机读格式显示(MARC)

• 000 01726nam0 2200265 450

• 001 0000537222

• 005 20210913134400.0

• 010 __ |a 978-7-5096-7350-8 |d CNY68.00

• 100 __ |a 20201031d2020 em y0chiy0110 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 基于用户行为模式特征的时间序列异常检测 |A ji yu yong hu xing wei mo shi te zheng de shi jian xu lie yi chang jian ce |d = Time series anomaly detection based on features from behavior patterns of users |f 夏会著 |z eng

• 210 __ |a 北京 |c 经济管理出版社 |d 2020

• 215 __ |a 151页 |c 图 |d 24cm

• 314 __ |a 夏会, 女, 安徽六安人, 重庆理工大学会计学院讲师, 硕士生导师。

• 320 __ |a 有书目 (第134-150页)

• 330 __ |a 时间序列的异常点是用户产生的不符合预期行为模式的数据。研究异常点的起因和可能引起的后果, 可以辅助用户提供有效的决策支持。例如针对电子商务个性化推荐的托攻击会产生大量异常的评价数据, 研究这些异常数据的起因, 判断可能的风险, 可以为用户的个性化推荐提供更精确合理的服务。由于技术的发展, 当前时间序列数据之间关系的复杂化以及异常种类的增多导致已有的异常检测算法很难有效地发现异常。因此, 如何从这些异常数据中提取特征, 精确地对异常进行检测是当前时间序列研究中的一个重要方向。本书从用户行为模式的角度, 分析正常数据和异常数据的特征, 并结合信号处理、模式识别的方法, 分别对推荐系统中项目的评分时间序列和流量工程中的流量时间序列进行异常检测。主要工作是: 基于用户正常行为模式的时间序列异常检测和预测, 以及基于用户异常行为模式的时间序列异常检测。

• 510 1_ |a Time series anomaly detection based on features from behavior patterns of users |z eng

• 606 0_ |a 时间序列分析 |A shi jian xu lie fen xi |x 异常值 |x 研究

• 690 __ |a O211.61 |v 5

• 701 _0 |a 夏会 |A xia hui |4 著

• 801 _0 |a CN |b LIB |c 20210913

• 905 __ |a LIB |d O211.61/31