滿額折
海量文本數據的多維挖掘（簡體書）
相關商品
商品簡介
名人/編輯推薦
目次
商品簡介
本書由國際數據挖掘領域泰斗、UIUC韓家瑋教授和其學生張超博士(現為佐治亞理工學院助理教授)合著。介紹了將非結構化文本數據轉換為多維知識的數據挖掘技術，並講解了他們開發的文本多維數據集框架的原理和使用方法。
名人/編輯推薦
由國際數據挖掘領域泰斗韓家瑋教授和佐治亞理工學院助理教授張超博士合著的多維數據挖掘著作
目次
譯者序
作者簡介
譯者簡介
第1章 引言 1
1.1 概述 1
1.2 主要部分 3
1.2.1 第一部分：立方體構造 3
1.2.2 第二部分：立方體開發 5
1.2.3 示例應用 5
1.3 技術路線 6
1.3.1 任務1：分類器生成 7
1.3.2 任務2：文檔分配 8
1.3.3 任務3：多維摘要 8
1.3.4 任務4：跨維度預測 9
1.3.5 任務5：異常事件檢測 9
1.3.6 小結 9
1.4 本書大綱 10
第一部分 立方體構造算法
第2章 主題級分類器生成 12
2.1 概述 12
2.2 相關工作 15
2.2.1 監督分類器學習 15
2.2.2 基於模式的提取 15
2.2.3 基於聚類的分類器構建 16
2.3 準備工作 17
2.3.1 問題定義 17
2.3.2 方法概述 17
2.4 自適應詞聚類 18
2.4.1 劃分主題的球形聚類 18
2.4.2 識別代表性詞語 20
2.5 自適應詞嵌入 21
2.5.1 分布式詞語表示 21
2.5.2 學習局部詞嵌入 21
2.6 實驗評估 22
2.6.1 實驗設計 22
2.6.2 定性結果 24
2.6.3 定量分析 27
2.7 小結 29
第3章 詞語級分類器生成 30
3.1 概述 30
3.2 相關工作 32
3.3 問題定義 33
3.4 HiExpan框架 33
3.4.1 框架概述 33
3.4.2 關鍵詞提取 34
3.4.3 層次樹擴展 34
3.4.4 分類器全域優化 41
3.5 實驗 42
3.5.1 實驗設計 42
3.5.2 定性結果 43
3.5.3 定量結果 44
3.6 小結 47
第4章 弱監督文本分類 48
4.1 概述 48
4.2 相關工作 51
4.2.1 潛在變量模型 51
4.2.2 基於嵌入的模型 51
4.3 準備工作 52
4.3.1 問題定義 52
4.3.2 方法概述 53
4.4 偽文檔生成 53
4.4.1 建模類分佈 53
4.4.2 生成偽文檔 55
4.5 自訓練的神經模型 56
4.5.1 神經模型預訓練 56
4.5.2 神經模型自訓練 57
4.5.3 基於CNN和RNN的實例化 58
4.6 實驗 59
4.6.1 數據集 59
4.6.2 基線 59
4.6.3 實驗設計 60
4.6.4 實驗結果 61
4.6.5 參數研究 65
4.6.6 案例研究 67
4.7 小結 68
第5章 弱監督層次文本分類 69
5.1 概述 69
5.2 相關工作 71
5.2.1 弱監督文本分類 71
5.2.2 層次文本分類 71
5.3 問題定義 72
5.4 偽文檔生成 72
5.5 層次分類模型 74
5.5.1 局部分類器預訓練 75
5.5.2 全域分類器自訓練 75
5.5.3 阻斷機制 77
5.5.4 推導 77
5.5.5 算法概述 77
5.6 實驗 78
5.6.1 實驗設計 78
5.6.2 定量比較 80
5.6.3 組件評估 82
5.7 小結 84
第二部分 立方體開發算法
第6章 多維摘要 86
6.1 概述 86
6.2 相關工作 89
6.3 準備工作 90
6.3.1 文本立方體準備 90
6.3.2 問題定義 91
6.4 排名度量 91
6.4.1 普遍性和完整性 92
6.4.2 鄰域敏感的獨特性 92
6.5 RepPhrase方法 96
6.5.1 簡介 96
6.5.2 混合離線物化 97
6.5.3 最優在線處理 100
6.6 實驗 101
6.6.1 實驗設計 101
6.6.2 有效性評估 103
6.6.3 效率評估 107
6.7 小結 111
第7章 立方體空間中的跨維度預測 112
7.1 概述 112
7.2 相關工作 114
7.3 準備工作 115
7.3.1 問題描述 115
7.3.2 方法概述 115
7.4 半監督多模態嵌入 117
7.4.1 無監督重構任務 117
7.4.2 監督分類任務 119
7.4.3 優化程序 119
7.5 多模態嵌入的在線更新 120
7.5.1 生命衰減學習 120
7.5.2 基於約束的學習 121
7.5.3 複雜度分析 124
7.6 實驗 124
7.6.1 實驗設計 124
7.6.2 定量比較 127
7.6.3 案例研究 129
7.6.4 參數影響 132
7.6.5 下游應用 134
7.7 小結 135
第8章 立方體空間中的事件檢測 136
8.1 概述 136
8.2 相關工作 138
8.2.1 突發事件檢測 138
8.2.2 時空事件檢測 139
8.3 準備工作 140
8.3.1 問題定義 140
8.3.2 方法概述 140
8.3.3 多模態嵌入 142
8.4 候選生成 143
8.4.1 貝葉斯混合聚類模型 144
8.4.2 參數評估 145
8.5 候選分類 146
8.5.1 多模態嵌入的特徵推導 146
8.5.2 分類過程 147
8.6 支持持續的事件檢測 147
8.7 複雜度分析 148
8.8 實驗 148
8.8.1 實驗設計 148
8.8.2 定性結果 150
8.8.3 定量結果 153
8.8.4 可擴展性研究 154
8.8.5 特徵的重要性 155
8.9 小結 156
第9章 結論 157
9.1 總結 157
9.2 未來工作 158
參考文獻 160
作者簡介
譯者簡介
第1章 引言 1
1.1 概述 1
1.2 主要部分 3
1.2.1 第一部分：立方體構造 3
1.2.2 第二部分：立方體開發 5
1.2.3 示例應用 5
1.3 技術路線 6
1.3.1 任務1：分類器生成 7
1.3.2 任務2：文檔分配 8
1.3.3 任務3：多維摘要 8
1.3.4 任務4：跨維度預測 9
1.3.5 任務5：異常事件檢測 9
1.3.6 小結 9
1.4 本書大綱 10
第一部分 立方體構造算法
第2章 主題級分類器生成 12
2.1 概述 12
2.2 相關工作 15
2.2.1 監督分類器學習 15
2.2.2 基於模式的提取 15
2.2.3 基於聚類的分類器構建 16
2.3 準備工作 17
2.3.1 問題定義 17
2.3.2 方法概述 17
2.4 自適應詞聚類 18
2.4.1 劃分主題的球形聚類 18
2.4.2 識別代表性詞語 20
2.5 自適應詞嵌入 21
2.5.1 分布式詞語表示 21
2.5.2 學習局部詞嵌入 21
2.6 實驗評估 22
2.6.1 實驗設計 22
2.6.2 定性結果 24
2.6.3 定量分析 27
2.7 小結 29
第3章 詞語級分類器生成 30
3.1 概述 30
3.2 相關工作 32
3.3 問題定義 33
3.4 HiExpan框架 33
3.4.1 框架概述 33
3.4.2 關鍵詞提取 34
3.4.3 層次樹擴展 34
3.4.4 分類器全域優化 41
3.5 實驗 42
3.5.1 實驗設計 42
3.5.2 定性結果 43
3.5.3 定量結果 44
3.6 小結 47
第4章 弱監督文本分類 48
4.1 概述 48
4.2 相關工作 51
4.2.1 潛在變量模型 51
4.2.2 基於嵌入的模型 51
4.3 準備工作 52
4.3.1 問題定義 52
4.3.2 方法概述 53
4.4 偽文檔生成 53
4.4.1 建模類分佈 53
4.4.2 生成偽文檔 55
4.5 自訓練的神經模型 56
4.5.1 神經模型預訓練 56
4.5.2 神經模型自訓練 57
4.5.3 基於CNN和RNN的實例化 58
4.6 實驗 59
4.6.1 數據集 59
4.6.2 基線 59
4.6.3 實驗設計 60
4.6.4 實驗結果 61
4.6.5 參數研究 65
4.6.6 案例研究 67
4.7 小結 68
第5章 弱監督層次文本分類 69
5.1 概述 69
5.2 相關工作 71
5.2.1 弱監督文本分類 71
5.2.2 層次文本分類 71
5.3 問題定義 72
5.4 偽文檔生成 72
5.5 層次分類模型 74
5.5.1 局部分類器預訓練 75
5.5.2 全域分類器自訓練 75
5.5.3 阻斷機制 77
5.5.4 推導 77
5.5.5 算法概述 77
5.6 實驗 78
5.6.1 實驗設計 78
5.6.2 定量比較 80
5.6.3 組件評估 82
5.7 小結 84
第二部分 立方體開發算法
第6章 多維摘要 86
6.1 概述 86
6.2 相關工作 89
6.3 準備工作 90
6.3.1 文本立方體準備 90
6.3.2 問題定義 91
6.4 排名度量 91
6.4.1 普遍性和完整性 92
6.4.2 鄰域敏感的獨特性 92
6.5 RepPhrase方法 96
6.5.1 簡介 96
6.5.2 混合離線物化 97
6.5.3 最優在線處理 100
6.6 實驗 101
6.6.1 實驗設計 101
6.6.2 有效性評估 103
6.6.3 效率評估 107
6.7 小結 111
第7章 立方體空間中的跨維度預測 112
7.1 概述 112
7.2 相關工作 114
7.3 準備工作 115
7.3.1 問題描述 115
7.3.2 方法概述 115
7.4 半監督多模態嵌入 117
7.4.1 無監督重構任務 117
7.4.2 監督分類任務 119
7.4.3 優化程序 119
7.5 多模態嵌入的在線更新 120
7.5.1 生命衰減學習 120
7.5.2 基於約束的學習 121
7.5.3 複雜度分析 124
7.6 實驗 124
7.6.1 實驗設計 124
7.6.2 定量比較 127
7.6.3 案例研究 129
7.6.4 參數影響 132
7.6.5 下游應用 134
7.7 小結 135
第8章 立方體空間中的事件檢測 136
8.1 概述 136
8.2 相關工作 138
8.2.1 突發事件檢測 138
8.2.2 時空事件檢測 139
8.3 準備工作 140
8.3.1 問題定義 140
8.3.2 方法概述 140
8.3.3 多模態嵌入 142
8.4 候選生成 143
8.4.1 貝葉斯混合聚類模型 144
8.4.2 參數評估 145
8.5 候選分類 146
8.5.1 多模態嵌入的特徵推導 146
8.5.2 分類過程 147
8.6 支持持續的事件檢測 147
8.7 複雜度分析 148
8.8 實驗 148
8.8.1 實驗設計 148
8.8.2 定性結果 150
8.8.3 定量結果 153
8.8.4 可擴展性研究 154
8.8.5 特徵的重要性 155
8.9 小結 156
第9章 結論 157
9.1 總結 157
9.2 未來工作 158
參考文獻 160
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。