清华-人工智能之数据挖掘-2019 1-179页.pdf

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 7 图 4 2013-2018 KDD 研究性论文投稿与接收情况 8 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 45 图 7 两个微博名人的微博点赞数据的箱型图 48 图 8 组数较大组距较小的频率分布直方图 49 图 9 相同均值和方差的不同数据 55 图 10 k=3 的 K-means 算法迭代过程 56 图 11 神经元 62 图 12 神经网络 63 图 13 Girvan- Newman 算法结果 71 图 14 基于优化 Q 值的算法结果 72 图 15 Louvain 算法步骤 73 图 16 Skip-Gram 模型架构 76 图 17 话题模型的概率图 79 图 18 大数据处理平台技术架构图 80 图 19 基于开源系统的大数据处理平台架构 81 图 20 全球学者分布地图 84 图 21 国内学者分布地图 84 图 22 数据挖掘领域全球 Top1000 学者迁徙图 85 图 23 数据挖掘全球 Top1000 学者机构分布 85 图 24 数据挖掘全球 Top1000 学者 h-index 分布图 86 图 25 数据挖掘全球 Top1000 学者性别比 86 图 26 两阶段的交互推荐方法 126 图 27 视频推荐（左）和视频搜索（右） 127 图 28 方法框架 127 图 29 视频推荐的评测结果 128 图 30 -8M 数据集上的视频检索 128 图 31 抽取系统的架构图 129 图 32 数据偏差 129 图 33 数据集的实验结果 130 图 34 不同 submodular 的比较结果 131 图 35 共享表示层 131 图 36 UCI 数据集的实验结果 132 图 37 Google 数据的实验结果 132 图 38 PG 模型、MPG 扩展版本133 图 39 在线系统的 A/B 测试 133 图 40 框架结构 134 图 41 实验结果 134 图 42 Microsoft Bing 的可视化搜索 136 图 43 算法展示 137 图 44 降维过程 137 图 45 RBE 模型 138 图 46 Rosetta 的两阶段抽取架构 139 图 47 系统的总体设计 142 图 48 DPG-FBE 142 图 49 阿里巴巴的可视化搜索 143 图 50 可视化搜索系统的离线学习（左）在线搜索系统的总体架构（右） 143 图 51 基于注意力机制网络和 RNN 的深度架构 144 图 52 排序过程 144 图 53 电子商务网站中商品的表示学习 145 图 54 SI 辅助信息 145 图 55 多级级联排名模型 146 图 56 鲲鹏的总体架构 146 图 57 conv-RNN 框架 147 图 58 局部匹配图 148 图 59 关系增强的实体表示 149 图 60 生成有意义的医疗关系 149 图 61 供实时停车可用性信息的框架图 150 图 62 研究城市中人的活动 151 图 63 大规模实际招聘数据系统 152 图 Data Mining 全局热点 153 图 65 Data Mining 近期热点 153 图 66 Data Mining 早期热点 153 图 67 2007 至今 Data Mining 与 Heal are 领域交叉