电子工业出版社-网上书店

近年来，社会组织行为分析的研究主要集中在构建预测模型以预测组织可能的行为上。数据挖掘方法，特别是分类方法，近年来成为组织行为预测建模的主要方法。本书比较分析了主要的分类方法所建立的组织行为预测模型的性能，为不同情形下分类方法的恰当选择提供了依据。组织行为数据普遍存在类不平衡和误分类代价不一致的问题，这导致标准分类器所构建的组织行为预测模型性能较差。为此，在期望误分类代价这一指标下，本书研究了四种典型代价敏感学习方法基于不同标准分类器所构建的组织行为预测模型的性能，为不同情形下代价敏感学习方法的恰当选择提供了依据。另外，本书提出了一个新的适用于组织行为模式挖掘的代价敏感学习算法。最后，针对组织行为模式挖掘误分类代价易变且不易确定等特点，本书提出了基于代价曲线的个性化解决方案。本书适合行为分析、数据挖掘、决策支持、商务智能等领域的学者、教师、研究生、本科生阅读使用，也可供承担管理社会组织职能的政府相关部门及事业单位的决策者与工作人员学习参考。

目录

第1章  概述	1
1.1  社会计算的定义	2
1.2  社会计算研究的理论工具	4
1.3  社会计算的研究与应用领域	9
1.4  组织行为模式挖掘的研究内容	12
1.4.1  组织行为预测	12
1.4.2  可操作行为规则挖掘	15
1.5  本书的结构与内容	21
第2章  组织行为预测	23
2.1  基于相似度的组织行为预测方法	24
2.1.1  组织行为的矢量模型	24
2.1.2  CONVEX算法	25
2.2  基于分类的组织行为预测方法	31
2.2.1  分类方法	31
2.2.2  经验研究	50
2.3  代价敏感组织行为预测建模	53
2.3.1  代价敏感学习方法	53
2.3.2  经验研究	55
2.3.3  OESP算法	65
2.3.4  基于代价曲线的解决方案	67
第3章  可操作行为规则挖掘	73
3.1  问题定义	74
3.2  挖掘算法	81
3.2.1  MABR-1算法	81
3.2.2  MABR-2算法	84
3.3  模型验证	91
3.4  讨论	97
第4章  可操作行为规则挖掘技术的深入探讨	99
4.1  消解规则冲突	100
4.1.1  规则冲突	100
4.1.2  冲突消解方法	101
4.1.3  模型验证	103
4.2  规则支持度建模	107
4.2.1  样本对规则的非一致支持强度	107
4.2.2  支持度的观察加权模型	107
4.2.3  MABR-3算法	109
4.2.4  模型验证	111
4.3  数值型行为属性建模	113
4.3.1  问题的提出	113
4.3.2  问题定义	113
4.3.3  MABR-4算法	115
4.3.4  模型验证	116
4.4  基于贝叶斯网络的挖掘算法	120
4.4.1  问题的提出	120
4.4.2  贝叶斯网络	120
4.4.3  问题定义	122
4.4.4  MABR-5算法	122
4.4.5  模型验证	123
4.5  基于决策树的挖掘算法	125
4.5.1  问题的提出	125
4.5.2  MABR-6算法	125
4.5.3  模型验证	127
4.6  技术展望	128
4.6.1  发展方向	128
4.6.2  发展方案	129
第5章  大数据背景下的组织行为模式挖掘	131
5.1  大数据时代	132
5.2  面临的挑战	134
5.3  应对策略	135
5.4  总体目标与关键问题	138
5.5  实现方案	140
5.5.1  采用的大数据技术	140
5.5.2  企业内外部数据融合	162
5.5.3  模型构建	164
5.5.4  算法设计	167
第6章  总结	169
附录  MAROB数据集中的相关属性表	172
参考文献	174
致谢	184

前言 

近年来，国际、国内各种社会组织的数量及活跃度快速增长，对各国的政治、经济等领域的影响日益加深。因此，迫切需要研究各种社会组织的行为模式与规律，为政府、企业等利益主体的科学决策提供坚实依据。随着互联网等新技术的飞速发展，信息变得空前丰富并易于存取，使得高效的计算技术，尤其是数据挖掘技术，在组织行为模式分析领域日益表现出巨大优势，并逐渐成为组织行为模式分析的主要方法。而将数据挖掘技术应用于组织行为模式分析也成为社会计算的一项重要研究内容。
目前，社会组织行为模式分析主要集中在构建预测模型以预测组织可能的行为上。数据挖掘方法，特别是分类方法，近年来成为组织行为预测建模的主要方法。本书比较分析了主要的分类方法所建立的组织行为预测模型的性能，为不同情形下分类方法的恰当选择提供了依据。组织行为数据普遍存在类不平衡和误分类代价不一致的问题，这导致标准分类器所构建的组织行为预测模型性能较差。为此，在期望误分类代价这一指标下，本书研究了四种典型代价敏感学习方法基于不同标准分类器所构建的组织行为预测模型的性能，为不同情形下代价敏感学习算法的恰当选择提供了依据。另外，本书提出了一个新的适用于本领域的代价敏感学习算法。实验结果表明，该算法优于其他五种常见的代价敏感学习算法。最后，针对本领域误分类代价易变且不易确定等特点，本书提出了一个基于代价曲线的个性化解决方案。该方案可使用户方便、直观地为给定数据集选择最优代价敏感学习算法——分类器组合。
尽管组织行为预测模型可提供相当准确的组织行为预测知识，但却不能提供可被用户直接用来影响（抑制或鼓励）组织行为并因此获益的具体行动建议。这些行动建议又称为可操作知识，常常是用户切实需要的。可操作性是知识兴趣度的重要方面，使挖掘的模式具有可操作性是数据挖掘的中心主题之一。然而，尽管已有不少研究致力于其他类型的可操作知识发现，但是这种挖掘影响组织行为的可操作规则这一重要问题尚未被识别、定义和研究。为此，本书建立了一类新的组织行为模式挖掘问题——可操作行为规则挖掘。具体来说，本书提出了可操作行为规则挖掘问题的形式化定义，并提出多种可靠、有效的挖掘算法。值得强调的是，可操作行为规则挖掘技术在商务智能、企业管理等领域的应用前景也非常广阔。另外，本书还探讨了大数据背景下组织行为模式挖掘的研究框架。

作者    
2018年7月

本书配套资源下载

对不起，暂无音视频资源！

社会计算中的组织行为模式挖掘