面向类不平衡问题的“职业举报人”识别方法

论文摘要

"职业举报人"团伙化、规模化、专业化、低龄化作案趋势日趋明显,政府部门对其识别大多采用人工鉴别的方法,造成了大量人力资源的浪费。采用Bootstrapping数据重采样技术,结合文本、时间和举报人属性等特征,在解决类不平衡数据的过拟合问题基础上,实现了"职业举报人"的准确识别。实验结果表明,相比过采样和欠采样技术而言,利用Bootstrapping重采样技术识别准确率更高,采用CFS方法结合BestFirst策略对数据特征进行优化,在保证精度的前提下能够实现更高的计算效率。以全国12358价格监管平台的真实数据为驱动,验证了方法的有效性,对比分析了"职业举报人"和正常消费者的投诉举报行为习惯差异。

论文目录

• 1 引言
• 2 相关工作
• 3 面向类不平衡问题的“职业举报人”识别过程及方法
•   3.1 基本思路
•   3.2 利用Bootstrapping重采样方法解决训练样本不平衡问题
•   3.3 特征抽取
•   3.4 特征选择
• 4 数据介绍及实验结论
•   4.1 实验数据介绍
•   4.2 利用Bootstrapping重采样方法识别“职业举报人”
•   4.3 采用CFS方法和Best First策略进行特征选择
•   4.4 职业举报人和正常消费者行为习惯对比
• 5 结束语

文章来源

类型: 期刊论文

作者: 易成岐,黄倩倩,王从余,张何灿,靳晓锟,王建冬

关键词: 职业举报人,类不平衡,特征选择,数据驱动,价格监管平台

来源: 计算机工程与应用 2019年14期

年度: 2019

分类: 信息科技,基础科学,社会科学Ⅰ辑

专业: 数学,中国政治与国际政治

单位: 国家信息中心大数据发展部,清华大学心理学系,北京大学软件与微电子学院,北京大学数学科学学院

基金: 国家社科基金青年项目(No.18CSH018)

分类号: D669.2;O212

页码: 1-7+23

总页数: 8

文件大小: 2099K

下载量: 233