[1] 李云飞. 洗钱危害的二维性及对客体归类的影响[J]. 中国刑事法杂志, 2013,11(11):41-48.
[2] Tang Jun. A cross datasets referring outlier detection model applied to suspicious financial transaction discrimination[C]// Lecture Notes in Computer Science. 2006,3917:58-65.
[3] 李欣月,张高煜,彭兰舒,等. 基于聚类算法的金融交易离群点识别[J]. 电子技术, 2016(1):24-28.
[4] 张璐. 数据挖掘技术在识别可疑金融交易中的应用[J]. 中文信息, 2015(1):73,291.
[5] 李果仁. 反洗钱的现状与对策研究[J]. 广东经济管理学院学报, 2004,19(1):71-76.
[6] 丁韶年,汪革清. 电子商务信用风险和特征分析[J]. 电子商务世界, 2004(5):72-73.
[7] Alexander K. The International anti-money-laundering regime: The role of the financial action task force[J]. Journal of Money Laundering Control, 2001,7(3):195-196.
[8] Liu F T, Ting Kaiming, Zhou Zhihua. Isolation-based anomaly detection[J]. ACM Transactions on Knowledge Discovery from Data, 2012,6(1):1-39.
[9] 侯泳旭,段磊,秦江龙,等. 基于Isolation Forest的并行化异常探测设计[J]. 计算机工程与科学, 2017,39(2):236-244.
[10]付立东. 复杂网络中心性度量及社团检测算法研究[D]. 西安:西安电子科技大学, 2012.
[11]Brandes U, Borgatti S P, Freeman L C. Maintaining the duality of closeness and betweenness centrality ☆[J]. Social Networks, 2016,44:153-159.
[12]杨慧中,卢鹏飞,张素贞,等. 网络泛化能力与随机扩展训练集[J]. 控制理论与应用, 2002,19(6):963-966.
[13]Breiman L. Random forests[J]. Machine Learning, 2001,45(1):5-32.
[14]林成德,彭国兰. 随机森林在企业信用评估指标体系确定中的应用[J]. 厦门大学学报(自然版), 2007,46(2):199-203.
[15]王仁东. 基于数据挖掘技术的反洗钱监测研究[D]. 哈尔滨:哈尔滨工程大学, 2013.
[16]高元,刘柏嵩. 基于集成学习的标题分类算法研究[J]. 计算机应用研究, 2017,34(4):1004-1007.
[17]周浩. 基于随机森林的代价敏感特征选择研究[D]. 厦门:厦门大学, 2015. |