世界著名计算机教材精选：Web数据挖掘（第2版） [Web Data Mining(Second Edition)] pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 刘兵 著，俞勇 等 译

图书标签:

• 数据挖掘
• Web数据挖掘
• 网络爬虫
• 信息检索
• 机器学习
• 数据分析
• Python
• 文本挖掘
• 社交网络分析
• 大数据

出版社： 清华大学出版社

ISBN：9787302298700

版次：2

商品编码：11163148

品牌：清华大学

包装：平装

外文名称：Web Data Mining(Second Edition)

开本：16开

出版时间：2013-01-01

用纸：胶版纸

页数：434

字数：702000

正文语种：中文

编辑推荐

　　（1）阐述Web数据挖掘的概念及其核心算法，使读者获得相对完整的关于Web数据挖掘的算法和技术知识。
　　（2）不仅介绍了搜索、页面爬取和资源探索以及链接分析等传统的Web挖掘主题，而且还介绍了结构化数据的抽取、信息整合、观点挖掘和Web使用挖掘等内容。

内容简介

　　

　　过去几十年里，Web的迅速发展使其成为世界上规模的公共数据源。Web挖掘的目标是从Web超链接、网页内容和使用日志中探寻有用的信息。
　　《世界著名计算机教材精选：Web数据挖掘（第2版）》旨在阐述Web数据挖掘的概念及其核心算法，使读者获得相对完整的关于Web数据挖掘的算法和技术知识。本书不仅介绍了搜索、页面爬取和资源探索以及链接分析等传统的Web挖掘主题，而且还介绍了结构化数据的抽取、信息整合、观点挖掘和Web使用挖掘等内容，这些内容在已有书籍中没有提及过，但它们在Web数据挖掘中却占有非常重要的地位。全书分为两大部分：第一部分包括第2章到第5章，介绍数据挖掘的基础，第二部分包括第6章到第12章，介绍Web相关的挖掘任务。从本书自第1版出版之后，很多领域已经有了重大的进展。新版大部分的章节都已经添加了新的材料来反应这些进展，主要的改动在第11章和第12章中，这两章已经被重新撰写并做了重要的扩展。
　　《世界著名计算机教材精选：Web数据挖掘（第2版）》不仅可作为本科生的教科书，也是在Web数据挖掘和相关领域研读博士学位的研究生的重要参考用书，同时对Web挖掘研究人员和实践人员获取知识、信息、甚至是创新想法也很有帮助。

内页插图

目录

第1章 概述
1.1 什么是万维网
1.2 万维网和互联网的历史简述
1.3 Web数据挖掘
1.3.1 什么是数据挖掘
1.3.2 什么是Web数据挖掘
1.4 各章概要
1.5 如何阅读本书
文献评注
参考文献

第1部分 数据挖掘基础
第2章 关联规则和序列模式
2.1 关联规则的基本概念
2.2 Apriori算法
2.2.1 频繁项目集生成
2.2.2 关联规则生成
2.3 关联规则挖掘的数据格式
2.4 多最小支持度的关联规则挖掘
2.4.1 扩展模型
2.4.2 挖掘算法
2.4.3 规则生成
2.5 分类关联规则挖掘
2.5.1 问题描述
2.5.2 挖掘算法
2.5.3 多最小支持度分类关联规则挖掘
2.6 序列模式的基本概念
2.7 基于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 基于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 从序列模式中产生规则
2.9.1 序列规则
2.9.2 标签序列规则
2.9.3 分类序列规则
文献评注
参考文献
第3章 监督学习
3.1 基本概念
3.2 决策树归纳
3.2.1 学习算法
3.2.2 混杂度函数
3.2.3 处理连续属性
3.2.4 其他一些问题
3.3 评估分类器
3.3.1 评估方法
3.3.2 查准率、查全率、F-score和平衡点（Breakeven Point）
3.3.3 受试者工作特征曲线
3.3.4 提升曲线
3.4 规则归纳
3.4.1 顺序化覆盖
3.4.2 规则学习：Learn-One-Rule函数
3.4.3 讨论
3.5 基于关联规则的分类
3.5.1 使用类关联规则进行分类
3.5.2 使用类关联规则作为分类属性
3.5.3 使用古典的关联规则分类
3.6 朴素贝叶斯分类
3.7 朴素贝叶斯文本分类
3.7.1 概率框架
3.7.2 朴素贝叶斯模型
3.7.3 讨论
3.8 支持向量机
3.8.1 线性支持向量机：可分的情况
3.8.2 线性支持向量机：数据不可分的情况
3.8.3 非线性支持向量机：核方法总结
3.9 A、近邻学习
3.10 分类器的集成
3.10.1 Bagging
3.10.2 Boosting
文献评注
参考文献
第4章 无监督学习
4.1 基本概念
4.2 A-均值聚类
4.2.1 A-均值算法
4.2.2 A-均值算法的硬盘版本
4.2.3 优势和劣势
4.3 聚类的表示
4.3.1 聚类的一般表示方法
4.3.2 任意形状的聚类
4.4 层次聚类
4.4.1 单连结方法
4.4.2 全连结方法
4.4.3 平均连结方法
4.4.4 优势和劣势
4.5 距离函数
4.5.1 数字属性
4.5.2 布尔属性和名词性属性
4.5.3 文本文档
4.6 数据标准化
4.7 混合属性的处理
4.8 采用哪种聚类算法
4.9 聚类的评估
4.10 发现数据区域和数据空洞
文献评注
参考文献
第5章 部分监督学习
5.1 从已标注数据和无标注数据中学习
5.1.1 使用朴素贝叶斯分类器的EM算法
5.1.2 Co-naining
5.1.3 自学习
5.1.4 直推式支持向量机
5.1.5 基于图的方法
5.1.6 讨论
5.2 从正例和无标注数据中学习
5.2.1 PU学习的应用
5.2.2 理论基础
5.2.3 建立分类器：两步方法
5.2.4 建立分类器：偏置SVM
5.2.5 建立分类器：概率估计
5.2.6 讨论
……
第2部分 Web挖掘

精彩书摘

　　方法1定义会话为用户首次搜索到事务日志中记录的最后一次搜索这一段时间。用户的IP地址以及浏览器cookie被用来确定首次查询和后续查询，来估计会话长度。会话长度定义为用户首次查询的时间点到该用户和搜索引擎的最后一次交互的时间点的时段。IP地址或者Cookie的一次改变总会开启一个新会话。
　　方法2使用用户IP地址和浏览器Cookie来决定首次查询和后续查询。但是，这里使用了一个相邻交互间最大长度为30分钟的规则来决定会话的边界。30分钟的时段是根据工业界对会话的标准来选择的（OneClick.com和Nielsen Netranking），其很大程度上基于Catledge和Pitkow对于浏览器活动的研究。该研究称一般Web会话平均长度是25.5分钟[24]。
　　方法3在使用IP地址和浏览器Cookie来决定首次查询和后续查询的基础上，使用了上下文方法来识别会话。上下文描述的会话是基于用户查询内容的改变而不是一个基于时间的截断来决定会话的边界。根据IP地址、Cookie、查询内容、反馈特征和查询长度，每一个查询被分到一个非交的组里。分类是[56]：
　　·辅助：当前查询是由用于选择了搜索结果顶部的特有选项，称为您是否要找？查询。
　　·内容改变：当前查询是同义的但是关联着另一个内容集合。
　　·泛化：当前查询是和之前的查询属于同一个主题（当前查询和之前的查询在内容上有重叠）但是针对更加广泛的信息。
　　·新查询：当前查询属于一个新的主题（和之前的查询没有重叠）。
　　·修改：当前查询和用户之前的查询属于同一个主题（当前查询和之前的查询在内容上有重叠），并且它们长度一致。
　　·具体化：当前查询和用户之前的查询属于同一个主题（当前查询和之前的查询在内容上有重叠），但是针对更加具体的信息。这时往往新的查询更长（查询词更多）。
　　在文献[56]实证研究表明方法3（IP地址、Cookie和查询内容）给出了最好的会话识别效果，为尽量准确的搜索上下文识别创造了条件。
　　……

前言/序言

　　在过去的20年里，Web的迅速发展使其成为世界上规模最大的公共数据源。Web挖掘的目标是从Web超链接、网页内容和使用日志中探寻有用的信息。依据在挖掘过程中使用的数据类别，Web挖掘任务可以被划分为3种主要类型：Web结构挖掘、Web内容挖掘和Web使用挖掘。Web结构挖掘从表征Web结构的超链接中寻找知识。Web内容挖掘从网页内容中抽取有用的信息和知识。而Web使用挖掘则从使用日志和其他形式的用户交互记录中挖掘用户的活动模式。从本书在2006年底的第1版发行之后，很多领域已经有了重大的进展。大部分的章节都已经添加了新的材料来反应这些进展。主要的改动在第11章和第12章中，这两章已经被重新撰写并做了重要的扩展。在撰写第1章的时候，观点挖掘（第11章）的研究仍处于初步阶段。从那以后，搜索社区对这个问题已经拥有了一个更好的理解并提出了许多新颖的技术来解决问题的各个方面。为了将Web使用挖掘（第12章）的最新进展包含进来，关于推荐系统、协同过滤、用户日志挖掘和计算广告学的话题已经被添加进来。新版比原来长了很多。
　　本书旨在讲述上述的互联网数据挖掘任务以及它们的核心挖掘算法；尽可能涵盖每个话题的广泛内容，给出足够多的细节，以便读者无须借助额外的阅读，即可获得相对完整的关于算法和技术的知识。其中第5章--监督学习的部分内容、结构化数据的抽取、信息整合、观点挖掘和Web使用挖掘--是本书的特色，这些内容在其他书籍中没有提及，但它们在Web数据挖掘中却占有非常重要的地位。当然，传统的Web挖掘主题，如搜索、页面爬取和资源探索以及链接分析在书中也做了详细描述。
　　本书尽管题为“Web数据挖掘”，但依然涵盖了数据挖掘和信息检索的核心主题；因为Web挖掘大量使用了它们的算法和技术。数据挖掘部分主要由关联规则和序列模式、监督学习（分类）、无监督学习（聚类）这三大重要的数据挖掘任务，和半监督学习这个相对深入的主题组成。而信息检索对于Web挖掘而言最重要的核心主题都有所阐述。因此，本书自然的分为两大部分，第1部分包括第2～5章，介绍数据挖掘的基础，第2部分包括第6～12章，介绍Web相关的挖掘任务。
　　有两大指导性原则贯穿本书始末。其一，本书的基础内容适合本科生阅读，但也包括足够多的深度资料，以满足打算在Web数据挖掘和相关领域研读博士学位的研究生。书中对读者的预备知识几乎没有作任何要求，任何对算法和概率知识稍有理解的人都应当能够顺利地读完本书。其二，本书从实践的角度来审视Web挖掘的技术。这一点非常重要，因为大多数Web挖掘任务都在现实世界中有所应用。在过去的几年中，我有幸直接或间接地与许多研究人员和工程人员一起工作，他们来自于多个搜索引擎、电子商务公司，甚至是对在业务中利用Web信息感兴趣的传统公司。在这个过程中，我获得了许多现实世界问题的实践经历和第一手知识。我尽量将其中非机密的信息和知识通过本书传递给读者，因此本书能在理论和实践中有所平衡。我希望本书不仅能够成为学生的教科书，也能成为Web挖掘研究人员和实践人员获取知识、信息、甚至是创新想法的一个有效渠道。
　　致　 谢
　　在撰写本书的过程中，许多研究人员都给予我无私的帮助；没有他们的帮助，这本书也许永远也无法成为现实。我最深切的感谢要给予Filippo Menczer、Bamshad Mobasher和Olfa Nasraoui，他们热情地撰写了本书中重要的两个章节。他们也是相关领域的专家。Filippo负责Web爬取的整一章，Bamshad和Olfa负责Web使用挖掘这一章的所有片段，除了推荐系统那一节，但是他们也提供了帮助。我还要感谢Wee Sun Lee（李伟上），他帮助完成第5章的很大一部分。
　　Jian Pei（裴健）帮助撰写了第2章中PrefixSpan算法，并且检查了MS-PS算法。Eduard Dragut帮助撰写了第10章的最后一节，并且多次阅读并修改这一整章。Yuanlin Zhang对第9章提出很多意见。Simon Funk、Yehuda Koren、Wee Sun Lee、Jing Peng、Arkadiusz Paterek和Domonkos Tikk对第12章中的推荐系统的撰写提供了帮助。我对他们所有人都有所亏欠。
　　还有许多研究人员以各种方式提供了帮助。Yang Dai（戴阳）和Rudy Setiono在支持向量机（SVM）上提供帮助。Chris Ding（丁宏强）帮助社交网络分析。Clement Yu（于德）和ChengXiang Zhai（翟成祥）阅读了第6章。Amy Langville阅读了第7章。Kevin C.-C. Chang（张振川）、Ji-Rong Wen（文继荣）和Clement Yu（于德）帮助了第10章的许多方面。Justin Zobel帮助理清了索引压缩的许多议题。Ion Muslea帮助理清了包裹简介的一些议题。Divy Agrawal、Yunbo Cao（曹云波）、Edward Fox、Hang Li（李航）、Xiaoli Li（李晓黎）、Zhaohui Tan、Dell Zhang（张德）和Zijian Zheng帮助检查了各个章节。在此对他们表示感谢！
　　和许多研究人员的讨论也帮助本书成形。这些人包括Amir Ashkenazi、Imran Aziz、 Roberto Bayardo、Shenghua Bao（包胜华）、Roberto Bayardo、Wendell Baker、Ling Bao、Jeffrey Benkler、Brian Davison、AnHai Doan、Byron Dom、Juliana Freire、Michael Gamon、Robert Grossman、Natalie Glance、Jiawei Han（韩家炜）、Meichun Hsu、Wynne Hsu、Ronny Kohavi、Birgit K?nig、David D. Lewis、Ian McAllister、Wei-Ying Ma（马维英）、Marco Maggini、Llew Mason、Kamel Nigan、Julian Qian、Yan Qu、Thomas M. Tirpak、Andrew Tomkins、Alexander Tuzhilin、Weimin Xiao、Gu Xu（徐谷）、Philip S. Yu和 Mohammed Zaki、Yuri Zelenkov和Daniel Zeng。
　　我已毕业和在读的学生们 Gao Cong、Xiaowen Ding、Murthy Ga-napathibhotla、Minqing Hu、Nitin Jindal、Xin Li、Yiming Ma、Arjun Muk-herjee、Quang Qiu（浙江大学的访问学生）、William Underwood、Yanhong Zhai、Zhongwu Zhai（清华大学的访问学生）、Lei Zhang和Kaidi Zhao这些年来贡献了非常多的研究思路，而且还检查了很多算法并作出了许多更正。书中的大部分章节已经用在芝加哥大学我的研究生课程里。我感谢那些在客上实现了一些算法的学生。他们的问题帮助我提升并在某些情况下更正了算法。在这里列出他们所有人的名字不太可能。这里，我特别想感谢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指出了文字、例子或算法的错误。德保尔大学的Michael Bombyk也找到了几个打字错误。
　　与Springer出版社的员工一起工作是一段令人愉快的经历。我感谢编辑Ralf Gerstner在2005年初征询我对撰写一本有关Web挖掘的书籍是否感兴趣。从那以后，我们一直保持着愉快的合作经历。我还要感谢校对Mike Nugent提高了本书内容的表达质量，以及制作编辑Michael Reinfarth引导我顺利完成了本书的出版过程。还有两位匿名评审也给出不少有见解的评论。伊利诺伊斯大学芝加哥分校计算机科学系对本项目提供了计算资源和工作环境的支持。
　　最后，我要感谢我的父母和兄弟姐妹，他们给予我一贯的支持和鼓励。我将最深刻的感激给予我自己的家庭成员：Yue、Shelley和Kate。他们也在许多方面给予支持和帮助。尽管Shelley和Kate还年幼，但他们阅读了本书的绝大部分，并且找出了不少笔误。我的妻子将家里一切事情打理地秩序井然，使我可以将充分的时间和精力花费在这本书上。谨以此书献给他们！
　　Bing Liu（刘兵）

评分☆☆☆☆☆

养老金拿去炒股了吗？

评分☆☆☆☆☆

不错

评分☆☆☆☆☆

根据国际经验，资本市场和社会保障互惠互利、共同促进的效果往往非常显著。一些发达国家养老金中有相当比例投资股票，养老金在股市中发挥着中流砥柱的作用，成为股市的稳定器，推动资本市场的健康发展。

评分☆☆☆☆☆

评分☆☆☆☆☆

挺好的，便宜。。。。啦啦啦

评分☆☆☆☆☆

叹息过很多，我也感慨过很多。好像这薄薄的纸页已经无法装载这么沉重的情感。

评分☆☆☆☆☆

好书，经典教材，不许过多评价

评分☆☆☆☆☆

我喜欢这本书~前天，吃完午饭，趁手头工作不多，便给朋友发了条短信，这次等了半个小时，却依旧没有朋友的回信。我开始坐立不安，记得不久的过去，就算她忙，她总会在半小时内回他的呀！他怀疑难道是自己昨天没发短信给她她生气了？两小时后信息回来，告诉我要到京东帮他买书，如果不买或者两天收不到书就分手！，我靠，没有办法，我就来京东买书了。没有想到书到得真快。书很好是正版的，包装一般，书角有点压坏，还好不影响什么，质量很好，发货速度很快，两天就收到了，书的内容确实很实用，这些天忘记回老家拿书了，家里人帮忙收到这本书，很早就收到了。好了，我现在来说说这本书的观感吧，坐得冷板凳，耐得清寂夜，是为学之根本；独处不寂寞，游走自在乐，是为人之良质。潜心学问，风姿初显。喜爱独处，以窥视内心，反观自我；砥砺思想，磨砺意志。学与诗，文与思；青春之神思飞扬与学问之静寂孤独本是一种应该的、美好的平衡。在中国传统文人那里，诗人性情，学者本分，一脉相承久矣。现在讲究“术业有专攻”，分界逐渐明确，诗与学渐离渐远。此脉悬若一线，惜乎。我青年游历治学，晚年回首成书，记忆清新如初，景物历历如昨。挥发诗人情怀，摹写学者本分，意足矣，足已矣。现在，京东域名正式更换为JDCOM。其中的“JD”是京东汉语拼音（JING DON|G）首字母组合。从此，您不用再特意记忆京东的域名，也无需先搜索再点击，只要在浏览器输入JD.COM，即可方便快捷地访问京东，实现轻松购物。名为“Joy”的京东吉祥物我很喜欢，TA承载着京东对我们的承诺和努力。狗以对主人忠诚而著称，同时也拥有正直的品行，和快捷的奔跑速度。太喜爱京东了。|好了，现在给大家介绍两本好书：一、致我们终将逝去的青春。青春逝去，不必感伤，不必回首。或许他们早该明白，世上已没有了小飞龙，而她奋不顾身爱过的那个清高孤傲的少年，也早已死于从前的青春岁月。现在相对而坐的是郑微和陈孝正，是郑秘书和陈助理是日渐消磨的人间里两个不相干的凡俗男女，犹如一首歌停在了最酣畅的时候，未尝不是好事，而他们太过贪婪固执地以为可以再唱下去才知道后来的曲调是这样不堪。青春就是用来追忆的，所以作者写的故事是来纪念。不是感伤懊悔，而是最好的纪念。道别的何止是最纯真的一段唯美， 而是我曾经无往不胜的天真青春啊。请允许吧，那时的少年，尽情言情。一直言情，不要去打扰他们，他们总有一天会醒来。告别青春，因为青春，终将逝去。陪你梦一场又何妨。二、写不尽的儿女情长，说不完的地老天荒，最恢宏的画卷，最动人的故事，最浩大的恩怨，最纠结的爱恨，尽在桐华《长相思》。推荐1：《长相思》是桐华潜心三年创作的新作，将虐心和争斗写到了极致。全新的人物故事，不变的感动、虐心。推荐2：每个人在爱情中都有或长或短的爱而不得的经历。暗恋是一种爱而不得，失恋是一种爱而不得，正在相恋时，也会爱而不得，有时候，是空间的距离，有时候，却是心灵的距离。纵然两人手拉手，可心若有了距离，依旧是爱而不得。这样的情绪跨越了古今，是一种情感的共鸣。推荐3：唯美装帧，品质超越同类书，超值回馈读者。《长相思》从策划到完成装帧远远领先目前市场上同类书，秉承了桐华一贯出产精品的风格，将唯美精致做到极致，整体装帧精致唯美，绝对值得珍藏。京东有卖。

评分☆☆☆☆☆

不错，学习。。。。。