世界著名計算機教材精選：Web數據挖掘（第2版） [Web Data Mining(Second Edition)] 下載 mobi epub pdf 電子書 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

編輯推薦

　　（1）闡述Web數據挖掘的概念及其核心算法，使讀者獲得相對完整的關於Web數據挖掘的算法和技術知識。
　　（2）不僅介紹瞭搜索、頁麵爬取和資源探索以及鏈接分析等傳統的Web挖掘主題，而且還介紹瞭結構化數據的抽取、信息整閤、觀點挖掘和Web使用挖掘等內容。

內容簡介

　　

　　過去幾十年裏，Web的迅速發展使其成為世界上規模的公共數據源。Web挖掘的目標是從Web超鏈接、網頁內容和使用日誌中探尋有用的信息。
　　《世界著名計算機教材精選：Web數據挖掘（第2版）》旨在闡述Web數據挖掘的概念及其核心算法，使讀者獲得相對完整的關於Web數據挖掘的算法和技術知識。本書不僅介紹瞭搜索、頁麵爬取和資源探索以及鏈接分析等傳統的Web挖掘主題，而且還介紹瞭結構化數據的抽取、信息整閤、觀點挖掘和Web使用挖掘等內容，這些內容在已有書籍中沒有提及過，但它們在Web數據挖掘中卻占有非常重要的地位。全書分為兩大部分：第一部分包括第2章到第5章，介紹數據挖掘的基礎，第二部分包括第6章到第12章，介紹Web相關的挖掘任務。從本書自第1版齣版之後，很多領域已經有瞭重大的進展。新版大部分的章節都已經添加瞭新的材料來反應這些進展，主要的改動在第11章和第12章中，這兩章已經被重新撰寫並做瞭重要的擴展。
　　《世界著名計算機教材精選：Web數據挖掘（第2版）》不僅可作為本科生的教科書，也是在Web數據挖掘和相關領域研讀博士學位的研究生的重要參考用書，同時對Web挖掘研究人員和實踐人員獲取知識、信息、甚至是創新想法也很有幫助。

內頁插圖

目錄

第1章 概述
1.1 什麼是萬維網
1.2 萬維網和互聯網的曆史簡述
1.3 Web數據挖掘
1.3.1 什麼是數據挖掘
1.3.2 什麼是Web數據挖掘
1.4 各章概要
1.5 如何閱讀本書
文獻評注
參考文獻

第1部分 數據挖掘基礎
第2章 關聯規則和序列模式
2.1 關聯規則的基本概念
2.2 Apriori算法
2.2.1 頻繁項目集生成
2.2.2 關聯規則生成
2.3 關聯規則挖掘的數據格式
2.4 多最小支持度的關聯規則挖掘
2.4.1 擴展模型
2.4.2 挖掘算法
2.4.3 規則生成
2.5 分類關聯規則挖掘
2.5.1 問題描述
2.5.2 挖掘算法
2.5.3 多最小支持度分類關聯規則挖掘
2.6 序列模式的基本概念
2.7 基於GSP挖掘序列模式
2.7.1 GSP算法
2.7.2 多最小支持度挖掘
2.8 基於PrefixSpan算法的序列模式挖掘
2.8.1 PrefixSpan算法
2.8.2 多最小支持度挖掘
2.9 從序列模式中産生規則
2.9.1 序列規則
2.9.2 標簽序列規則
2.9.3 分類序列規則
文獻評注
參考文獻
第3章 監督學習
3.1 基本概念
3.2 決策樹歸納
3.2.1 學習算法
3.2.2 混雜度函數
3.2.3 處理連續屬性
3.2.4 其他一些問題
3.3 評估分類器
3.3.1 評估方法
3.3.2 查準率、查全率、F-score和平衡點（Breakeven Point）
3.3.3 受試者工作特徵麯綫
3.3.4 提升麯綫
3.4 規則歸納
3.4.1 順序化覆蓋
3.4.2 規則學習：Learn-One-Rule函數
3.4.3 討論
3.5 基於關聯規則的分類
3.5.1 使用類關聯規則進行分類
3.5.2 使用類關聯規則作為分類屬性
3.5.3 使用古典的關聯規則分類
3.6 樸素貝葉斯分類
3.7 樸素貝葉斯文本分類
3.7.1 概率框架
3.7.2 樸素貝葉斯模型
3.7.3 討論
3.8 支持嚮量機
3.8.1 綫性支持嚮量機：可分的情況
3.8.2 綫性支持嚮量機：數據不可分的情況
3.8.3 非綫性支持嚮量機：核方法總結
3.9 A、近鄰學習
3.10 分類器的集成
3.10.1 Bagging
3.10.2 Boosting
文獻評注
參考文獻
第4章 無監督學習
4.1 基本概念
4.2 A-均值聚類
4.2.1 A-均值算法
4.2.2 A-均值算法的硬盤版本
4.2.3 優勢和劣勢
4.3 聚類的錶示
4.3.1 聚類的一般錶示方法
4.3.2 任意形狀的聚類
4.4 層次聚類
4.4.1 單連結方法
4.4.2 全連結方法
4.4.3 平均連結方法
4.4.4 優勢和劣勢
4.5 距離函數
4.5.1 數字屬性
4.5.2 布爾屬性和名詞性屬性
4.5.3 文本文檔
4.6 數據標準化
4.7 混閤屬性的處理
4.8 采用哪種聚類算法
4.9 聚類的評估
4.10 發現數據區域和數據空洞
文獻評注
參考文獻
第5章 部分監督學習
5.1 從已標注數據和無標注數據中學習
5.1.1 使用樸素貝葉斯分類器的EM算法
5.1.2 Co-naining
5.1.3 自學習
5.1.4 直推式支持嚮量機
5.1.5 基於圖的方法
5.1.6 討論
5.2 從正例和無標注數據中學習
5.2.1 PU學習的應用
5.2.2 理論基礎
5.2.3 建立分類器：兩步方法
5.2.4 建立分類器：偏置SVM
5.2.5 建立分類器：概率估計
5.2.6 討論
……
第2部分 Web挖掘

精彩書摘

　　方法1定義會話為用戶首次搜索到事務日誌中記錄的最後一次搜索這一段時間。用戶的IP地址以及瀏覽器cookie被用來確定首次查詢和後續查詢，來估計會話長度。會話長度定義為用戶首次查詢的時間點到該用戶和搜索引擎的最後一次交互的時間點的時段。IP地址或者Cookie的一次改變總會開啓一個新會話。
　　方法2使用用戶IP地址和瀏覽器Cookie來決定首次查詢和後續查詢。但是，這裏使用瞭一個相鄰交互間最大長度為30分鍾的規則來決定會話的邊界。30分鍾的時段是根據工業界對會話的標準來選擇的（OneClick.com和Nielsen Netranking），其很大程度上基於Catledge和Pitkow對於瀏覽器活動的研究。該研究稱一般Web會話平均長度是25.5分鍾[24]。
　　方法3在使用IP地址和瀏覽器Cookie來決定首次查詢和後續查詢的基礎上，使用瞭上下文方法來識彆會話。上下文描述的會話是基於用戶查詢內容的改變而不是一個基於時間的截斷來決定會話的邊界。根據IP地址、Cookie、查詢內容、反饋特徵和查詢長度，每一個查詢被分到一個非交的組裏。分類是[56]：
　　·輔助：當前查詢是由用於選擇瞭搜索結果頂部的特有選項，稱為您是否要找？查詢。
　　·內容改變：當前查詢是同義的但是關聯著另一個內容集閤。
　　·泛化：當前查詢是和之前的查詢屬於同一個主題（當前查詢和之前的查詢在內容上有重疊）但是針對更加廣泛的信息。
　　·新查詢：當前查詢屬於一個新的主題（和之前的查詢沒有重疊）。
　　·修改：當前查詢和用戶之前的查詢屬於同一個主題（當前查詢和之前的查詢在內容上有重疊），並且它們長度一緻。
　　·具體化：當前查詢和用戶之前的查詢屬於同一個主題（當前查詢和之前的查詢在內容上有重疊），但是針對更加具體的信息。這時往往新的查詢更長（查詢詞更多）。
　　在文獻[56]實證研究錶明方法3（IP地址、Cookie和查詢內容）給齣瞭最好的會話識彆效果，為盡量準確的搜索上下文識彆創造瞭條件。
　　……

前言/序言

　　在過去的20年裏，Web的迅速發展使其成為世界上規模最大的公共數據源。Web挖掘的目標是從Web超鏈接、網頁內容和使用日誌中探尋有用的信息。依據在挖掘過程中使用的數據類彆，Web挖掘任務可以被劃分為3種主要類型：Web結構挖掘、Web內容挖掘和Web使用挖掘。Web結構挖掘從錶徵Web結構的超鏈接中尋找知識。Web內容挖掘從網頁內容中抽取有用的信息和知識。而Web使用挖掘則從使用日誌和其他形式的用戶交互記錄中挖掘用戶的活動模式。從本書在2006年底的第1版發行之後，很多領域已經有瞭重大的進展。大部分的章節都已經添加瞭新的材料來反應這些進展。主要的改動在第11章和第12章中，這兩章已經被重新撰寫並做瞭重要的擴展。在撰寫第1章的時候，觀點挖掘（第11章）的研究仍處於初步階段。從那以後，搜索社區對這個問題已經擁有瞭一個更好的理解並提齣瞭許多新穎的技術來解決問題的各個方麵。為瞭將Web使用挖掘（第12章）的最新進展包含進來，關於推薦係統、協同過濾、用戶日誌挖掘和計算廣告學的話題已經被添加進來。新版比原來長瞭很多。
　　本書旨在講述上述的互聯網數據挖掘任務以及它們的核心挖掘算法；盡可能涵蓋每個話題的廣泛內容，給齣足夠多的細節，以便讀者無須藉助額外的閱讀，即可獲得相對完整的關於算法和技術的知識。其中第5章--監督學習的部分內容、結構化數據的抽取、信息整閤、觀點挖掘和Web使用挖掘--是本書的特色，這些內容在其他書籍中沒有提及，但它們在Web數據挖掘中卻占有非常重要的地位。當然，傳統的Web挖掘主題，如搜索、頁麵爬取和資源探索以及鏈接分析在書中也做瞭詳細描述。
　　本書盡管題為“Web數據挖掘”，但依然涵蓋瞭數據挖掘和信息檢索的核心主題；因為Web挖掘大量使用瞭它們的算法和技術。數據挖掘部分主要由關聯規則和序列模式、監督學習（分類）、無監督學習（聚類）這三大重要的數據挖掘任務，和半監督學習這個相對深入的主題組成。而信息檢索對於Web挖掘而言最重要的核心主題都有所闡述。因此，本書自然的分為兩大部分，第1部分包括第2～5章，介紹數據挖掘的基礎，第2部分包括第6～12章，介紹Web相關的挖掘任務。
　　有兩大指導性原則貫穿本書始末。其一，本書的基礎內容適閤本科生閱讀，但也包括足夠多的深度資料，以滿足打算在Web數據挖掘和相關領域研讀博士學位的研究生。書中對讀者的預備知識幾乎沒有作任何要求，任何對算法和概率知識稍有理解的人都應當能夠順利地讀完本書。其二，本書從實踐的角度來審視Web挖掘的技術。這一點非常重要，因為大多數Web挖掘任務都在現實世界中有所應用。在過去的幾年中，我有幸直接或間接地與許多研究人員和工程人員一起工作，他們來自於多個搜索引擎、電子商務公司，甚至是對在業務中利用Web信息感興趣的傳統公司。在這個過程中，我獲得瞭許多現實世界問題的實踐經曆和第一手知識。我盡量將其中非機密的信息和知識通過本書傳遞給讀者，因此本書能在理論和實踐中有所平衡。我希望本書不僅能夠成為學生的教科書，也能成為Web挖掘研究人員和實踐人員獲取知識、信息、甚至是創新想法的一個有效渠道。
　　緻　 謝
　　在撰寫本書的過程中，許多研究人員都給予我無私的幫助；沒有他們的幫助，這本書也許永遠也無法成為現實。我最深切的感謝要給予Filippo Menczer、Bamshad Mobasher和Olfa Nasraoui，他們熱情地撰寫瞭本書中重要的兩個章節。他們也是相關領域的專傢。Filippo負責Web爬取的整一章，Bamshad和Olfa負責Web使用挖掘這一章的所有片段，除瞭推薦係統那一節，但是他們也提供瞭幫助。我還要感謝Wee Sun Lee（李偉上），他幫助完成第5章的很大一部分。
　　Jian Pei（裴健）幫助撰寫瞭第2章中PrefixSpan算法，並且檢查瞭MS-PS算法。Eduard Dragut幫助撰寫瞭第10章的最後一節，並且多次閱讀並修改這一整章。Yuanlin Zhang對第9章提齣很多意見。Simon Funk、Yehuda Koren、Wee Sun Lee、Jing Peng、Arkadiusz Paterek和Domonkos Tikk對第12章中的推薦係統的撰寫提供瞭幫助。我對他們所有人都有所虧欠。
　　還有許多研究人員以各種方式提供瞭幫助。Yang Dai（戴陽）和Rudy Setiono在支持嚮量機（SVM）上提供幫助。Chris Ding（丁宏強）幫助社交網絡分析。Clement Yu（於德）和ChengXiang Zhai（翟成祥）閱讀瞭第6章。Amy Langville閱讀瞭第7章。Kevin C.-C. Chang（張振川）、Ji-Rong Wen（文繼榮）和Clement Yu（於德）幫助瞭第10章的許多方麵。Justin Zobel幫助理清瞭索引壓縮的許多議題。Ion Muslea幫助理清瞭包裹簡介的一些議題。Divy Agrawal、Yunbo Cao（曹雲波）、Edward Fox、Hang Li（李航）、Xiaoli Li（李曉黎）、Zhaohui Tan、Dell Zhang（張德）和Zijian Zheng幫助檢查瞭各個章節。在此對他們錶示感謝！
　　和許多研究人員的討論也幫助本書成形。這些人包括Amir Ashkenazi、Imran Aziz、 Roberto Bayardo、Shenghua Bao（包勝華）、Roberto Bayardo、Wendell Baker、Ling Bao、Jeffrey Benkler、Brian Davison、AnHai Doan、Byron Dom、Juliana Freire、Michael Gamon、Robert Grossman、Natalie Glance、Jiawei Han（韓傢煒）、Meichun Hsu、Wynne Hsu、Ronny Kohavi、Birgit K?nig、David D. Lewis、Ian McAllister、Wei-Ying Ma（馬維英）、Marco Maggini、Llew Mason、Kamel Nigan、Julian Qian、Yan Qu、Thomas M. Tirpak、Andrew Tomkins、Alexander Tuzhilin、Weimin Xiao、Gu Xu（徐榖）、Philip S. Yu和 Mohammed Zaki、Yuri Zelenkov和Daniel Zeng。
　　我已畢業和在讀的學生們 Gao Cong、Xiaowen Ding、Murthy Ga-napathibhotla、Minqing Hu、Nitin Jindal、Xin Li、Yiming Ma、Arjun Muk-herjee、Quang Qiu（浙江大學的訪問學生）、William Underwood、Yanhong Zhai、Zhongwu Zhai（清華大學的訪問學生）、Lei Zhang和Kaidi Zhao這些年來貢獻瞭非常多的研究思路，而且還檢查瞭很多算法並作齣瞭許多更正。書中的大部分章節已經用在芝加哥大學我的研究生課程裏。我感謝那些在客上實現瞭一些算法的學生。他們的問題幫助我提升並在某些情況下更正瞭算法。在這裏列齣他們所有人的名字不太可能。這裏，我特彆想感謝John Castano、Hari Prasad Divyakotti、Islam Ismailov、Suhyuk Park、Cynthia Kersey、Po-Hsiu Lin、Srikanth Tadikonda、Makio Tamura、 Ravikanth Turlapati、Guillermo Vazquez、Haisheng Wang和Chad Williams指齣瞭文字、例子或算法的錯誤。德保爾大學的Michael Bombyk也找到瞭幾個打字錯誤。
　　與Springer齣版社的員工一起工作是一段令人愉快的經曆。我感謝編輯Ralf Gerstner在2005年初徵詢我對撰寫一本有關Web挖掘的書籍是否感興趣。從那以後，我們一直保持著愉快的閤作經曆。我還要感謝校對Mike Nugent提高瞭本書內容的錶達質量，以及製作編輯Michael Reinfarth引導我順利完成瞭本書的齣版過程。還有兩位匿名評審也給齣不少有見解的評論。伊利諾伊斯大學芝加哥分校計算機科學係對本項目提供瞭計算資源和工作環境的支持。
　　最後，我要感謝我的父母和兄弟姐妹，他們給予我一貫的支持和鼓勵。我將最深刻的感激給予我自己的傢庭成員：Yue、Shelley和Kate。他們也在許多方麵給予支持和幫助。盡管Shelley和Kate還年幼，但他們閱讀瞭本書的絕大部分，並且找齣瞭不少筆誤。我的妻子將傢裏一切事情打理地秩序井然，使我可以將充分的時間和精力花費在這本書上。謹以此書獻給他們！
　　Bing Liu（劉兵）

世界著名計算機教材精選：Web數據挖掘（第2版） [Web Data Mining(Second Edition)] 下載 mobi epub pdf txt 電子書 格式

評分☆☆☆☆☆

講解的很詳細各種算法都有

評分☆☆☆☆☆

比較新。內容實用。比較前沿

評分☆☆☆☆☆

專業必備，正版，脈絡清晰，實例經典

評分☆☆☆☆☆

正品，發貨速度快

評分☆☆☆☆☆

不錯挺滿意的，湊字數

評分☆☆☆☆☆

好好好好好好好阿凡達發

評分☆☆☆☆☆

據朋友說這個應該還可以吧，

評分☆☆☆☆☆

書值得推薦。正版同樣的書比實體店書店和商城便宜

評分☆☆☆☆☆

質量很不錯，要開始好好學習瞭

類似圖書 點擊查看全場最低價