知識星球
提到社交網路分析，推薦系統、風控模型這些名詞，相信你並不陌生，社交網路分析無非是 Pandas+Matplotlib，推薦系統大機率是餘弦相似性、協同過濾，風控則被 LR（邏輯回歸）、XGBoost 這些成熟的模型佔據。
但也許你不知道的是，看似相去甚遠的社交網路分析、推薦系統、金融風險預測，都可以用網路挖掘的思想來實現。網路挖掘還可以應用到其他的領域，比如搜尋引擎、知識圖譜、城市計算等。
什麼是網路挖掘
其實與一般意義上的資料挖掘/資料分析殊途同歸，都是透過挖掘/分析方法，獲取資料中的包含的資訊和知識。
不同的是，一般意義的資料挖掘是透過演演算法模型（比如常用的回歸、分類、聚類模型）進行描述/預測，網路挖掘則給出了新的解決方式。
透過將資料/問題抽象為網路模型，來幫助我們更好地進行資料分析/資料挖掘。
為什麼要抽象為網路模型？比如我們在一個社交網路中，通常我們怎麼去尋找最具傳播力的大V，一般來說無非把各個使用者的粉絲數排個序。
而網挖掘的思路不太一樣，我們可以透過構建使用者相互關註的網路模型來尋找出大V，這裡我們關註的是在資訊傳播中真正的影響力（很多時候，粉絲最多的，並不一定是最具傳播力的）。
除此之外，我們還可以看到網路中不同的組群（比如不同愛好的群體）、分佈的密度等等，這可以從宏觀上去幫助我們分析整個資料樣本中的關係。
基於社交網路的組群發現
可以說網路挖掘在基本的描述性統計方面又更進了一步，從關鍵節點的識別到組群發現，從某種程度上，可以發現很多我們做一般的描述性分析所得不到的深刻洞見。
網路模型如何實現
網路挖掘無非是把問題抽象為網路的模型來進行分析，所以對於網路建模來說，我們主要是要去瞭解節點和連邊。而對於節點的重要性，中心性則是關鍵的指標；對於節點間的關係，傳遞性和相似度有著重要的意義。
以及網路相似衡量指標：節點度數分佈、聚類繫數、平均路徑長度等等。
網路的節點和連邊
當然更重要的是，在面對真實的問題或者資料的時候，如何將實際的問題抽象為網路模型，我們也稱為問題形式化。
比如對於不同的領域，我們通常可以構建這樣的一些網路。
比如我們有這樣一份資料（Stack Overflow 的使用者技能資料），用技能間的連線的值表示技能之間的相關性權重。
根據技能之間的關係，我們就可以構建如下網路模型，你看著這個網路很嚇人，其實用networkx（Python庫）來構建，也就是幾行程式碼的事情。
透過這個網路模型我們就可以發現很多有意思的事情，比如蘋果系的開發技能（ios/mac）是聚在一塊，windows 系開發聚在一塊，網頁開發也是如此，這就是不同的社群。如果跟這些社群都有連結的，一定是一些相對通用的技能，比如 Linux、Git、Python 等。
當然，這隻是網路模型探索的開始，後續還有很多有意思的問題（幫助我們發現更多知識，應用到不同的業務模型中）：
-
鏈路預測（最短路徑）
-
關鍵節點挖掘（尋找權威節點）
-
網路遍歷（搜尋與檢索）
-
社群發現（組群畫像）
-
相似節點挖掘（相似性推薦）
網路挖掘的應用
網路挖掘在使用者畫像、商品推薦、金融風險評估、城市交通最佳化、流言資訊傳播等方面有著廣泛的應用。很多業務用一般的資料挖掘方法效果不佳的，加入網路模型之後，卻能大幅提升。可以說網路挖掘的應用舞臺無限寬廣……
網頁排序
比如谷歌的 PageRank，本身也是在構建龐大的網頁網路模型的基礎上（網頁為節點，超鏈為邊），透過計算不同網頁的中心度（權重），來對網頁進行排序，從而實現更加精準的搜尋和推薦。
社交網路分析
社交網路天然適合構建網路模型進行分析，比如資訊的傳播預測、影響力分析、社交組群發現、好友推薦、使用者畫像等等，單獨拿出來看個體，和其他的個體拿出來看，發現一些不一樣的東西。從某種程度說，社交網路分析是建立在網路模型分析的基礎之上。
推薦系統
傳統的協同過濾演演算法的基本思想是，將與標的使用者選擇相似性度較高的使用者喜歡的商品，推薦給標的使用者。而網路模型的加入（比如好友網路、商品網路），怎麼可以很大程度上解決多樣性問題、冷啟動問題、社會推薦問題，從而提升某些場景下的推薦精度。
知識圖譜
網路挖掘在知識圖譜中也發揮著重要的作用，比如遍歷與路徑探尋、關鍵節點挖掘等。PatientsLikeMe.com 將病人、病癥、醫院、醫生、藥品等等醫療資料組織成知識圖譜。在圖譜上，醫生可以搜尋家族病史網路，查詢相似病例及解決方案；病人可以搜尋疾病相關的病癥、藥品、醫生、相似病例等。
所以，網路挖掘其實是強化了資料分析/挖掘的技能，以一種全新的視角，探索更為全面、宏觀的網路知識，以及個體之間的關係。
如果你本身有一定的資料分析/資料挖掘技能，熟悉網路模型的構建，你將獲得更多細分領域工作的加分，比如：
知識圖譜
使用者畫像
推薦系統
當然，即便是一般意義上的資料分析/資料挖掘，網路模型的思維也是一次巨大的技能飛越，這將讓你站在更高的維度，思考更全面更宏觀的問題，包括個體之間的聯絡及業務的底層邏輯。
網路挖掘學習
基於網路模型的理念，DC學院設計了一門體系的課程，從網路挖掘的基礎知識到網路模型的建立與視覺化，從核心演演算法的應用到業務問題的深入探索，全部給你整的明明白白。
最關鍵的是，課程中包含了目前主流的網路型別的詳細實踐過程，比如社交網路、金融網路、商品偏好網路、城市交通網路、醫療網路等等。
你可以獲得其他的分析方法得不到的深刻洞見，並以此指導實際業務中的決策；你能夠透過網路挖掘去構建真正的商業模型，比如社交推薦與訊息傳播模型、商品推薦系統、金融風控模型等，這才是資料真正產生價值的地方。
新課首發，限額底價
¥399（原價¥499），限前50名
課程詳情/名額預定，掃下方二維碼
課程諮詢、免費試看，請加入下方群聊
若群滿，加Alice微信：datacastle2017
《網路挖掘》課程Q&A;
Q：課程是錄播還是直播課？
課程採用精修錄播形式，購課後立即開課學習，你可以自由安排學習時間和頻率，有效期內可反覆觀看。
Q：課程的更新進度如何？
目前課程影片已上線前兩章，後四章會以每週更新的形式上傳完畢。
Q：課程有效期多久？
課程有效期從課程影片全部上線完成後算起，有效期為6個月（建議2-3個月即可學完本門課程），可以透過積分延長至1年。
Q：課程使用什麼程式語言/工具？
Python/networkx/numpy/pandas
Q：需要準備什麼基礎？
課程中的每行程式碼都會講解它的意義，所以零基礎也能順利跟著老師走下去，當然對Python有一定瞭解會更好！
Q：課程中的程式碼會分享麼？
我們會將課程中的程式碼打包，在學習入口的每節課程資料中呈現，可以隨時下載，同時還會有更多的延伸案例及拓展知識。
Q：課程有助教和答疑麼？
開通課程後，可加入學習群，助教會每天在群內答疑，同時我們也會收集大家的共性問題整理學習資料並分享。
?點選“閱讀原文”，瞭解課程詳情。
