AMiner：人工智能之数据挖掘(171页).pdf

1、 图表目录 图 1 数据挖掘是知识发现的过程之一 . 3 图 2 数据挖掘过程基本步骤 . 5 图 3 Data Mining 知识图谱 . 6 图 4 2013-2018 KDD 研究性论文投稿与接收情况 . 7 图 5 2013-2018 KDD 工业界论文投稿与接收情况 . 8 图 6 柯洁乌镇大战 AlphaGo 撼负后的微博热议 . 43 图 7 两个微博名人的微博点赞数据的箱型图 . 45 图 8 组数较大组距较小的频率分布直方图 . 47 图 9 相同均值和方差的不同数据 . 52 图 10 k=3 的 K-means 算法迭代过程 . 53 图 11 神经元 . 59 图 12

2、 神经网络 . 59 图 13 Girvan-Newman 算法结果 . 66 图 14 基于优化 Q 值的算法结果 . 67 图 15 Louvain 算法步骤 . 68 图 16 Skip-Gram 模型架构 . 70 图 17 话题模型的概率图 . 73 图 18 大数据处理平台技术架构图 . 74 图 19 基于开源系统的大数据处理平台架构 . 75 图 20 全球学者分布地图 . 77 图 21 国内学者分布地图 . 77 图 22 数据挖掘领域全球 Top1000 学者迁徙图 . 78 图 23 数据挖掘全球 Top1000 学者机构分布 . 78 图 24 数据挖掘全球 Top1

3、000 学者 h-index 分布图 . 79 图 25 数据挖掘全球 Top1000 学者性别比 . 79 图 26 两阶段的交互推荐方法 . 119 图 27 视频推荐（左）和视频搜索（右） . 120 图 28 方法框架 . 120 图 29 视频推荐的评测结果 . 121 图 30 YouTube-8M 数据集上的视频检索 . 121 图 31 抽取系统的架构图 . 122 图 32 数据偏差 . 122 图 33 数据集的实验结果 . 123 图 34 不同 submodular 的比较结果 . 124 图 35 共享表示层 . 124 图 36 UCI 数据集的实验结果 . 125

4、 图 37 Google 数据的实验结果 . 125 图 38 PG 模型、MPG 扩展版本 . 126 图 39 在线系统的 A/B 测试 . 126 图 40 框架结构 . 127 图 41 实验结果 . 127 图 42 Microsoft Bing 的可视化搜索 . 129 图 43 算法展示 . 129 图 44 降维过程 . 130 图 45 RBE 模型 . 131 图 46 Rosetta 的两阶段抽取架构 . 132 图 47 系统的总体设计 . 134 图 48 DPG-FBE . 134 图 49 阿里巴巴的可视化搜索 . 135 图 50 可视化搜索系统的离线学习（左）

5、在线搜索系统的总体架构（右） . 135 图 51 基于注意力机制网络和 RNN 的深度架构 . 136 图 52 排序过程 . 136 图 53 电子商务网站中商品的表示学习 . 137 图 54 SI 辅助信息 . 137 图 55 多级级联排名模型 . 138 图 56 鲲鹏的总体架构 . 138 图 57 conv-RNN 框架 . 139 图 58 局部匹配图 . 140 图 59 关系增强的实体表示 . 141 图 60 生成有意义的医疗关系 . 141 图 61 提供实时停车可用性信息的框架图 . 142 图 62 研究城市中人的活动 . 143 图 63 大规模实际招聘数据系统

6、 . 144 图 64 Data Mining 全局热点 . 145 图 65 Data Mining 近期热点 . 145 图 66 Data Mining 早期热点 . 145 图 67 2007 至今 Data Mining 与 Health Care 领域交叉分析 . 147 图 68 Data Mining 与 Health Care 未来 3 年交叉研究趋势预测 . 148 表 1 数据挖掘和 KDD 对比图 . 2 表 2 数据挖掘分类表 . 3 表 3 两个比较受欢迎的微博名人在 2018 年 3 月到 2018 年 5 月间的一部分微博数据 . 44 表 4 LDA 模型中的