[套装书]海量文本数据的多维挖掘+社交媒体数据挖掘与分析（2册）

作者
张超 韩家炜 加博尔·萨博格尔·波拉特坎 P. 奥斯卡·柏金 安东尼奥斯· 查基奥普洛斯
丛书名
数据科学与工程技术丛书
出版社
机械工业出版社
ISBN
9782007271449
简要
简介
内容简介书籍计算机书籍 ---------------------------海量文本数据的多维挖掘--------------------------- 本书由国际数据挖掘领域泰斗、UIUC韩家玮教授和其学生张超博士（现为佐治亚理工学院助理教授）合著。介绍了将非结构化文本数据转换为多维知识的数据挖掘技术，并讲解了他们开发的文本多维数据集框架的原理和使用方法。 ---------------------------社交媒体数据挖掘与分析--------------------------- 本书围绕着如何探索和理解社交媒体系统的基本组成部分进行组织，简单地说来就是谁（who）、如何（how）、何时（when）和什么（what）构成了社交媒体过程。本书的目标是“授人以渔”。在涵盖了社交媒体分析的主要方面之后，本书还以大量篇幅介绍了大数据环境下处理社交媒体数据所需的工具、算法的原理和实际案例，读者可以以此为基础，快速介入生产环境下的社交媒体数据处理任务。
目录



---------------------------海量文本数据的多维挖掘---------------------------


译者序
作者简介
译者简介
第1章　引言 1
1.1　概述 1
1.2　主要部分 3
1.2.1　第一部分：立方体构造 3
1.2.2　第二部分：立方体开发 5
1.2.3　示例应用 5
1.3　技术路线 6
1.3.1　任务1：分类器生成 7
1.3.2　任务2：文档分配 8
1.3.3　任务3：多维摘要 8
1.3.4　任务4：跨维度预测 9
1.3.5　任务5：异常事件检测 9
1.3.6　小结 9
1.4　本书大纲 10
第一部分　立方体构造算法
第2章　主题级分类器生成 12
2.1　概述 12
2.2　相关工作 15
2.2.1　监督分类器学习 15
2.2.2　基于模式的提取 15
2.2.3　基于聚类的分类器构建 16
2.3　准备工作 17
2.3.1　问题定义 17
2.3.2　方法概述 17
2.4　自适应词聚类 18
2.4.1　划分主题的球形聚类 18
2.4.2　识别代表性词语 20
2.5　自适应词嵌入 21
2.5.1　分布式词语表示 21
2.5.2　学习局部词嵌入 21
2.6　实验评估 22
2.6.1　实验设计 22
2.6.2　定性结果 24
2.6.3　定量分析 27
2.7　小结 29
第3章　词语级分类器生成 30
3.1　概述 30
3.2　相关工作 32
3.3　问题定义 33
3.4　HiExpan框架 33
3.4.1　框架概述 33
3.4.2　关键词提取 34
3.4.3　层次树扩展 34
3.4.4　分类器全局优化 41
3.5　实验 42
3.5.1　实验设计 42
3.5.2　定性结果 43
3.5.3　定量结果 44
3.6　小结 47
第4章　弱监督文本分类 48
4.1　概述 48
4.2　相关工作 51
4.2.1　潜在变量模型 51
4.2.2　基于嵌入的模型 51
4.3　准备工作 52
4.3.1　问题定义 52
4.3.2　方法概述 53
4.4　伪文档生成 53
4.4.1　建模类分布 53
4.4.2　生成伪文档 55
4.5　自训练的神经模型 56
4.5.1　神经模型预训练 56
4.5.2　神经模型自训练 57
4.5.3　基于CNN和RNN的实例化 58
4.6　实验 59
4.6.1　数据集 59
4.6.2　基线 59
4.6.3　实验设计 60
4.6.4　实验结果 61
4.6.5　参数研究 65
4.6.6　案例研究 67
4.7　小结 68
第5章　弱监督层次文本分类 69
5.1　概述 69
5.2　相关工作 71
5.2.1　弱监督文本分类 71
5.2.2　层次文本分类 71
5.3　问题定义 72
5.4　伪文档生成 72
5.5　层次分类模型 74
5.5.1　局部分类器预训练 75
5.5.2　全局分类器自训练 75
5.5.3　阻断机制 77
5.5.4　推导 77
5.5.5　算法概述 77
5.6　实验 78
5.6.1　实验设计 78
5.6.2　定量比较 80
5.6.3　组件评估 82
5.7　小结 84
第二部分　立方体开发算法
第6章　多维摘要 86
6.1　概述 86
6.2　相关工作 89
6.3　准备工作 90
6.3.1　文本立方体准备 90
6.3.2　问题定义 91
6.4　排名度量 91
6.4.1　普遍性和完整性 92
6.4.2　邻域敏感的独特性 92
6.5　RepPhrase方法 96
6.5.1　简介 96
6.5.2　混合离线物化 97
6.5.3　最优在线处理 100
6.6　实验 101
6.6.1　实验设计 101
6.6.2　有效性评估 103
6.6.3　效率评估 107
6.7　小结 111
第7章　立方体空间中的跨维度预测 112
7.1　概述 112
7.2　相关工作 114
7.3　准备工作 115
7.3.1　问题描述 115
7.3.2　方法概述 115
7.4　半监督多模态嵌入 117
7.4.1　无监督重构任务 117
7.4.2　监督分类任务 119
7.4.3　优化程序 119
7.5　多模态嵌入的在线更新 120
7.5.1　生命衰减学习 120
7.5.2　基于约束的学习 121
7.5.3　复杂度分析 124
7.6　实验 124
7.6.1　实验设计 124
7.6.2　定量比较 127
7.6.3　案例研究 129
7.6.4　参数影响 132
7.6.5　下游应用 134
7.7　小结 135
第8章　立方体空间中的事件检测 136
8.1　概述 136
8.2　相关工作 138
8.2.1　突发事件检测 138
8.2.2　时空事件检测 139
8.3　准备工作 140
8.3.1　问题定义 140
8.3.2　方法概述 140
8.3.3　多模态嵌入 142
8.4　候选生成 143
8.4.1　贝叶斯混合聚类模型 144
8.4.2　参数评估 145
8.5　候选分类 146
8.5.1　多模态嵌入的特征推导 146
8.5.2　分类过程 147
8.6　支持持续的事件检测 147
8.7　复杂度分析 148
8.8　实验 148
8.8.1　实验设计 148
8.8.2　定性结果 150
8.8.3　定量结果 153
8.8.4　可扩展性研究 154
8.8.5　特征的重要性 155
8.9　小结 156
第9章　结论 157
9.1　总结 157
9.2　未来工作 158
参考文献 160



---------------------------社交媒体数据挖掘与分析---------------------------


译者序
前言
致谢
作者简介
技术编辑简介
第1章　用户：谁参与社交媒体 1
1.1　测量Wikipedia中用户行为的变化 1
1.1.1　用户活动的多样性 2
1.1.2　人类活动中的长尾效应 18
1.2　随处可见的长尾效应：80/20定律 20
1.3　Twitter上的在线行为 23
1.3.1　检索用户的Tweet 24
1.3.2　对数分区 26
1.3.3　Twitter上的用户活动 27
1.4　总结 28
第2章　网络：社交媒体如何运行 29
2.1　社交网络的类型和属性 30
2.1.1　用户何时创建连接：显式网络 30
2.1.2　有向图与无向图 31
2.1.3　节点和边的属性 31
2.1.4　加权图 32
2.1.5　由活动构建图：隐式网络 33
2.2　网络可视化 35
2.3　度：赢家通吃 38
2.3.1　连接计数 40
2.3.2　用户连接的长尾分布 41
2.3.3　超越理想网络模型 43
2.4　捕获相关：三角结构、簇和同配性 45
2.4.1　局部三角结构和簇 45
2.4.2　同配性 49
2.5　总结 53
第3章　时序过程：用户何时使用社交媒体 54
3.1　传统模型如何描述事件发生的时间 54
3.2　事件间隔时间 57
3.2.1　与无记忆过程的对比 60
3.2.2　自相关 63
3.2.3　与无记忆过程的偏离 64
3.2.4　用户活动中的时间周期 66
3.3　个体行为的爆发 70
3.4　预测长期指标 78
3.4.1　发现趋势 80
3.4.2　发现季节性 82
3.4.3　利用ARIMA预测时间序列 84
3.5　总结 86
第4章　内容：社交媒体中有什么 88
4.1　定义内容：聚焦于文本和非结构数据 88
4.1.1　从文本生成特征：自然语言处理基础 89
4.1.2　文本中词条的基本统计 91
4.2　使用内容特征识别主题 92
4.2.1　话题的流行度 98
4.2.2　用户个体兴趣有多么多样化 100
4.3　从高维文本中抽取低维信息 102
4.4　总结 120
第5章　处理大型数据集 122
5.1　MapReduce：组织并行和串行操作 122
5.1.1　单词计数 124
5.1.2　偏斜：最后一个Reducer的诅咒 127
5.2　多阶段MapReduce流 127
5.2.1　扇出 129
5.2.2　归并数据流 129
5.2.3　连接两个数据源 131
5.2.4　连接小数据集 134
5.2.5　大规模MapReduce模型 134
5.3　MapReduc程序设计模式 135
5.3.1　静态MapReduce作业 135
5.3.2　迭代MapReduce作业 140
5.3.3　增量MapReduce作业 146
5.3.4　时间相关的MapReduce作业 146
5.3.5　处理长尾分布社交媒体数据的挑战 153
5.4　抽样和近似：以较少计算得到结果 154
5.4.1　HyperLogLog 156
5.4.2　Bloom过滤器 161
5.4.3　Count-Min Sketch 166
5.5　在Hadoop集群上运行 171
5.5.1　在Amazon EC2上安装CHD集群 171
5.5.2　为合作者提供IAM存取 174
5.5.3　根据需要增加集群处理能力 175
5.6　总结 175
第6章　学习、映射和推荐 177
6.1　在线社交媒体服务 177
6.1.1　搜索引擎 177
6.1.2　内容参与 178
6.1.3　与现实世界的互动 179
6.1.4　与人的互动 180
6.2　问题阐述 180
6.3　学习和映射 182
6.3.1　矩阵分解 183
6.3.2　学习和训练 184
6.3.3　电影评分示范 187
6.4　预测与推荐 197
6.4.1　评估 199
6.4.2　方法概述 200
6.5　总结 209
第7章　结论 210
7.1　人类互动模式出乎意料的稳定性 210
7.2　均值、标准差和抽样 211
7.3　移除异常值 216



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4