| 作者 |
| 熊贇 朱扬勇 |
| 丛书名 |
| 国之重器出版工程·学术中国·大数据 |
| 出版社 |
| 人民邮电出版社 |
| ISBN |
| 9787115543264 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 高价值、低密度是大数据的特征，挖掘高价值、低密度的数据对象是大数据的一项重要工作。特异群组是一类高价值、低密度的数据形态，是指在众多行为对象中，少数对象群体具有一定数量的相同（或相似）的行为模式，表现出相异于大多数对象而形成的异常的群组。特异群组挖掘在证券金融、医疗保险、智能交通、社会网络和生命科学研究等领域具有重要的应用价值。对特异群组挖掘的研究代表了数据挖掘从浅层到深层的发展趋势和必要性。 本书系统地阐述了特异群组挖掘任务，包括介绍了特异群组挖掘的概念，分析了特异群组挖掘任务与聚类、异常等任务之间的差异，给出了特异群组挖掘任务的相关算法，并且列举了特异群组挖掘的几个重点应用。本书适合大数据研究人员、大数据工程师、大数据应用分析师、大数据产业从业人员等阅读，也可作为数据科学、大数据专业本科生和研究生的教学用书。 |
| 目录 |
第 1章 绪论 1 1.1 大数据 2 1.2 大数据挖掘 3 1.3 特异群组挖掘任务 6 1.4 小结 8 参考文献 9 第 2章 为什么需要特异群组挖掘 11 2.1 聚类 12 2.2 异常检测 13 2.3 图数据上的异常挖掘 20 2.4 特异群组挖掘 28 2.5 特异群组挖掘与其他任务间的关系 31 2.6 小结 33 参考文献 33 第3章 特异群组挖掘的应用 45 3.1 证券市场操纵行为挖掘 46 3.2 医疗保险中的保费欺诈行为挖掘 48 3.3 有组织犯罪行为挖掘 50 3.4 金融风控中团伙欺诈检测 51 3.5 生命科学研究中的特异群组挖掘 52 3.6 流行病学调查中的密切接触者发现 53 3.7 其他应用场景 53 3.8 小结 54 参考文献 55 第4章 特异群组挖掘原理与框架 59 4.1 特异群组挖掘形式化描述 60 4.2 特异群组挖掘框架算法 63 4.3 实验与结果分析 66 4.4 特异群组挖掘应用步骤 67 4.5 小结 68 参考文献 69 第5章 相似性与相似性连接 71 5.1 相似性 72 5.2 相似性连接 74 5.3 相似性搜索中的索引结构 77 5.4 异质网络上的自相似性连接 79 5.4.1 异质信息网络 79 5.4.2 异质网络上的相似性度量 83 5.4.3 基于路径的自相似性连接 83 5.5 实验与结果分析 90 5.5.1 效率分析 91 5.5.2 有效性分析 95 5.5.3 Topk相似连接示例 98 5.6 小结 101 参考文献 101 第6章 无监督的复杂行为数据表示学习 107 6.1 行为数据 108 6.2 表示学习 110 6.2.1 词嵌入模型 110 6.2.2 图嵌入模型 112 6.2.3 异质网络表示学习 116 6.2.4 知识图谱表示学习 117 6.2.5 用户-商品对表示学习 117 6.3 基于交互图嵌入的复杂行为数据表示学习 118 6.3.1 交互图定义 118 6.3.2 无属性交互图嵌入 122 6.3.3 IGE模型 124 6.4 实验与结果分析 129 6.4.1 实验描述 129 6.4.2 实验结果分析 131 6.5 IGE算法在证券投资行为分析中的应用 135 6.6 小结 139 参考文献 139 第7章 半监督的复杂行为数据表示学习 147 7.1 图半监督学习 148 7.2 问题定义 150 7.3 算法模型 151 7.4 实验与结果分析 153 7.4.1 实验描述 153 7.4.2 实验结果分析 154 7.5 小结 157 参考文献 157 第8章 半监督群组检测 159 8.1 群组检测 160 8.2 问题定义 162 8.3 算法模型 163 8.3.1 判别器 163 8.3.2 生成器 164 8.3.3 预训练与强制教学 166 8.3.4 群组生成 167 8.4 实验与结果分析 168 8.4.1 实验描述 168 8.4.2 实验结果分析 169 8.5 小结 170 参考文献 170 第9章 增量复杂行为数据特征分析 173 9.1 问题定义 174 9.2 增量复杂行为数据特征表示算法 175 9.2.1 日交易记录编码 175 9.2.2 预测编码 177 9.2.3 生成式对抗网络 177 9.2.4 特征向量表示 178 9.3 方法应用与实验分析：游资账户识别 179 9.3.1 业务问题定义 179 9.3.2 数据来源与预处理 181 9.3.3 游资账户识别 183 9.3.4 游资账户聚类 184 9.4 小结 185 参考文献 185 第 10章 面向动态图的节点表示学习 187 10.1 动态网络节点嵌入 188 10.1.1 静态网络节点嵌入方法 190 10.1.2 单向量节点嵌入表示方法 191 10.1.3 多向量节点嵌入表示方法 192 10.1.4 函数式节点嵌入表示方法 193 10.2 问题定义 194 10.3 DynGraphGAN算法 195 10.3.1 生成器 197 10.3.2 判别器 198 10.3.3 算法细节 200 10.4 实验与结果分析 201 10.4.1 数据集 201 10.4.2 基准算法 202 10.4.3 评估任务 203 10.4.4 链路重构和链路预测分析 204 10.4.5 参数敏感性分析 207 10.5 小结 209 参考文献 209 第 11章 多源网络对齐 213 11.1 多源数据网络 214 11.2 问题定义 216 11.3 HGANE算法 217 11.3.1 层次图注意机制 217 11.3.2 对齐网络表示 220 11.3.3 面向协同链接预测的网络表示框架 222 11.4 实验与结果分析 223 11.4.1 数据集 223 11.4.2 对比方法 224 11.4.3 实验设置 225 11.4.4 实验结果 226 11.4.5 假设验证 227 11.4.6 参数分析 228 11.5 小结 230 参考文献 230 第 12章 总结与展望 233 12.1 总结 234 12.2 展望 236 |