在线文本数据挖掘 算法原理与编程实现电子书

内容简介

前言

第1章 概述

1.1 网络运营与文本分析

1.1.1 互联网运营的战略思维

1.1.2 网络运营与大数据文本分析

1.2 文本分析的4V特征

1.2.1 Volume特征

1.2.2 Variety特征

1.2.3 Value特征

1.2.4 Velocity特征

1.3 在线文本分析应用

1.3.1 在线文本分析的管理类应用

1.3.2 在线文本分析的内容类应用

1.4 本章小结

第2章 预备知识

2.1 文本挖掘的主要任务

2.2 语义分析与语法分析

2.3 文本的结构化分析

2.4 文本的标准化分析

2.5 机器学习的基本概念

2.5.1 机器学习与深度学习

2.5.2 机器学习的基本要素

2.6 机器学习的重要问题

2.6.1 概率图模型

2.6.2 判别式模型和产生式模型

2.6.3 机器学习模型求解

2.6.4 模型过拟合

2.7 本章小结

第3章 文本建模

3.1 文本建模的基本概念

3.2 文本建模的应用场景

3.2.1 主体角色识别

3.2.2 语言风格分析

3.2.3 智能系统

3.2.4 文本表示

3.2.5 文本降维

3.2.6 话题分析

3.3 语言学建模概述

3.4 词标注分析

3.5 句法分析

3.5.1 转换生成语法

3.5.2 依存句法

3.6 知识库与语义网

3.7 统计学建模概述

3.8 向量空间模型

3.9 LSI模型

3.9.1 SVD

3.9.2 基于SVD的降维分析

3.10 Unigram模型

3.11 pLSI模型

3.11.1 pLSI的模型结构

3.11.2 pLSI的参数估计

3.12 LDA主题模型

3.12.1 LDA的模型结构

3.12.2 LDA的参数估计

3.13 主题模型拓展

3.13.1 相关主题模型

3.13.2 层次主题模型

3.13.3 动态主题模型

3.13.4 句子主题模型

3.14 基于词汇的统计学建模方法

3.15 本章小结

第4章 文本分类

4.1 文本分类的基本概念

4.2 文本分类的应用场景

4.2.1 文档有用性判断

4.2.2 口碑情感分析

4.2.3 负面信息识别

4.2.4 信息检索

4.3 朴素贝叶斯模型

4.3.1 贝努利模型

4.3.2 多项式模型

4.3.3 模型参数平滑

4.4 向量空间模型

4.4.1 Rocchio方法

4.4.2 KNN方法

4.5 SVM模型

4.5.1 硬间隔SVM

4.5.2 软间隔SVM

4.6 文本分类的评价

4.6.1 二元分类评价

4.6.2 多类问题评价

4.6.3 分类测试集

4.7 分类特征优化

4.7.1 分类特征提取

4.7.2 分类特征转化

4.7.3 分类特征扩展

4.8 分类学习策略优化

4.8.1 AdaBoost算法

4.8.2 主动式学习

4.8.3 迁移学习

4.9 本章小结

第5章 文本聚类

5.1 文本聚类的基本概念

5.2 文本聚类的应用场景

5.2.1 探索分析

5.2.2 降维

5.2.3 信息检索

5.3 扁平式聚类

5.3.1 K-均值算法

5.3.2 基于模型的聚类

5.4 凝聚式聚类

5.4.1 层次聚类

5.4.2 基于簇距离的聚类过程

5.4.3 算法停止条件

5.5 聚类结果分析

5.5.1 聚类算法评估

5.5.2 聚类标签生成

5.6 聚类特征优化

5.6.1 基于迭代的方法

5.6.2 无监督指标

5.7 半监督聚类

5.7.1 迁移学习

5.7.2 AP算法

5.8 短文本聚类

5.8.1 文本特征补充

5.8.2 TermCut算法

5.8.3 Dirichlet多项式混合模型

5.9 流数据聚类

5.9.1 OSKM算法

5.9.2 可拓展K-means算法

5.10 本章小结

第6章 序列标注

6.1 序列标注的基本概念

6.2 序列标注的应用场景

6.2.1 词性标注

6.2.2 命名实体识别

6.2.3 分词

6.3 HMM

6.3.1 HMM的概率计算问题

6.3.2 HMM的学习问题

6.2.3 HMM的预测问题

6.4 最大熵模型和最大熵马尔可夫模型

6.4.1 最大熵模型

6.4.2 最大熵马尔可夫模型

6.5 条件随机场

6.5.1 标注偏置问题

6.5.2 条件随机场的基本原理

6.6 本章小结

第7章 信息检索

7.1 信息检索的基本概念

7.2 信息检索的应用场景

7.2.1 搜索引擎

7.2.2 内容推荐

7.3 基于空间模型的信息检索

7.3.1 文档查找

7.3.2 文档排序

7.3.3 系统评价

7.4 基于概率模型的信息检索

7.4.1 二值独立模型

7.4.2 模型参数估计

7.5 基于语言模型的信息检索

7.5.1 语言模型

7.5.2 查询似然模型

7.6 本章小结

第8章 文本摘要

8.1 文本摘要的基本概念

8.2 文本摘要的应用场景

8.2.1 信息检索

8.2.2 信息压缩

8.2.3 用户画像

8.2.4 知识管理

8.3 关键词提取的特征设计

8.3.1 词频特征

8.3.2 词汇基础特征

8.3.3 词汇位置特征

8.3.4 词汇标记特征

8.4 关键词提取的有监督算法

8.5 关键词提取的无监督算法

8.5.1 简单指标设计

8.5.2 复合指标设计

8.6 基于图模型的关键词提取算法

8.6.1 图模型静态指标算法

8.6.2 图模型动态指标算法

8.7 关键词提取的技术优化

8.7.1 长文本问题优化

8.7.2 短文本问题优化

8.7.3 多主题特征优化

8.7.4 时序特征优化

8.7.5 歧义问题优化

8.8 关键短语提取

8.8.1 短语性指标

8.8.2 信息性指标

8.9 关键句提取

8.9.1 基于词汇关键性的方法

8.9.2 基于句子特征的方法

8.9.3 基于图模型的方法

8.10 本章小结

第9章 口碑分析

9.1 口碑分析的基本概念

9.2 口碑分析的应用场景

9.2.1 用户视角的应用

9.2.2 网站运营者视角的应用

9.2.3 商家视角的应用

9.2.4 其他应用

9.3 基于词典的评价对象提取

9.4 基于语料的评价对象提取

9.5 评价水平量化

9.5.1 整体粗粒度情感分析

9.5.2 整体细粒度情感分析

9.5.3 局部粗粒度情感分析

9.5.4 局部细粒度情感分析

9.6 基于语言模型的情感分析技术

9.6.1 最大熵LDA主题模型：模型性质

9.6.2 最大熵LDA主题模型：基本结构

9.6.3 最大熵LDA主题模型：参数估计

9.7 本章小结

第10章 社交网络分析

10.1 社交网络分析的基本概念

10.2 社交网络分析的应用场景

10.2.1 虚拟社区发现

10.2.2 用户影响力分析

10.2.3 情感分析

10.2.4 话题发现与演化

10.2.5 信息检索

10.3 社交网络的虚拟社区发现

10.3.1 社区发现的信息基础

10.3.2 基于隐性位置的聚类模型

10.4 社交网络的用户影响力分析

10.4.1 网络结构与用户影响力

10.4.2 TwitterRank算法

10.5 社交网络的情感分析

10.5.1 基于表情符号的训练集合构建

10.5.2 基于POSTag的特征优化

10.6 社交网络的话题发现与演化

10.6.1 话题发现分析

10.6.2 Twitter-LDA

10.6.3 基于文档聚类的话题发现

10.6.4 基于词汇聚类的话题发现

10.6.5 话题演化分析

10.6.6 基于NMF的主题建模

10.7 社交网络的信息检索

10.7.1 信息检索的内容拓展策略

10.7.2 信息检索的综合排序策略

10.8 本章小结

第11章 深度学习与NLP

11.1 基本原理

11.2 词嵌入模型

11.2.1 词汇的分布式表示

11.2.2 神经概率语言模型

11.2.3 词嵌入模型概述

11.3 RNN与NLP

11.3.1 RNN

11.3.2 基于RNN的机器翻译

11.3.3 RNN的其他应用

11.4 本章小结

第12章 实证研究

12.1 研究框架

12.1.1 研究问题背景

12.1.2 问题分析

12.2 理论与模型

12.2.1 相关理论与假设

12.2.2 模型构建

12.3 文本数据处理

12.3.1 基于文本分析的口碑打分调整

12.3.2 基于文本分析的口碑权重计算

12.3.3 基于文本分析的候选集合构建

12.4 研究结论

12.4.1 实证结果

12.4.2 管理建议

12.5 本章小结

第13章 总结