报告预览

2020升级版：人工智能之数据挖掘（334页）.pdf

编号：24047

PDF 310页 13.12MB 下载积分：VIP专享

下载报告请您先登录！

2020升级版：人工智能之数据挖掘（334页）.pdf

1、人工智能之人工智能之数据挖掘数据挖掘 Research Report of Data Mining 2020 年第 9 期清华大学人工智能研究院北京智源人工智能研究院清华中国工程院知识智能联合研究中心 2020 年 12 月人工智能之数据挖掘 Research Report of Data Mining I 摘要摘要数据挖掘（Data Mining）旨在从大规模、不完全、有噪声、模糊随机的数据集中自动抽取隐含的、以前未知的、具有潜在应用价值的模式或规则等有用知识的复杂过程，是一类深层次的数据分析方法，也是知识发现的关键步骤。本报告围绕数据挖掘的概念内涵、关键技术、人才研究、应

2、用场景、发展趋势等方面展开深入研究，主要内容包括：一、数据挖掘基本概念、发展历程、研究进展、问题与挑战。详细介绍了数据挖掘的基本概念、发展历程、技术研究关键词图谱、研究进展，以及研究过程中面临的问题与挑战。二、数据挖掘技术研究现状分析。分别对数据挖掘十大经典算法、统计数据分析方法、科技情报挖掘技术、社交网络与图数据挖掘技术、自然语言数据挖掘技术、多媒体数据挖掘技术、大规模数据挖掘技术、数据隐私保护和安全等方面进行了详细介绍和深入分析，并解读了 SIGKDD 会议收录的代表性论文。三、数据挖掘领域人才现状分析。基于 AMiner 平台提供的论文和学者大数据，从学者分布、学术水

3、平、国际合作、学者流动等维度，对国内外相关研究学者和机构进行了对比分析，总结中国科研学者队伍建设过程中的弱势环节和问题，并提出对策建议。四、数据挖掘典型应用场景分析。分别介绍了数据挖掘技术在零售业、旅游业、物流业、医学界、金融业、电信业等不同行业的应用场景，并如何助力这些行业的发展。最后分析了数据挖掘相关技术研究发展趋势和创新热点，以及中国的专利数据和国家自然科学基金支持情况，并展望了数据挖掘未来发展趋势。人工智能之数据挖掘 Research Report of Data Mining II 目录目录 1 概述篇 . 13 1.1 数据挖掘基本概念 . 13 1.2 数据挖掘发

4、展历程 . 17 1.3 数据挖掘知识图谱 . 19 1.4 数据挖掘研究进展 . 20 1.5 数据挖掘问题与挑战 . 21 1.5.1 数据挖掘的统一理论框架的构建 . 22 1.5.2 高维数据和高速数据流的挖掘 . 22 1.5.3 序列和时序数据的挖掘 . 24 1.5.4 复杂数据中复杂知识的挖掘 . 25 1.5.5 网络环境中的数据挖掘 . 26 1.5.6 分布式数据和多代理数据的挖掘 . 27 1.5.7 生物和环境数据的挖掘 . 29 1.5.8 数据挖掘过程中的相关问题处理 . 30 1.5.9 数据挖掘中数据安全、数据所涉及到的隐私和数据完整性的维护 . 31 1.5

5、.10 非静态、非平衡及成本敏感数据的挖掘 . 32 2 技术篇 . 37 2.1 数据挖掘十大经典算法 . 38 2.1.1 C4.5 . 38 2.1.2 K-Means . 40 人工智能之数据挖掘 Research Report of Data Mining III 2.1.3 SVM（Support Vector Machine） . 41 2.1.4 Apriori . 43 2.1.5 EM（Expectation Maximization） . 44 2.1.6 PageRank . 47 2.1.7 AdaBoost . 48 2.1.8 KNN（K-Nearest Neig

6、hbor） . 49 2.1.9 Naive Bayes . 51 2.1.10 CART（Classification and Regression Trees） . 53 2.2 统计数据分析 . 54 2.2.1 基本统计分析方法 . 54 2.2.2 回归分析方法 . 60 2.2.3 关联分析 . 63 2.2.4 聚类分析 . 64 2.3 科技情报挖掘技术 . 82 2.3.1 知识溯源 . 82 2.3.2 趋势分析 . 83 2.3.3 前沿预测 . 85 2.3.4 命名排歧 . 86 2.3.5 决策支持 . 87 2.3.6 人才情报 . 88 2.3.7 科学计量 .

7、 89 2.4 社交网络与图数据挖掘技术 . 91 人工智能之数据挖掘 Research Report of Data Mining IV 2.4.1 图的度量算子 . 92 2.4.2 社交网络上的算法 . 96 2.5 自然语言数据挖掘技术 . 101 2.5.1 词表示分析 . 101 2.5.2 语言模型 . 106 2.5.3 话题模型 . 107 2.6 多媒体数据挖掘技术 . 108 2.6.1 文本挖掘 . 109 2.6.2 音频挖掘 . 111 2.6.3 图像挖掘 . 112 2.6.4 视频挖掘 . 112 2.7 大规模数据挖掘技术 . 114 2.7.1 大数据平台

8、架构 . 115 2.7.2 大数据平台实例 . 117 2.8 数据隐私保护和安全 . 119 2.8.1 数据隐私保护 . 119 2.8.2 数据安全 . 123 2.9 数据挖掘论文主题分析 . 124 2.10 数据挖掘经典论文概况 . 127 2.10.1 SIGKDD 2013 . 128 2.10.2 SIGKDD 2014 . 136 2.10.3 SIGKDD 2015 . 145 人工智能之数据挖掘 Research Report of Data Mining V 2.10.4 SIGKDD 2016 . 158 2.10.5 SIGKDD 2017 . 168 2.10

9、.6 SIGKDD 2018 . 179 2.10.7 SIGKDD 2019 . 188 2.10.8 SIGKDD 2020 . 200 3 人才篇 . 213 3.1 学者情况概览 . 213 3.1.1 学者分布地图 . 213 3.1.2 学术水平分析 . 215 3.1.3 国际合作分析 . 218 3.1.4 学者流动情况 . 220 3.2 学者简介 . 222 3.2.1 发展过程中代表学者简介 . 222 3.2.2 近十年代表学者简介 . 245 3.3 部分国内学者的研究成果 . 260 3.3.1 数据挖掘基础理论 . 260 3.3.2 社交网络分析和图挖掘研究 .

10、 262 3.3.3 大数据挖掘 . 264 4 应用篇 . 269 4.1 零售业 . 269 4.2 旅游业 . 271 4.3 物流业 . 272 人工智能之数据挖掘 Research Report of Data Mining VI 4.4 医学界 . 273 4.5 金融业 . 274 4.6 电信业 . 276 5 趋势篇 . 281 5.1 技术研究发展趋势 . 281 5.2 技术研究创新热点 . 282 5.3 数据挖掘专利数据分析 . 286 5.4 国家自然科学基金支持情况 . 287 6 总结与展望 . 293 参考文献. 295 附录 1 数据挖掘领域关键词 . 30

11、6 附录 2 期刊和会议列表 . 307 附录 3 国家自然科学基金 NSFC 项目 . 307 图表目录图表目录图 1 数据挖掘是知识发现的核心过程 . 13 图 2 数据立方体模型示例 . 15 图 3 Data Mining 知识图谱 . 20 图 4 数据流挖掘流程图 1 . 24 图 5 挖掘的复杂数据类型 . 26 图 6 分布式数据挖掘框架 6 . 28 图 7 面向基于 Multi-Agent 间通信和协作的智能分布式框架的数据挖掘模型 . 29 图 8 大数据特征 12 . 31 图 9 不平衡数据分布图 . 34 图 10 柯洁乌镇大战 AlphaGo 憾负的微博热议 .

12、 37 人工智能之数据挖掘 Research Report of Data Mining VII 图 11 数据挖掘十大经典算法 . 38 图 12 C4.5 算法生成的决策树 19 . 39 图 13 K-Means 算法效果图 21 . 41 图 14 SVM 的决策平面 . 42 图 15 SVM 的核函数 . 43 图 16 EM 算法要解决的问题 . 45 图 17 身高问题 EM 算法求解步骤 . 45 图 18 AdaBoost 结果 . 49 图 19 KNN 算法简单示例 . 50 图 20 KNN 算法分类示例 . 51 图 21 Nave Bayes 算法分类示例 . 5

13、2 图 22 两个微博名人的微博点赞数据的箱型图 . 56 图 23 组数较大组距较小的频率分布直方图 . 58 图 24 K-medoids 算法样例 . 65 图 25 不确定性目标的 CLARANS 聚类算法对于不同大小数据库的运行时间比较 36 . 66 图 26 BIRCH 流程图 39 . 68 图 27 CURE 算法的基本流程 40 . 68 图 28 Chameleon 运作过程示意图 . 70 图 29 STING 聚类层次结构 . 75 图 30 COBWEB 算法逻辑流程图 . 79 图 31 Kohonen Network . 81 图 32 基于回归分析的趋势拟合曲

14、线示例 . 84 图 33 基于引用关系的技术演变路径分析流程 . 84 图 34 基于 IRD 的前沿技术预测总体思路 . 85 图 35 命名实体消歧架构图 . 87 图 36 决策支持系统的发展演变过程 . 87 图 37 文献计量学、科学计量学和情报计量学（信息计量学）的联系与区别 . 90 图 38 Girvan-Newman 算法结果 . 99 图 39 基于优化 Q 值的算法结果 . 100 图 40 Louvain 算法步骤 . 101 人工智能之数据挖掘 Research Report of Data Mining VIII 图 41 Skip-Gram 模型结构 . 104

15、图 42 话题模型的概率图 . 108 图 43 多媒体文本数据挖掘的过程 . 110 图 44 音频波形图 . 111 图 45 图像数据挖掘的基本过程 . 112 图 46 典型视频结构图 . 113 图 47 基于内容的视频检索与挖掘结构图 . 114 图 48 大数据处理平台技术架构图 . 116 图 49 基于开源系统的大数据处理平台架构 . 117 图 50 隐私保护数据挖掘生命周期模型 . 120 图 51 大数据安全技术框架 . 124 图 52 LDA 结构图 . 125 图 53 2013-2020 KDD 研究性论文投稿与接收情况 . 128 图 54 2013-202

16、0 KDD 工业界论文投稿与接收情况 . 128 图 55 SIGKDD2017 论文研究热点的词云图 . 174 图 56 SIGKDD2018 论文研究热点的词云图 . 185 图 57 SIGKDD2019 论文研究热点的词云图 . 196 图 58 SIGKDD2020 论文研究热点的词云图 . 204 图 59 数据挖掘领域 h-index 排名前 1000 学者的全球分布地图 . 214 图 60 数据挖掘领域 h-index 排名前 1000 学者的中国分布地图 . 215 图 61 各国数据挖掘领域论文合作网络图 . 219 图 62 中国与其他国家的论文合作情况 . 220

17、图 63 全球学者的流动情况 . 221 图 64 中国学者的流动情况 . 222 图 65 数据挖掘方法在零售业中的应用 118 . 269 图 66 数据挖掘应用于智慧旅游的概念结构 121 . 271 图 67 基于数据挖掘的物流信息系统 123 . 273 图 68 医疗领域数据挖掘工具的准确性对比 124 . 274 图 69 互联网数据挖掘与金融数据挖掘对比 127 . 275 图 70 电信大数据的数据挖掘流程 129 . 276 人工智能之数据挖掘 Research Report of Data Mining IX 图 71 数据挖掘领域的技术研究发展趋势 . 282 图 72

18、数据挖掘领域的研究热点词云图 . 283 图 73 中国历年的专利数量分布（2010-2019 年） . 286 图 74 2010-2019 年中国专利数量 TOP 10 机构 . 287 图 75 数据挖掘领域国家自然科学基金项目支持历年分布情况 . 288 图 76 数据挖掘领域国家自然科学基金项目支持数量 TOP 15 机构统计 . 289 表 1 事物数据库的片段 1 . 15 表 2 数据挖掘领域十大问题与挑战 . 21 表 3 网络数据挖掘的分类 5 . 27 表 4 超市购物清单样例 . 43 表 5 ID3、C4.5 和 CART 的比较总结 . 54 表 6 两个比较受欢

19、迎的微博名人在 2018 年 3 月到 2018 年 5 月间的一部分微博数据54 表 7 常用技术趋势分析方法的优缺点对比 . 83 表 8 科学计量学与文献计量学、信息计量学的关系 . 90 表 9 LDA 模型中的变量和标记 . 108 表 10 多媒体数据挖掘的 SWOT 分析表 . 109 表 11 大数据的特征 . 114 表 12 数据挖掘领域论文主题分布 . 125 表 13 专题分会场报告主题 . 145 表 14 h-index TOP1000 全球学者的国家统计 . 214 表 15 h-index TOP1000 学者的中国省市统计 . 215 表 16 论文总被引频次

20、排名前 10 的国家 . 216 表 17 论文总被引频次排名前 10 的全球机构 . 217 表 18 论文总被引频次排名前 10 的中国机构 . 218 表 19 合作论文数量排名前 10 的国家列表 . 219 表 20 数据挖掘领域关键词的论文数统计 . 284 表 21 数据挖掘研究热点子领域的代表性学者的学术指标统计 . 285 表 22 数据挖掘相关国家自然科学基金项目分类情况（2010-2020 年） . 287 表 23 数据挖掘领域关键词列表 . 306 人工智能之数据挖掘 Research Report of Data Mining X 表 24 数据挖掘领域代表性期刊和

21、会议列表 . 307 表 25 数据挖掘相关国家自然科学基金项目列表（2010-2020 年） . 307 人工智能之数据挖掘 Research Report of Data Mining XI 1 1 概述篇概述篇人工智能之数据挖掘 Research Report of Data Mining XIII 1 概述篇概述篇 1.1 数据挖掘基本概念数据挖掘（Data Mining）的广义观点：从数据库中抽取隐含的、以前未知的、具有潜在应用价值的模式或规则等有用知识的复杂过程，是一类深层次的数据分析方法。数据挖掘旨在从数据中挖掘知识，是一种跨学科的计算机科学分支，使用人工智能、机器学习、统计学和数据库等交叉学科领域方法在大规模、不完全、有噪声、模糊随机的数据集中自动搜索隐藏于其中的有着特殊关系性的数据和信息，并将其转化为计算机可处理的结构化表示，是知识发现的一个关键步骤（如图 1 所示） 1。图 1 数据挖掘是知识发现的核心过程知识发现是从各种媒体表示信息中，根据不同的需求获得知识的过程，向使用者屏蔽原始数

友情提示

1、下载报告失败解决办法
2、PDF文件下载后，可能会被浏览器默认打开，此种情况可以点击浏览器菜单，保存网页到桌面，就可以正常下载了。
3、本站不支持迅雷下载，请使用电脑自带的IE浏览器，或者360浏览器、谷歌浏览器下载即可。
4、本站报告下载后的文档和图纸-无水印,预览文档经过压缩，下载后原文更清晰。

本文（2020升级版：人工智能之数据挖掘（334页）.pdf）为本站（X-iao）主动上传，三个皮匠报告文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若此文所含内容侵犯了您的版权或隐私，请立即通知三个皮匠报告文库（点击联系客服），我们立即给予删除！

温馨提示：如果因为网速或其他原因下载失败请重新下载，重复下载不扣分。

上海品茶

2020升级版：人工智能之数据挖掘（334页）.pdf

2020升级版：人工智能之数据挖掘（334页）.pdf