在線(xiàn)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(yíng)與文本分析\t1
1．1．1 互聯(lián)網(wǎng)運(yùn)營(yíng)的戰(zhàn)略思維\t1
1．1．2 網(wǎng)絡(luò)運(yùn)營(yíng)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(xiàn)文本分析應(yīng)用\t8
1．3．1 在線(xiàn)文本分析的管理類(lèi)應(yīng)用\t9
1．3．2 在線(xiàn)文本分析的內(nèi)容類(lèi)應(yīng)用\t12
1．4 本章小結(jié)\t16
第2章 預(yù)備知識(shí)\t18
2．1 文本挖掘的主要任務(wù)\t18
2．2 語(yǔ)義分析與語(yǔ)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(wèn)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(guò)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(chǎng)景\t48
3．2．1 主體角色識(shí)別\t48
3．2．2 語(yǔ)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(huà)題分析\t50
3．3 語(yǔ)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(yǔ)法\t56
3．5．2 依存句法\t56
3．6 知識(shí)庫(kù)與語(yǔ)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(lèi)\t88
4．1 文本分類(lèi)的基本概念\t88
4．2 文本分類(lèi)的應(yīng)用場(chǎng)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(shí)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(lèi)的評(píng)價(jià)\t102
4．6．1 二元分類(lèi)評(píng)價(jià)\t102
4．6．2 多類(lèi)問(wèn)題評(píng)價(jià)\t104
4．6．3 分類(lèi)測(cè)試集\t105
4．7 分類(lèi)特征優(yōu)化\t106
4．7．1 分類(lèi)特征提取\t106
4．7．2 分類(lèi)特征轉(zhuǎn)化\t112
4．7．3 分類(lèi)特征擴(kuò)展\t114
4．8 分類(lèi)學(xué)習(xí)策略?xún)?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(lèi)\t121
5．1 文本聚類(lèi)的基本概念\t121
5．2 文本聚類(lèi)的應(yīng)用場(chǎng)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(lèi)\t124
5．3．1 K-均值算法\t125
5．3．2 基于模型的聚類(lèi)\t128
5．4 凝聚式聚類(lèi)\t132
5．4．1 層次聚類(lèi)\t132
5．4．2 基于簇距離的聚類(lèi)過(guò)程\t132
5．4．3 算法停止條件\t135
5．5 聚類(lèi)結(jié)果分析\t136
5．5．1 聚類(lèi)算法評(píng)估\t136
5．5．2 聚類(lèi)標(biāo)簽生成\t138
5．6 聚類(lèi)特征優(yōu)化\t140
5．6．1 基于迭代的方法\t141
5．6．2 無(wú)監(jiān)督指標(biāo)\t141
5．7 半監(jiān)督聚類(lèi)\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(lèi)\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(lèi)\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(chǎng)景\t157
6．2．1 詞性標(biāo)注\t157
6．2．2 命名實(shí)體識(shí)別\t157
6．2．3 分詞\t157
6．3 HMM\t158
6．3．1 HMM的概率計(jì)算問(wèn)題\t160
6．3．2 HMM的學(xué)習(xí)問(wèn)題\t162
6．2．3 HMM的預(yù)測(cè)問(wèn)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(chǎng)\t172
6．5．1 標(biāo)注偏置問(wèn)題\t172
6．5．2 條件隨機(jī)場(chǎng)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(chǎng)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(píng)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(yǔ)言模型的信息檢索\t196
7．5．1 語(yǔ)言模型\t196
7．5．2 查詢(xún)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(chǎng)景\t206
8．2．1 信息檢索\t206
8．2．2 信息壓縮\t207
8．2．3 用戶(hù)畫(huà)像\t208
8．2．4 知識(shí)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(wú)監(jiān)督算法\t217
8．5．1 簡(jiǎn)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(zhǎng)文本問(wèn)題優(yōu)化\t227
8．7．2 短文本問(wèn)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(wèn)題優(yōu)化\t233
8．8 關(guān)鍵短語(yǔ)提取\t234
8．8．1 短語(yǔ)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(chǎng)景\t243
9．2．1 用戶(hù)視角的應(yīng)用\t243
9．2．2 網(wǎng)站運(yùn)營(yíng)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(píng)價(jià)對(duì)象提取\t245
9．4 基于語(yǔ)料的評(píng)價(jià)對(duì)象提取\t246
9．5 評(píng)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(yǔ)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(chǎng)景\t269
10．2．1 虛擬社區(qū)發(fā)現(xiàn)\t270
10．2．2 用戶(hù)影響力分析\t271
10．2．3 情感分析\t271
10．2．4 話(huà)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(lèi)模型\t275
10．4 社交網(wǎng)絡(luò)的用戶(hù)影響力分析\t276
10．4．1 網(wǎng)絡(luò)結(jié)構(gòu)與用戶(hù)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(hào)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(huà)題發(fā)現(xiàn)與演化\t282
10．6．1 話(huà)題發(fā)現(xiàn)分析\t282
10．6．2 Twitter-LDA\t284
10．6．3 基于文檔聚類(lèi)的話(huà)題發(fā)現(xiàn)\t284
10．6．4 基于詞匯聚類(lèi)的話(huà)題發(fā)現(xiàn)\t286
10．6．5 話(huà)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(yǔ)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(wèn)題背景\t311
12．1．2 問(wèn)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