--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 570 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=570&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=570&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=560&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=580&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=570 | PRINTED_PAGE=NOT_DETECTED 那么，我们怎么去进行社区发现呢？有很多常用的社区发现模型，例如吉尔韦安（Girvan）、纽曼（Newman）等人在2003年提出的GN社区发现方法（以两位开创者的名字首字母命名），就是社区发现中的一个比较经典的模型。GN社区发现方法提出了边介数的概念。那么，什么是边介数呢？由网络中社区的定义可知，所谓社区就是指其内部节点的连接稠密，而与其他社区内的节点连接稀疏。这就意味着社区与社区之间联系的通道比较少，一个社区到另一个社区至少要通过这些通道中的一条。如果能找到这些重要的通道，并将它们移除，那么网络就自然而然地分出了社区。在实践中，我们用边的边介数来作为这个分割的依据。边的边介数定义为网络中所有最短路径中经过该边的数目。跟节点的中介中心性类似，它反映了相应的边在整个网络中的作用和影响力。联系定义可知，通过社区内部的边的最短路径的数目相对较少（边介数较少），而通过社区之间的边的最短路径的数目则相对较多（边介数较多）。因为社区之间的联系只能经由这几条路径发生，就像车流要从停车场开到外面一样，如果停车场只有一条通道，那么车流都得从这条通道走，这条通道的使用率就是100%，非常高；如果这个停车场内部有5条通道，车流可以分散开来，可能每个通道的平均使用率只有20%，远没有前者高。 ## PDF_PHYSICAL_PAGE_INDEX=571 | PRINTED_PAGE=NOT_DETECTED GN社区发现方法是基于删除边的方法，其本质是基于聚类中的分裂思想，原理上使用了边介数作为相似度的度量方法。GN社区发现通过移除网络中的边来将整个网络划分成为合适的社区结构，将原来的网络分割成为任意数目的社区。在GN社区发现方法中，每次都会选择边介数高的边删除。GN社区发现方法的步骤如下： 第一步，计算每一条边的边介数； 第二步，删除边介数最大的边； 第三步，重新计算网络中剩下的边的边介数。 重复上述步骤，直到产生合适的社区结构。 通过上述步骤，GN社区发现方法可以较好地发现网络中存在的社区结构。在网络理论中，复杂网络是由数量繁多的节点和节点之间错综复杂的关系构成的。GN社区发现方法用边介数的概念来探测边的位置，从而在盘根错节的复杂网络中划分出社区。 人与人之间的互动使其相互间产生了或紧密、或松散的联系，也在不经意间建立起了一张张连通社会各个层面的网络：通信往来、商业交易和互联网社交等。社区发现模型可以用来找出网络中的社区聚类，让人们洞察这些网络中隐藏的形形色色的“社区”，也可用于评估一个网络结构中个体组合或分裂的程度，并从中获取很多新发现。 社区发现的应用一：推断用户未知信息 我们本来就生活在一张庞大的社交网络之中，随着社交媒体的兴起，社交网络变得越来越复杂。社区发现在近些年的不断发展，使得人们可以对复杂的社交网络进行分析，对于现实生活具有重要的应用意义。我们接下来就从推断用户未知信息、提高营销效果以及发现不良行为团伙三个方面剖析社区发现的应用价值。 ## PDF_PHYSICAL_PAGE_INDEX=572 | PRINTED_PAGE=NOT_DETECTED 社区发现的应用价值之一是推断用户未知信息。随着社交媒体的高度发展，其用户规模也在快速增长，有效的社区发现模型的应用也越来越重要。例如购物网站上的社交购物、商品推荐；微信、微博等媒体的社会舆情分析、意见领袖挖掘等，无论你想要找什么样的信息，都能通过社区发现模型获得启发。如果一个用户的某些信息尚且未知，但是我们知道他所在社区中很多人的信息，那么，我们就可以用这个社区中其他人的信息来推断该用户未知的信息。比如，你发现在朋友圈里有两群人，一群人花钱都大手大脚，入不敷出，另一群人生活稳定有规律，喜欢运动健身、阅读学习。这两群人都要向银行借钱，生活稳定有规律的这群人里，借钱的都还了，那么这群人里还没有借钱的人，一旦借钱，还钱的概率就大；花钱大手大脚的这群人里，不少人借的钱没还，那么，还没有借钱的人，一旦借钱，不还钱的概率就很大。 社区发现之所以可以用来推断用户未知信息，是因为我们可以在真实的社交网络中，通过社区发现找到节点之间的相互关系，利用已知节点的属性信息，推断出未知属性节点的缺失信息。基于社区发现的未知信息推断方法是基于两个假设：属性信息相似的人容易成为朋友，属性信息相似的人群倾向于聚集为社区。如果要推断一个社区中某些用户的未知信息，就要先从社交网络中选取若干个中心性较高的种子节点，通过这些节点的好友数据，运用社区发现模型进行划分，再根据节点的属性信息推断同社区好友的未知信息。实验结果表明，即使当给定的信息只占用户信息的20%时，某些用户属性也能够精确推断出来。所以，我们可以通过社区发现模型划分社区，根据未知属性节点所在社区的属性信息推断该节点的未知信息。 社交网络既是交流平台，也是市场营销等活动的平台。在人际关系网中，可以挖掘出具有不同兴趣、背景的社会团体，方便采用不同的宣传策略；在交易网站中，不同的社区代表不同购买力的客户群体，方便运营人员为他们推荐合适的商品。针对社交网络用户社区发现的方法，一般来说，可以基于用户发布的内容提取基于兴趣的用户社区；或者基于用户联系提取基于联系的用户社区；还可以将两个社区进行融合，形成兴趣和联系双重的用户社区。当社区形成之后，这个社区的成员可能就会拥有共同的兴趣或者联系，假如这个社区的大部分成员都喜欢网球，那我们就可以推断，社区的其他成员也很有可能喜欢网球。 ## PDF_PHYSICAL_PAGE_INDEX=573 | PRINTED_PAGE=NOT_DETECTED 社区发现的应用二：提高营销效果 社区发现模型在商业领域有着非常广泛的应用。在电子商务领域中，通过对消费者购买记录进行社区发现，能够挖掘出具有相同或相似购买兴趣的消费群体，发现相关商品的潜在客户并为其进行引导和推荐，进而提升商业价值。例如，通过社区发现模型，我们看到甲、乙两个消费者同属某一个社区，都买了简约风格的装饰画。这时，如果我们还想进一步为乙推荐商品，但苦于目前并没有太多数据，无法得知他的潜在需求是什么的话，可以通过甲的购物记录，发现甲还喜欢买智能手表，推知乙的潜在需求很可能是智能手表，进而做出相应推荐。 通过社区发现模型除了能找到消费者的未知潜在喜好，从而形成针对性的推荐外，还能找到社区中中心性高的核心人群，更好地实现营销触达。例如，我们要对一个社区的人群做营销投放，如果甲的中心性比乙高的话，那么通过甲来做社区整体营销触达的效果会比通过乙要好。因为，甲与社区里的其他人关系更为密切，也更有权威性，经由他来做营销传播，社区人群会更容易接受并采纳，甚至能够转化成实际行动。 在商业领域，有很多通过社区发现优化营销传播，从而实现商业价值的例子。例如阿里的年货节就利用了人工智能社区发现的手段，对品牌的目标人群进行分析，挖掘品牌目标潜在客户，使得其投放效果提升了将近50%。他们的做法是从品牌方的受众人群出发，进行针对性的营销投放。年货节开发新用户时，先要通过机器学习模型对阿里年货节的受众人群进行预测。预测可以根据往年年货购买人群的数据进行，并以各大节假日促销时的购买数据作为参考，然后以同属一个社区的人有相似的兴趣爱好、价值观为前提假设，再通过社区发现模型找到与潜在消费者有相同或相似喜好的社区人群，利用社交网络关系进行广告投放。比如，一个社区内的大部分用户喜欢运动，经常购买运动类商品，那么我们就可以假设这个社区内的潜在用户也有相同的爱好，也有运动类商品的需求，在进行广告投放时，就可以向其推荐运动类商品。这样，推荐的商品会有很大的可能被购买，这个用户就从潜在用户转化为实际用户。新用户数量逐渐增加，品牌效益也会逐渐提升。 ## PDF_PHYSICAL_PAGE_INDEX=574 | PRINTED_PAGE=NOT_DETECTED 社区发现的应用三：发现不良行为团伙 社交媒体的发展让我们能够更加方便快捷地获取资讯，但是人与人之间的交流由于缺乏面对面的真实接触，而变得虚拟了。我们不知道与我们在手机软件上相谈甚欢的那个人的真实面貌，更加不能分辨其中的真伪。在社交网络的保护下，各种诈骗犯罪行为变得越发猖獗。但是，社交网络可以是不良团伙牟利的蜜糖，也可以是将他们困于囹圄的砒霜。基于社交网络的社区发现，一个重要应用就是发现不良行为团伙，打击违法犯罪行为。 例如，每天在家和公司之间穿梭，很多人会选择驾车出行，但是经常穿梭于车水马龙之间，难免会出现一些磕磕碰碰的现象。因此，有车一族都会为汽车买保险。但是保险公司发现，近几年竟然出现了许多车险理赔的欺诈现象。例如，在交通事故理赔中有这样一条规定：如果发生的交通事故不涉及人员伤亡，仅造成轻微财产损失，不需要联系保险公司，可以自行拍摄车辆损失代替现场勘查。有不少人就利用这个漏洞骗取保险金。保险公司曾发现，有部分司机在短期内多次制造轻微相撞事故，骗取保险金。但是事情并没有到此为止，社区发现模型的及时介入使得警方发现了这些司机同在一家公司，于是警方经过调查发现，在这家公司工作的另外几名司机也有同样的诈骗行为，便一举拿下了这个诈骗团伙。 ## PDF_PHYSICAL_PAGE_INDEX=575 | PRINTED_PAGE=NOT_DETECTED 随着经济的高速发展，银行客户群体的规模不断扩大，但与此同时，银行客户群体中也混入了一些不法分子，他们伪装成正常客户群体到银行办理业务，意图牟取非法收入，并且这种违法行为现在越来越团伙化。“近朱者赤，近墨者黑。”团伙化犯罪的成员彼此之间都有联系，所以社区发现模型对于发现不良团伙、维护银行利益具有很大帮助。例如，现在有很多人在大量透支信用卡之后，潜逃或者隐瞒身份来逃避还款，极大地损害了银行的利益。为了防止这一现象的发生，一些大型银行借助社区发现模型建立了银行反欺诈系统。如果一个用户想要申请信用卡，银行会以这个申请用户为节点，调取这个用户所在社区里人员的相关信息，如果这个用户处于不良团伙之内，也就是说，在与他联系比较密切的人里面，大范围出现过类似于恶意透支信用卡这样的金融诈骗行为，那么这个用户就会被划入高欺诈风险的用户范围，他的信用卡申请很有可能会被驳回。此外，利用社区发现模型进行深入调查后，这些隐藏起来的不良团伙也更容易被追根究底，一网打尽。基于社区发现模型的银行反欺诈系统大大提高了银行防范风险的能力，在银行反欺诈领域有很大的应用价值。 人类社会离不开社交，要想让人工智能更好地服务于人类，离不开人工智能对社交数据的理解。正所谓打蛇打七寸，想理解数量庞大的社交数据，理清复杂的社交网络，重点在于理解中心性高的节点；在此之后，我们再结合社区发现模型，找到相应的社区群体，一方面可以精准营销，提升品牌效益，另一方面可以发现不良行为团伙，提升社会效益。不管从哪个角度出发，AI思维都能够把握住事物的发展方向，帮我们做出正确的决策。 ## PDF_PHYSICAL_PAGE_INDEX=576 | PRINTED_PAGE=NOT_DETECTED 人类用知识的活动去了解事物，用实践的活动去改变事物；用前者去掌握宇宙，用后者去创造宇宙。 ## PDF_PHYSICAL_PAGE_INDEX=577 | PRINTED_PAGE=NOT_DETECTED —意大利哲学家 克罗齐— ## PDF_PHYSICAL_PAGE_INDEX=578 | PRINTED_PAGE=NOT_DETECTED 前面几章主要介绍了AI思维的底层逻辑和操作方法。学以致用，本章开始，我们将切入到“用”的层面，聚焦于人工智能是如何运用于具体业务场景之中，赋能于各行各业以及方便人们的日常生活的。数字化赋能将是贯穿整章的基础概念。数字化就是AI思维在具体业务场景中落地的基础，因为AI思维运用于生产制造或商业活动之中，要实现智能化，最终做出决策需要数据的支持和驱动，而数字化恰好提供了AI思维决策所需要的数据基础，在此之上人工智能才能发挥其应有之义。 所以本章将会以数字化赋能为切入点，从企业如何打通数据来进行剖析，结合商业案例，让你更为真实地感知和了解AI思维是如何在具体业务场景中汲取营养、发挥作用的。数字化转型已经势不可当，数字化赋能也不是天马行空、赚取噱头的暗黑发明。在数字化时代中，数据就是产生价值的原油，我们所提到的案例也都是已经实实在在落地，并成功产生了预期效果的行业应用实例。通过这一章，我们会更加深刻地感知到发生在每一个人身边的数字化和智能化变革，理解实际的人工智能在具体业务场景下的工作和价值，在一定程度上也能达到为各位读者“祛魅”的目的。 行业数字化是大势所趋 近年来，从互联网经济到数字经济转型的大幕已经拉开，数字经济成为不断被提及的热词。2017年3月，数字经济首次被写入政府工作报告，要促进深化大数据、人工智能等研发应用……壮大数字经济。数字经济的核心就是数字化，即数据成为驱动商业模式和商业决策的核心力量。从全球竞争格局和行业演变进程来看，数字化驱动产业的时代已经到来，无论是在制造环节还是零售环节，中国、美国甚至全球趋势都是越来越向智能制造和智慧零售方向发展，行业数字化转型已经势不可当，并带来了商业模式的革命性变革。 ## PDF_PHYSICAL_PAGE_INDEX=579 | PRINTED_PAGE=NOT_DETECTED 行业数字化转型的核心在于数据驱动，即业务流程数字化，数据成为核心生产要素和战略资产。美国政府认为，大数据是“未来的新石油”，是“陆权、海权、空权之外的另一种国家核心资产”。数据是产业进行全方位的数字化升级的源动力，业务的实施、发展和创新都离不开数据的支撑，与此同时，数据还为经济发展提供新的活力和动力。 行业数字化发展的趋势主要体现在三个方面：第一，新融合。大数据、云计算、物联网的发展和应用，导致数据爆发式增长，并且通过技术将底层数据打通融合，与具体业务场景的融合也越来越紧密。第二，新市场。随着数据的应用，互联网不断升级换代，电子商务、工业互联网、互联网金融、国际市场等新市场形成，企业也不断创新，发掘新的市场方向。第三，新应用。智能终端、智慧生产、智能制造、智慧零售等新的行业模式不断更新，并在实际业务中落地，“智能+”为各行各业升级赋能。行业的数字化转型不仅为企业提供了创新和发展的方向，也极大地促进了消费增长，增加了市场的活跃程度，为经济增长带来了巨大的助力。 数字化的技术壁垒和解决方案 企业顺应数字化的大趋势是必然选择，但是首先遇到的关键问题是攻破数字化的技术壁垒，即如何做好数据的打通（dataonboarding），这也是数字化的基础工作。过去的数据世界存在着许多技术困境，如果没有做好数据打通，就容易出现各种问题，影响业务的效率和创新。 第一，企业在业务中会产生大量的数据，这些海量数据关联复杂，而且专业性强、维度多。如果将这些数据杂乱无章地存放在数据仓库中，即使是调取和利用其中的部分数据，都需要花费很长的时间，降低了业务效率。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=580&limit=10)