特异群组挖掘：框架与应用

熊赟; 朱扬勇

doi:10.11959/j.issn.2096-0271.2015020

您当前的位置：

首页 >

文章列表页 >

特异群组挖掘：框架与应用

研究 | 更新时间：2024-06-05

- 特异群组挖掘：框架与应用
- Abnormal Group Mining:Framework and Applications
- 大数据 2015年1卷第2期页码：2015020
- 作者机构：
  
  1. 复旦大学计算机科学技术学院上海 201203
  2. 上海市数据科学重点实验室（复旦大学）上海 201203
- 作者简介：
  
  [ "熊赟，女，博士，复旦大学计算机科学技术学院副教授。2004年起从事数据领域方面的研究工作，作为项目负责人主持国家自然科学基金、上海市科委发展基金以及企业合作项目。相关研究成果在本领域国际权威期刊或会议发表论文30余篇，出版专著2本。目前研究方向为数据科学、大数据。" ]
  [ "朱扬勇，男，博士，复旦大学计算机科学技术学院教授、学术委员会主任，上海市数据科学重点实验室主任。1989年起从事数据领域研究，2008年提出数据资源保护和利用，2009年发表了数据科学论文“Data explosion,data nature and dataology”，并出版专著《数据学》，对数据科学进行了系统探讨和描述。2010年创办了“International workshop on dataology and data science”，2014年和石勇、张成奇共同创办了“International conference on data science”。第462次香山科学会议“数据科学与大数据的理论问题探索”的执行主席。《大数据技术与应用丛书》主编。目前研究方向为数据科学、大数据。" ]
- 基金信息：
  
  国家自然科学基金资助项目;The National Natural Science Foundation of China(61170096);国家自然科学基金资助项目;The National Natural Science Foundation of China(71331005)
- DOI：10.11959/j.issn.2096-0271.2015020
  中图分类号：
- 网络首发：2015-07，
  
  纸质出版：2015-07-20
- 稿件说明：
移动端阅览
熊赟, 朱扬勇. 特异群组挖掘：框架与应用[J]. 大数据, 2015,1(2):2015020.

Yun Xiong, Yangyong Zhu. Abnormal Group Mining:Framework and Applications[J]. BIG DATA RESEARCH, 2015, 1(2): 2015020.
熊赟, 朱扬勇. 特异群组挖掘：框架与应用[J]. 大数据, 2015,1(2):2015020. DOI： 10.11959/j.issn.2096-0271.2015020.

Yun Xiong, Yangyong Zhu. Abnormal Group Mining:Framework and Applications[J]. BIG DATA RESEARCH, 2015, 1(2): 2015020. DOI： 10.11959/j.issn.2096-0271.2015020.

摘要

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应用价值。特异群组挖掘与聚类、异常挖掘都属于根据数据对象的相似性来划分数据集的数据挖掘任务，但是，特异群组挖掘在问题定义、算法设计和应用效果方面不同于聚类和异常等挖掘任务。为此，系统地阐述了特异群组挖掘任务，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形式化描述及其基础算法，最后，列举了特异群组挖掘的几个重点应用。

Abstract

Abnormal groups can be found in a wide range of areas.Together with clustering and outlier detection

their goals are all to partition a data set according to data similarity.However

abnormal group mining (AGM) is different in problem definition

algorithm design and applications.To the best of our knowledge

the abnormal group mining problem was investigated systematically.The differences among AGM

clustering and outlier detection were analyzed.The formalized definitions on AGM and a framework algorithm were presented

and several interesting applications were particularized.

关键词

Keywords

references

朱扬勇 , 熊赟 . 大数据是数据、技术，还是应用 . 大数据 ,2015007

Zhu Y Y , Xiong Y . Defining big data . Big Data Research ,2015007

Mark B . Gartner says solving ‘big data’ challenge involves more than just managing volumes of data . http://www.gartner.com/newsroom/id/1731916 http://www.gartner.com/newsroom/id/1731916 , 2011

Xiong Y , Zhu Y Y . Mining peculiarity groups in day-by-day behavioral datasets . Proceedings of IEEE International Conference on Data Mining (ICDM’09) , Miami,Florida,USA , 2009 : 578 ～ 587

Xiong Y , Zhu Y Y , Yu Philip S , et al . Towards cohesive anomaly mining . Proceedings of the 27th AAAI Conference on Artificial Intelligence (AAAI-13) , Bellevue,Washington,USA , 2013

朱扬勇 , 熊赟 . 数据挖掘新任务:特异群组挖掘 . 中国科技论文在线 , http://www.paper.edu.cn/releasepaper/content/201111-463 http://www.paper.edu.cn/releasepaper/content/201111-463 , 2011

Zhu Y Y , Xiong Y . Peculiarity group mining:a new task in data mining . Science Paper Online , http://www.paper.edu.cn/releasepaper/content/201111-463 http://www.paper.edu.cn/releasepaper/content/201111-463 , 2011

Jain A K . Data clustering:50 years beyond k-means . Pattern Recognition Letters , 2010 , 31 ( 8 ): 651 ～ 666

Tan P N , Steinbach M , Kumar V . Introduction to Data Mining . Boston:Addison-Wesley , 2006

Hawkins D . Identification of Outliers . London:Chapman and Hall , 1980 : 2 ～ 26

Chandola V , Banerjee A , Kumar V . Anomaly detection:a survey . ACM Computing Surveys , 2009 , 41 ( 3 ): 1 ～ 58

Papadimitriou S , Kitagawa H , Gibbons P B . Loci:fast outlier detection using the local correlation integral . Proceedings of the 19th International Conference on DataEngineering , Bangalore,India , 2003 , 315 ～ 327

Liu F T , Ting K M , Zhou Z H . On detecting clustered anomalies using SCiForest . Proceedings of ECML/PKDD , Barcelona,Spain , 2010 : 274 ～ 290

Dettling M , Buhlmann P . Supervised clustering of genes . Genome Biology , 2002 , 3 ( 12 ): 129 ～ 137

Ester M , Kriegel H P , Sander J . A density-based algorithm for discovering clusters in large spatial databases with noise . Proceedings of the 4th International Conference on Knowledge Discovery and Data Mining , Portland,USA , 1996 : 226 ～ 231

Bohm C , Plant C , Shao J . Clustering by synchronization . Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining , Washington,USA , 2010 : 583 ～ 592

Jiang D X , Pei J , Zhang A D . A general approach to mining quality pattern-based clusters from microarray data . Proceedings of DASFAA , Beijing,China , 2005 : 188 ～ 200

Gupta G ， Ghosh J . Bregman bubble clustering:a robust,scalable framework for locating multiple,dense regions in data . Proceedings of the 6th International Conference on Data Mining ， Hong Kong,China ， 2008 : 232 ～ 243

Corral A , Manolopoulos Y , Theodoridis Y . Algorithms for processing k-closest-pair queries in spatial databases . Data ＆ Knowledge Engineering Journal , 2004 ( 49 ): 67 ～ 104

Tao Y F , Yi K , Sheng C , et al . Efficient and accurate nearest neighbor and closest pair search in high-dimensional spase . ACM Transactions on Database Systems , 2010 , 35 ( 3 ): 1 ～ 46

Xiong Y , Zhu Y Y , Yu Philip S . Top-k similarity join in heterogeneous information networks . IEEE Transactions on Knowledge ＆ Data Engineering , 2015 , 27 ( 6 ): 1710 ～ 1723

Cheng J , Ke Y P , Fu A W . Finding maximal cliques in massive networks . IACM Transactions on Database Systems , 2011 , 36 ( 4 ): 1 ～ 34

Tomita E , Tanaka A , Takahashi H . The worst-case time complexity for generating all maximal cliques and computational experiments . Theoretical Computer Science , 2006 , 363 ( 1 ): 28 ～ 42

赵迪 . 原博时基金经理马乐“老鼠仓”深度调查 . 股市动态分析 , 2013

Zhao D . The in-depth investigation of Ma Le “rat trading” at bosera select equity investment fund . Journal of Dynamic Analysis in Stock Market , 2013

Leskovec J , Lang K J , Mahoney M W . Empirical comparison of algorithms for network community detection . Proceedings of the 19th International World Wide Web Conference , Raleigh,North Carolina,USA , 2010 : 631 ～ 640

Feng J , Wang J , Li G . Trie-join:a trie-based method for efficient string similarity joins . The VLDB Journal , 2012 , 21 ( 4 ): 437 ～ 461

Zheng G Y , Tu K , Yang Q . ITFP:an integrated platform of mammalian transcription factors . Bioinformatics , 2008 , 24 ( 20 ): 2416 ～ 2417

Hubert L , Arabie P . Comparing partitions . Journal of Classification , 1985 , 2 ( 1 ): 193 ～ 218

浏览量

875

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

大数据分析与应用技术创新平台

面向大数据的粒计算理论与方法研究进展

大数据环境下的管理信息系统发展研究

大数据时代的数据挖掘——从应用的角度看大数据挖掘

面向大数据的可扩展正则采样并行排序算法