书籍详情
观察判断决策行动全环节开源数据分析
作者：丁兆云,沈大勇,李俊,左晓亮
出版社：北京理工大学出版社
出版时间：2022-04-01
ISBN：9787576312775
定价：¥88.00
购买这本书可以去
内容简介
随着大数据、人工智能的进一步发展，特别是开源数据的不断积累，使得如何快速将开源数据转换为可理解的态势，形成可预判的决策，并产生精准的行动已成为数据智能化运用需要解决的重要问题。本书引入OODA决策循环理论，以观察（Observe），判断（Orient），决策（Decide）和行动（Act）循环理论来贯穿整个开源数据分析过程，为数据到行动提供整套开源情报分析框架与理论技术。不同于传统的仅从大数据分析技术视角来阐述开源数据分析的专著，本书更加全面地阐述从数据到决策、从决策到行动的全环节开源数据分析技术，使得读者能够更加清晰地了解开源数据分析环节流程、以及各环节对应的典型关键技术，能够为数据产生真正决策与行动提供理论与技术支撑，为数据智能化运用提供理论支撑。本书的内容包括近几年开源数据挖掘的前沿技术，内容新颖，时效性强。本书适用于计算机科学与技术专业、管理科学与工程专业以及相关学科本科生、研究生、博士生等；同时也可以作为工业界大数据、人工智能等方向的业务指导书。
作者简介
暂缺《观察判断决策行动全环节开源数据分析》作者简介
目录
绪论篇
第1章 OODA基础理论
1.1 模型构成
1.2 基于OODA数据分析相关理论及案例
第2章 OODA全环节开源数据分析概述
2.1 开源数据分析概述
2.2 基于O0DA的开源数据分析各环节概述
观察篇
第3章 文本表示模型
3.1 布尔模型
3.2 概率模型
3.3 向量空间模型
3.4 分布式词向量
3.5 分布式字向量
3.6 基于上下文的动态词向量语义表示
第4章 话题表示模型
4.1 相关定义
4.2 LDA模型表示
4.3 基于信息熵的表示
4.4 基于LDA模型和信息熵的话题表示模型
4.5 实验分析
4.6 总结
判断篇
第5章 影响力分析基础理论
5.1 影响力个体
5.2 社会网络影响力个体发现研究现状
5.3 微博中影响力个体发现研究现状
5.4 多关系网络研究现状
第6章 基于多关系网络的微博话题层次影响力个体挖掘
6.1 确定博文话题类别
6.2 相关定义
6.3 转发网络
6.4 回复网络
6.5 复制网络
6.6 阅读网络
6.7 融合多关系网络
6.8 证明收敛性
6.9 影响力个体分类
第7章 基于用户行为的话题层面影响力度量
7.1 研究动机
7.2 相关定义
7.3 方法描述
7.4 实验分析
7.5 本章小结
第8章 面向信息传播的相互影响力分析
8.1 研究动机
8.2 相关定义
8.3 方法描述
8.4 实验分析
8.5 本章小结
第9章 基于误差重构的关键传播节点识别
9.1 问题描述
9.2 方法描述
9.3 本章小结
第10章 文本情感分析基础
10.1 文本情感分析基本概念
10.2 文本情感分析主要任务
第11章 面向公众实体情感民调实体级微博文本情感分析
11.1 引言
11.2 基本框架
11.3 问题描述
11.4 基于循环神经网络的实体级微博文本情感分析
11.5 基于门控循环神经网络的序列标记
11.6 实验与分析
11.7 本章小结
第12章 基于卷积循环神经网络实体级微博文本情感分析
12.1 引言
12.2 基于卷积神经网络的文本序列标记
12.3 基于卷积循环神经网络的序列标记
12.4 实验与分析
12.5 本章小结
决策篇
第13章 基于深度神经网络与注意力机制的机器阅读理解技术研究
13.1 基于双向注意力机制的机器阅读理解模型
13.2 基于双向长短期记忆网络的机器阅读理解模型
13.3 基于自注意力机制与卷积神经网络的机器阅读理解模型
13.4 实验结果与分析
13.5 本章小结
第14章 基于集成学习的机器阅读理解技术研究
14.1 基于集成学习的机器阅读理解模型
14.2 实验结果与分析
14.3 本章小结
第15章 融合相互影响力的转发行为预测
15.1 研究动机
15.2 相关定义
15.3 方法描述
15.4 实验分析
15.5 本章小结
第16章 基于相似关系和共现关系的话题流行度预测
16.1 问题背景
16.2 准备工作
16.3 流行度预测方法
16.4 实验分析
16.5 本章小结
行动篇
第17章 用户推荐相关理论
17.1 推荐的相关算法
17.2 信息推荐的衡量指标
17.3 本章小结
第18章 基于转推网络的个性化推荐模型
18.1 基于转推网络的推荐模型框架
18.2 基于用户相似度的个性化推荐模型
18.3 基于用户信任度的个性化推荐模型
18.4 基于用户相似度和信任度的混合推荐模型
18.5 本章小结
第19章 基于内容标签的个性化推荐模型
19.1 基于内容标签的推荐模型框架
19.2 标签特征的抽取
19.3 基于多标签的兴趣度计算
19.4 本章小结
第20章 基于转推网络和内容标签的混合推荐模型
20.1 基于转推网络和内容标签的混合推荐模型框架
20.2 离线实验设计及分析
20.3 本章小结
第21章 基于排序学习的多因素融合推荐
21.1 概述
21.2 排序函数定义
21.3 排序函数训练
21.4 本章小结
第22章 基于指派模型的推荐优化模型
22.1 概述
22.2 构建效用矩阵
22.3 模型优化
22.4 解决方案
22.5 本章小结
参考文献
第1章 OODA基础理论
1.1 模型构成
1.2 基于OODA数据分析相关理论及案例
第2章 OODA全环节开源数据分析概述
2.1 开源数据分析概述
2.2 基于O0DA的开源数据分析各环节概述
观察篇
第3章 文本表示模型
3.1 布尔模型
3.2 概率模型
3.3 向量空间模型
3.4 分布式词向量
3.5 分布式字向量
3.6 基于上下文的动态词向量语义表示
第4章 话题表示模型
4.1 相关定义
4.2 LDA模型表示
4.3 基于信息熵的表示
4.4 基于LDA模型和信息熵的话题表示模型
4.5 实验分析
4.6 总结
判断篇
第5章 影响力分析基础理论
5.1 影响力个体
5.2 社会网络影响力个体发现研究现状
5.3 微博中影响力个体发现研究现状
5.4 多关系网络研究现状
第6章 基于多关系网络的微博话题层次影响力个体挖掘
6.1 确定博文话题类别
6.2 相关定义
6.3 转发网络
6.4 回复网络
6.5 复制网络
6.6 阅读网络
6.7 融合多关系网络
6.8 证明收敛性
6.9 影响力个体分类
第7章 基于用户行为的话题层面影响力度量
7.1 研究动机
7.2 相关定义
7.3 方法描述
7.4 实验分析
7.5 本章小结
第8章 面向信息传播的相互影响力分析
8.1 研究动机
8.2 相关定义
8.3 方法描述
8.4 实验分析
8.5 本章小结
第9章 基于误差重构的关键传播节点识别
9.1 问题描述
9.2 方法描述
9.3 本章小结
第10章 文本情感分析基础
10.1 文本情感分析基本概念
10.2 文本情感分析主要任务
第11章 面向公众实体情感民调实体级微博文本情感分析
11.1 引言
11.2 基本框架
11.3 问题描述
11.4 基于循环神经网络的实体级微博文本情感分析
11.5 基于门控循环神经网络的序列标记
11.6 实验与分析
11.7 本章小结
第12章 基于卷积循环神经网络实体级微博文本情感分析
12.1 引言
12.2 基于卷积神经网络的文本序列标记
12.3 基于卷积循环神经网络的序列标记
12.4 实验与分析
12.5 本章小结
决策篇
第13章 基于深度神经网络与注意力机制的机器阅读理解技术研究
13.1 基于双向注意力机制的机器阅读理解模型
13.2 基于双向长短期记忆网络的机器阅读理解模型
13.3 基于自注意力机制与卷积神经网络的机器阅读理解模型
13.4 实验结果与分析
13.5 本章小结
第14章 基于集成学习的机器阅读理解技术研究
14.1 基于集成学习的机器阅读理解模型
14.2 实验结果与分析
14.3 本章小结
第15章 融合相互影响力的转发行为预测
15.1 研究动机
15.2 相关定义
15.3 方法描述
15.4 实验分析
15.5 本章小结
第16章 基于相似关系和共现关系的话题流行度预测
16.1 问题背景
16.2 准备工作
16.3 流行度预测方法
16.4 实验分析
16.5 本章小结
行动篇
第17章 用户推荐相关理论
17.1 推荐的相关算法
17.2 信息推荐的衡量指标
17.3 本章小结
第18章 基于转推网络的个性化推荐模型
18.1 基于转推网络的推荐模型框架
18.2 基于用户相似度的个性化推荐模型
18.3 基于用户信任度的个性化推荐模型
18.4 基于用户相似度和信任度的混合推荐模型
18.5 本章小结
第19章 基于内容标签的个性化推荐模型
19.1 基于内容标签的推荐模型框架
19.2 标签特征的抽取
19.3 基于多标签的兴趣度计算
19.4 本章小结
第20章 基于转推网络和内容标签的混合推荐模型
20.1 基于转推网络和内容标签的混合推荐模型框架
20.2 离线实验设计及分析
20.3 本章小结
第21章 基于排序学习的多因素融合推荐
21.1 概述
21.2 排序函数定义
21.3 排序函数训练
21.4 本章小结
第22章 基于指派模型的推荐优化模型
22.1 概述
22.2 构建效用矩阵
22.3 模型优化
22.4 解决方案
22.5 本章小结
参考文献
猜您喜欢
