在線文本數(shù)據(jù)挖掘 算法原理與編程實(shí)現(xiàn)

第1章 概述\t1
1．1 網(wǎng)絡(luò)運(yùn)營與文本分析\t1
1．1．1 互聯(lián)網(wǎng)運(yùn)營的戰(zhàn)略思維\t1
1．1．2 網(wǎng)絡(luò)運(yùn)營與大數(shù)據(jù)文本分析\t2
1．2 文本分析的4V特征\t4
1．2．1 Volume特征\t4
1．2．2 Variety特征\t5
1．2．3 Value特征\t6
1．2．4 Velocity特征\t7
1．3 在線文本分析應(yīng)用\t8
1．3．1 在線文本分析的管理類應(yīng)用\t9
1．3．2 在線文本分析的內(nèi)容類應(yīng)用\t12
1．4 本章小結(jié)\t16
第2章 預(yù)備知識\t18
2．1 文本挖掘的主要任務(wù)\t18
2．2 語義分析與語法分析\t20
2．3 文本的結(jié)構(gòu)化分析\t21
2．4 文本的標(biāo)準(zhǔn)化分析\t24
2．5 機(jī)器學(xué)習(xí)的基本概念\t24
2．5．1 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)\t25
2．5．2 機(jī)器學(xué)習(xí)的基本要素\t33
2．6 機(jī)器學(xué)習(xí)的重要問題\t36
2．6．1 概率圖模型\t36
2．6．2 判別式模型和產(chǎn)生式模型\t39
2．6．3 機(jī)器學(xué)習(xí)模型求解\t40
2．6．4 模型過擬合\t43
2．7 本章小結(jié)\t45
第3章 文本建模\t46
3．1 文本建模的基本概念\t46
3．2 文本建模的應(yīng)用場景\t48
3．2．1 主體角色識別\t48
3．2．2 語言風(fēng)格分析\t49
3．2．3 智能系統(tǒng)\t49
3．2．4 文本表示\t50
3．2．5 文本降維\t50
3．2．6 話題分析\t50
3．3 語言學(xué)建模概述\t51
3．4 詞標(biāo)注分析\t52
3．5 句法分析\t55
3．5．1 轉(zhuǎn)換生成語法\t56
3．5．2 依存句法\t56
3．6 知識庫與語義網(wǎng)\t58
3．7 統(tǒng)計(jì)學(xué)建模概述\t59
3．8 向量空間模型\t61
3．9 LSI模型\t64
3．9．1 SVD\t64
3．9．2 基于SVD的降維分析\t66
3．10 Unigram模型\t67
3．11 pLSI模型\t67
3．11．1 pLSI的模型結(jié)構(gòu)\t67
3．11．2 pLSI的參數(shù)估計(jì)\t68
3．12 LDA主題模型\t70
3．12．1 LDA的模型結(jié)構(gòu)\t70
3．12．2 LDA的參數(shù)估計(jì)\t72
3．13 主題模型拓展\t75
3．13．1 相關(guān)主題模型\t76
3．13．2 層次主題模型\t77
3．13．3 動(dòng)態(tài)主題模型\t80
3．13．4 句子主題模型\t82
3．14 基于詞匯的統(tǒng)計(jì)學(xué)建模方法\t83
3．15 本章小結(jié)\t86
第4章 文本分類\t88
4．1 文本分類的基本概念\t88
4．2 文本分類的應(yīng)用場景\t89
4．2．1 文檔有用性判斷\t89
4．2．2 口碑情感分析\t90
4．2．3 負(fù)面信息識別\t90
4．2．4 信息檢索\t90
4．3 樸素貝葉斯模型\t91
4．3．1 貝努利模型\t91
4．3．2 多項(xiàng)式模型\t93
4．3．3 模型參數(shù)平滑\t94
4．4 向量空間模型\t95
4．4．1 Rocchio方法\t95
4．4．2 KNN方法\t96
4．5 SVM模型\t97
4．5．1 硬間隔SVM\t97
4．5．2 軟間隔SVM\t100
4．6 文本分類的評價(jià)\t102
4．6．1 二元分類評價(jià)\t102
4．6．2 多類問題評價(jià)\t104
4．6．3 分類測試集\t105
4．7 分類特征優(yōu)化\t106
4．7．1 分類特征提取\t106
4．7．2 分類特征轉(zhuǎn)化\t112
4．7．3 分類特征擴(kuò)展\t114
4．8 分類學(xué)習(xí)策略優(yōu)化\t117
4．8．1 AdaBoost算法\t117
4．8．2 主動(dòng)式學(xué)習(xí)\t118
4．8．3 遷移學(xué)習(xí)\t119
4．9 本章小結(jié)\t119
第5章 文本聚類\t121
5．1 文本聚類的基本概念\t121
5．2 文本聚類的應(yīng)用場景\t122
5．2．1 探索分析\t122
5．2．2 降維\t123
5．2．3 信息檢索\t123
5．3 扁平式聚類\t124
5．3．1 K-均值算法\t125
5．3．2 基于模型的聚類\t128
5．4 凝聚式聚類\t132
5．4．1 層次聚類\t132
5．4．2 基于簇距離的聚類過程\t132
5．4．3 算法停止條件\t135
5．5 聚類結(jié)果分析\t136
5．5．1 聚類算法評估\t136
5．5．2 聚類標(biāo)簽生成\t138
5．6 聚類特征優(yōu)化\t140
5．6．1 基于迭代的方法\t141
5．6．2 無監(jiān)督指標(biāo)\t141
5．7 半監(jiān)督聚類\t143
5．7．1 遷移學(xué)習(xí)\t144
5．7．2 AP算法\t145
5．8 短文本聚類\t146
5．8．1 文本特征補(bǔ)充\t146
5．8．2 TermCut算法\t148
5．8．3 Dirichlet多項(xiàng)式混合模型\t149
5．9 流數(shù)據(jù)聚類\t151
5．9．1 OSKM算法\t151
5．9．2 可拓展K-means算法\t152
5．10 本章小結(jié)\t153
第6章 序列標(biāo)注\t155
6．1 序列標(biāo)注的基本概念\t155
6．2 序列標(biāo)注的應(yīng)用場景\t157
6．2．1 詞性標(biāo)注\t157
6．2．2 命名實(shí)體識別\t157
6．2．3 分詞\t157
6．3 HMM\t158
6．3．1 HMM的概率計(jì)算問題\t160
6．3．2 HMM的學(xué)習(xí)問題\t162
6．2．3 HMM的預(yù)測問題\t164
6．4 最大熵模型和最大熵馬爾可夫模型\t166
6．4．1 最大熵模型\t167
6．4．2 最大熵馬爾可夫模型\t170
6．5 條件隨機(jī)場\t172
6．5．1 標(biāo)注偏置問題\t172
6．5．2 條件隨機(jī)場的基本原理\t174
6．6 本章小結(jié)\t176
第7章 信息檢索\t177
7．1 信息檢索的基本概念\t177
7．2 信息檢索的應(yīng)用場景\t180
7．2．1 搜索引擎\t180
7．2．2 內(nèi)容推薦\t182
7．3 基于空間模型的信息檢索\t184
7．3．1 文檔查找\t184
7．3．2 文檔排序\t185
7．3．3 系統(tǒng)評價(jià)\t187
7．4 基于概率模型的信息檢索\t190
7．4．1 二值獨(dú)立模型\t191
7．4．2 模型參數(shù)估計(jì)\t193
7．5 基于語言模型的信息檢索\t196
7．5．1 語言模型\t196
7．5．2 查詢似然模型\t198
7．6 本章小結(jié)\t201
第8章 文本摘要\t203
8．1 文本摘要的基本概念\t203
8．2 文本摘要的應(yīng)用場景\t206
8．2．1 信息檢索\t206
8．2．2 信息壓縮\t207
8．2．3 用戶畫像\t208
8．2．4 知識管理\t209
8．3 關(guān)鍵詞提取的特征設(shè)計(jì)\t210
8．3．1 詞頻特征\t210
8．3．2 詞匯基礎(chǔ)特征\t211
8．3．3 詞匯位置特征\t212
8．3．4 詞匯標(biāo)記特征\t214
8．4 關(guān)鍵詞提取的有監(jiān)督算法\t214
8．5 關(guān)鍵詞提取的無監(jiān)督算法\t217
8．5．1 簡單指標(biāo)設(shè)計(jì)\t217
8．5．2 復(fù)合指標(biāo)設(shè)計(jì)\t217
8．6 基于圖模型的關(guān)鍵詞提取算法\t218
8．6．1 圖模型靜態(tài)指標(biāo)算法\t220
8．6．2 圖模型動(dòng)態(tài)指標(biāo)算法\t223
8．7 關(guān)鍵詞提取的技術(shù)優(yōu)化\t226
8．7．1 長文本問題優(yōu)化\t227
8．7．2 短文本問題優(yōu)化\t228
8．7．3 多主題特征優(yōu)化\t229
8．7．4 時(shí)序特征優(yōu)化\t232
8．7．5 歧義問題優(yōu)化\t233
8．8 關(guān)鍵短語提取\t234
8．8．1 短語性指標(biāo)\t235
8．8．2 信息性指標(biāo)\t235
8．9 關(guān)鍵句提取\t236
8．9．1 基于詞匯關(guān)鍵性的方法\t236
8．9．2 基于句子特征的方法\t237
8．9．3 基于圖模型的方法\t238
8．10 本章小結(jié)\t240
第9章 口碑分析\t241
9．1 口碑分析的基本概念\t242
9．2 口碑分析的應(yīng)用場景\t243
9．2．1 用戶視角的應(yīng)用\t243
9．2．2 網(wǎng)站運(yùn)營者視角的應(yīng)用\t244
9．2．3 商家視角的應(yīng)用\t244
9．2．4 其他應(yīng)用\t245
9．3 基于詞典的評價(jià)對象提取\t245
9．4 基于語料的評價(jià)對象提取\t246
9．5 評價(jià)水平量化\t252
9．5．1 整體粗粒度情感分析\t253
9．5．2 整體細(xì)粒度情感分析\t254
9．5．3 局部粗粒度情感分析\t258
9．5．4 局部細(xì)粒度情感分析\t259
9．6 基于語言模型的情感分析技術(shù)\t259
9．6．1 最大熵LDA主題模型：模型性質(zhì)\t260
9．6．2 最大熵LDA主題模型：基本結(jié)構(gòu)\t260
9．6．3 最大熵LDA主題模型：參數(shù)估計(jì)\t263
9．7 本章小結(jié)\t265
第10章 社交網(wǎng)絡(luò)分析\t266
10．1 社交網(wǎng)絡(luò)分析的基本概念\t266
10．2 社交網(wǎng)絡(luò)分析的應(yīng)用場景\t269
10．2．1 虛擬社區(qū)發(fā)現(xiàn)\t270
10．2．2 用戶影響力分析\t271
10．2．3 情感分析\t271
10．2．4 話題發(fā)現(xiàn)與演化\t272
10．2．5 信息檢索\t273
10．3 社交網(wǎng)絡(luò)的虛擬社區(qū)發(fā)現(xiàn)\t274
10．3．1 社區(qū)發(fā)現(xiàn)的信息基礎(chǔ)\t274
10．3．2 基于隱性位置的聚類模型\t275
10．4 社交網(wǎng)絡(luò)的用戶影響力分析\t276
10．4．1 網(wǎng)絡(luò)結(jié)構(gòu)與用戶影響力\t276
10．4．2 TwitterRank算法\t277
10．5 社交網(wǎng)絡(luò)的情感分析\t279
10．5．1 基于表情符號的訓(xùn)練集合構(gòu)建\t279
10．5．2 基于POSTag的特征優(yōu)化\t280
10．6 社交網(wǎng)絡(luò)的話題發(fā)現(xiàn)與演化\t282
10．6．1 話題發(fā)現(xiàn)分析\t282
10．6．2 Twitter-LDA\t284
10．6．3 基于文檔聚類的話題發(fā)現(xiàn)\t284
10．6．4 基于詞匯聚類的話題發(fā)現(xiàn)\t286
10．6．5 話題演化分析\t287
10．6．6 基于NMF的主題建模\t287
10．7 社交網(wǎng)絡(luò)的信息檢索\t289
10．7．1 信息檢索的內(nèi)容拓展策略\t290
10．7．2 信息檢索的綜合排序策略\t291
10．8 本章小結(jié)\t293
第11章 深度學(xué)習(xí)與NLP\t295
11．1 基本原理\t296
11．2 詞嵌入模型\t299
11．2．1 詞匯的分布式表示\t299
11．2．2 神經(jīng)概率語言模型\t300
11．2．3 詞嵌入模型概述\t301
11．3 RNN與NLP\t304
11．3．1 RNN\t304
11．3．2 基于RNN的機(jī)器翻譯\t305
11．3．3 RNN的其他應(yīng)用\t308
11．4 本章小結(jié)\t309
第12章 實(shí)證研究\t311
12．1 研究框架\t311
12．1．1 研究問題背景\t311
12．1．2 問題分析\t313
12．2 理論與模型\t314
12．2．1 相關(guān)理論與假設(shè)\t314
12．2．2 模型構(gòu)建\t317
12．3 文本數(shù)據(jù)處理\t319
12．3．1 基于文本分析的口碑打分調(diào)整\t319
12．3．2 基于文本分析的口碑權(quán)重計(jì)算\t323
12．3．3 基于文本分析的候選集合構(gòu)建\t324
12．4 研究結(jié)論\t326
12．4．1 實(shí)證結(jié)果\t326
12．4．2 管理建議\t328
12．5 本章小結(jié)\t329
第13章 總結(jié)\t330