社会计算中的组织行为模式挖掘

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。

苏鹏，男，1975年2月生，汉族，博士，现为大理大学数学与计算机学院副教授；研究方向为数据挖掘、大数据与行为建模；近年来在Decision Support Systems等国际领先的学术刊物发表论文多篇；现为国际自动控制联合会（IFAC）经济与商务系统技术委员会（TC9.1）委员；曾担任IEEE ISI等多个国际学术会议的程序委员会委员。

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