(shù)據專業(yè)本科生和研究生的教學用書。

作者簡介

　　熊贇熊贇，復旦大學計算機科學技術學院教授、博士生導師，上海市數(shù)據科學重點實驗室副主任。研究興趣包括數(shù)據科學、數(shù)據挖掘和大數(shù)據處理。研究工作得到了國家自然科學基金、國家863計劃、國家科技支撐計劃、上海市科學技術委員會基金等資助，在TKDE、KDD、AAAI、ICDM、CIKM等數(shù)據領域國際權威期刊和會議上發(fā)表論文80余篇，擔任ACM Computing Surveys、TKDE、TKDD等國際期刊審稿人。在國內率先開展大數(shù)據和數(shù)據科學的研究工作，出版了數(shù)據科學專著《數(shù)據學》，提出了一類大數(shù)據形態(tài)——特異群組，提出了一批新型的大數(shù)據挖掘算法，這些算法已被應用于醫(yī)療、交通和金融等上海市大數(shù)據建設的重要領域。朱揚勇朱揚勇，復旦大學計算機科學技術學院教授、學術委員會主任，上海市數(shù)據科學重點實驗室主任?！洞髷?shù)據》期刊副主編，大數(shù)據協(xié)同安全技術國家工程實驗室副理事長，中國自動化學會國防大數(shù)據專業(yè)委員會副主任，農業(yè)大數(shù)據產業(yè)技術創(chuàng)新戰(zhàn)略聯(lián)盟副理事長兼首席科學家。2004年開始從事數(shù)據科學研究，2008年提出數(shù)據資源保護和開發(fā)利用，2009年發(fā)表了數(shù)據科學論文Data Explosion， Data Nature and Dataology，并出版數(shù)據科學專著《數(shù)據學》。第462次香山科學會議“數(shù)據科學與大數(shù)據的理論問題探索”的執(zhí)行主席?！洞髷?shù)據技術與應用叢書》主編，《大數(shù)據資源》主編，大數(shù)據科普圖書《旖旎數(shù)據》作者。研究興趣包括數(shù)據科學和大數(shù)據技術，提出數(shù)據界（Data Nature）、數(shù)據學（Dataology）、數(shù)據身、數(shù)據自治、數(shù)據財政等概念，近期研究重點為數(shù)據真實性、數(shù)據財政、數(shù)據資產、數(shù)據自治與數(shù)據跨境等。

圖書目錄

目錄
第　1章緒論　1
1．1　大數(shù)據　2
1．2　大數(shù)據挖掘　3
1．3　特異群組挖掘任務　6
1．4　小結　8
參考文獻　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　13
2．3　圖數(shù)據上的異常挖掘　20
2．4　特異群組挖掘　28
2．5　特異群組挖掘與其他任務間的關系　31
2．6　小結　33
參考文獻　33
第3章　特異群組挖掘的應用　45
3．1　證券市場操縱行為挖掘　46
3．2　醫(yī)療保險中的保費欺詐行為挖掘　48
3．3　有組織犯罪行為挖掘　50
3．4　金融風控中團伙欺詐檢測　51
3．5　生命科學研究中的特異群組挖掘　52
3．6　流行病學調查中的密切接觸者發(fā)現(xiàn)　53
3．7　其他應用場景　53
3．8　小結　54
參考文獻　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　實驗與結果分析　66
4．4　特異群組挖掘應用步驟　67
4．5　小結　68
參考文獻　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構　77
5．4　異質網絡上的自相似性連接　79
5．4．1　異質信息網絡　79
5．4．2　異質網絡上的相似性度量　83
5．4．3　基于路徑的自相似性連接　83
5．5　實驗與結果分析　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　101
參考文獻　101
第6章　無監(jiān)督的復雜行為數(shù)據表示學習　107
6．1　行為數(shù)據　108
6．2　表示學習　110
6．2．1　詞嵌入模型　110
6．2．2　圖嵌入模型　112
6．2．3　異質網絡表示學習　116
6．2．4　知識圖譜表示學習　117
6．2．5　用戶-商品對表示學習　117
6．3　基于交互圖嵌入的復雜行為數(shù)據表示學習　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　實驗與結果分析　129
6．4．1　實驗描述　129
6．4．2　實驗結果分析　131
6．5　IGE算法在證券投資行為分析中的應用　135
6．6　小結　139
參考文獻　139
第7章　半監(jiān)督的復雜行為數(shù)據表示學習　147
7．1　圖半監(jiān)督學習　148
7．2　問題定義　150
7．3　算法模型　151
7．4　實驗與結果分析　153
7．4．1　實驗描述　153
7．4．2　實驗結果分析　154
7．5　小結　157
參考文獻　157
第8章　半監(jiān)督群組檢測　159
8．1　群組檢測　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　預訓練與強制教學　166
8．3．4　群組生成　167
8．4　實驗與結果分析　168
8．4．1　實驗描述　168
8．4．2　實驗結果分析　169
8．5　小結　170
參考文獻　170
第9章　增量復雜行為數(shù)據特征分析　173
9．1　問題定義　174
9．2　增量復雜行為數(shù)據特征表示算法　175
9．2．1　日交易記錄編碼　175
9．2．2　預測編碼　177
9．2．3　生成式對抗網絡　177
9．2．4　特征向量表示　178
9．3　方法應用與實驗分析：游資賬戶識別　179
9．3．1　業(yè)務問題定義　179
9．3．2　數(shù)據來源與預處理　181
9．3．3　游資賬戶識別　183
9．3．4　游資賬戶聚類　184
9．4　小結　185
參考文獻　185
第　10章面向動態(tài)圖的節(jié)點表示學習　187
10．1　動態(tài)網絡節(jié)點嵌入　188
10．1．1　靜態(tài)網絡節(jié)點嵌入方法　190
10．1．2　單向量節(jié)點嵌入表示方法　191
10．1．3　多向量節(jié)點嵌入表示方法　192
10．1．4　函數(shù)式節(jié)點嵌入表示方法　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　算法細節(jié)　200
10．4　實驗與結果分析　201
10．4．1　數(shù)據集　201
10．4．2　基準算法　202
10．4．3　評估任務　203
10．4．4　鏈路重構和鏈路預測分析　204
10．4．5　參數(shù)敏感性分析　207
10．5　小結　209
參考文獻　209
第　11章多源網絡對齊　213
11．1　多源數(shù)據網絡　214
11．2　問題定義　216
11．3　HGANE算法　217
11．3．1　層次圖注意機制　217
11．3．2　對齊網絡表示　220
11．3．3　面向協(xié)同鏈接預測的網絡表示框架　222
11．4　實驗與結果分析　223
11．4．1　數(shù)據集　223
11．4．2　對比方法　224
11．4．3　實驗設置　225
11．4．4　實驗結果　226
11．4．5　假設驗證　227
11．4．6　參數(shù)分析　228
11．5　小結　230
參考文獻　230
第　12章總結與展望　233
12．1　總結　234
12．2　展望　236