文本數(shù)據(jù)挖掘與Python應(yīng)用

目錄

源碼下載

第1章緒論

1.1文本挖掘的研究背景及意義

1.2文本挖掘的國內(nèi)外研究現(xiàn)狀

1.3文本挖掘概述

1.3.1文本挖掘的概念

1.3.2文本挖掘的任務(wù)

1.3.3文本挖掘與數(shù)據(jù)挖掘的聯(lián)系與區(qū)別

1.4文本挖掘的過程

1.5文本挖掘的主要研究領(lǐng)域

1.5.1文本特征選擇

1.5.2文本結(jié)構(gòu)分析

1.5.3文本摘要

1.5.4文本分類

1.5.5文本聚類

1.5.6文本關(guān)聯(lián)分析

1.5.7分布分析與趨勢預(yù)測

1.6文本挖掘在制藥行業(yè)的應(yīng)用案例

習(xí)題1

第2章文本切分及特征詞選擇

2.1文本數(shù)據(jù)采集

2.1.1軟件接口對接方式

2.1.2開放數(shù)據(jù)庫方式

2.1.3基于底層數(shù)據(jù)交換的數(shù)據(jù)直接采集方式

2.1.4網(wǎng)絡(luò)爬蟲采集網(wǎng)頁數(shù)據(jù)

2.2語料庫與詞典簡介

2.2.1語料庫

2.2.2詞典

2.3文本切分

2.3.1句子切分

2.3.2詞匯切分

2.4文本特征詞選擇

2.4.1文本特征詞選擇概述

2.4.2常用的文本特征詞選擇方法

2.5Python jieba分詞模塊及其用法

2.5.1jieba方法

2.5.2基于規(guī)則的中文分詞

2.5.3關(guān)鍵詞提取

習(xí)題2





第3章文本表示模型

3.1文本預(yù)處理

3.1.1原始數(shù)據(jù)處理

3.1.2文本預(yù)處理簡述

3.2向量空間模型

3.2.1向量空間模型的概念

3.2.2文本向量的相似度

3.2.3向量模型的Python實現(xiàn)

3.3概率模型

3.3.1概率模型概述

3.3.2概率建模方法

3.3.3文本信息檢索中的概率模型

3.3.4概率模型的Python實現(xiàn)

3.4概率主題模型

3.4.1概率主題模型概述

3.4.2PLSA概率主題模型

3.4.3LDA概率主題模型

3.4.4LDA概率主題模型的Python實現(xiàn)

習(xí)題3

第4章文本分類

4.1文本分類概述

4.1.1研究的意義

4.1.2國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢

4.1.3文本分類的定義

4.1.4文本分類流程

4.1.5文本分類預(yù)處理

4.2常用文本分類器

4.2.1KNN分類器

4.2.2SVM分類器

4.2.3Rocchio分類器

4.2.4樸素貝葉斯分類器

4.2.5決策樹分類器

4.3分類模型的性能評估

4.3.1分類評價方法

4.3.2分類性能評價指標(biāo)

習(xí)題4

第5章文本聚類

5.1文本聚類概述

5.1.1研究的意義

5.1.2國內(nèi)外研究現(xiàn)狀與發(fā)展趨勢

5.1.3文本聚類的定義

5.1.4文本聚類流程

5.1.5對聚類算法的性能要求

5.2文本聚類原理與方法

5.2.1基于劃分的方法

5.2.2基于層次的方法

5.2.3基于密度的方法

5.2.4基于網(wǎng)格的方法

5.2.5基于模型的方法

5.3文本聚類評估

5.3.1估計聚類趨勢

5.3.2確定簇數(shù)

5.3.3測定聚類質(zhì)量

習(xí)題5

第6章文本關(guān)聯(lián)分析

6.1關(guān)聯(lián)規(guī)則挖掘概述

6.2文本關(guān)聯(lián)規(guī)則

6.2.1關(guān)聯(lián)規(guī)則的基本概念

6.2.2關(guān)聯(lián)規(guī)則分類

6.3關(guān)聯(lián)規(guī)則挖掘算法

6.3.1Apriori算法

6.3.2FPGrowth算法

習(xí)題6

第7章利用Python處理文本數(shù)據(jù)簡單應(yīng)用

7.1情感分析

7.1.1情感分析原理

7.1.2算法設(shè)計

7.1.3算法實現(xiàn)

7.2自動生成關(guān)鍵詞和摘要

7.2.1TextRank算法

7.2.2生成關(guān)鍵詞和摘要

7.3使用SnowNLP進行商品評價

7.3.1SnowNLP庫簡介

7.3.2SnowNLP商品評價

7.4生成“詞云”

7.4.1“詞云”的概念

7.4.2Python“詞云”圖的生成

習(xí)題7

參考文獻