![世界著名计算机教材精选：Web数据挖掘（第2版） [Web Data Mining(Second Edition)]](https://pic.windowsfront.com/11163148/rBEHaFD2I7oIAAAAAAm66xx-udgAADpJQFZ66EACbsD815.jpg)
具体描述
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）
用户评价
作为一名在互联网公司工作多年的产品经理，我深知数据的重要性。尤其是对于Web产品来说，用户的行为数据是理解用户、优化产品、驱动增长的核心。虽然我并非技术出身，但我一直对如何从海量的Web数据中提取有价值的信息抱有浓厚的兴趣。《Web数据挖掘（第2版）》这本教材，在我的书单里已经存放了很久。我之所以犹豫未决，是因为我担心过于技术性的内容会让我难以理解，但同时我又渴望获得更深层次的知识。从它精选的篇目来看，它似乎能够很好地平衡理论与实践，用相对易懂的方式解释复杂的算法和模型。我尤其期待书中对“文本情感分析”和“用户意见挖掘”的探讨。在产品迭代和用户反馈分析中，如何快速、准确地把握用户的情绪和需求，是至关重要的。书中关于社交媒体数据挖掘的部分，也让我看到了将这些技术应用于实际产品场景的可能性。
评分一直以来，我都在寻找一本能够系统性地梳理Web数据挖掘领域知识的书籍，特别是那种能兼顾理论深度和实践指导的。我翻阅过不少相关的文献和一些零散的教程，但总觉得它们要么过于学术化，要么又流于表面，难以形成完整的知识体系。直到我偶然看到了这本《Web数据挖掘（第2版）》，才仿佛抓住了救命稻草。虽然我还没有来得及深入阅读，但仅从目录和前言来看，它似乎就涵盖了我一直以来所期待的内容。从基础的网页获取、文本预处理，到高级的关联规则挖掘、分类和聚类，再到用户行为分析和推荐系统，这些都是我对Web数据挖掘的核心兴趣点。我特别期待书中在“信息检索与文本挖掘”这一章中，能够有对各种文本表示方法（如TF-IDF、词袋模型）以及主题模型（如LDA）的详尽介绍。同时，书中关于“网络链接分析”的部分，我也希望能够深入了解PageRank算法的原理和变种，以及如何利用链接结构来评估网页的重要性。此外，书中提到的一些案例分析和实践技巧，也让我对它充满期待，希望能通过这些内容，将理论知识转化为解决实际问题的能力。
评分我对新兴技术的学习一直保持着敏锐的嗅觉，而Web数据挖掘无疑是当前最具潜力和价值的领域之一。我之前接触过一些关于机器学习和数据挖掘的入门课程，但对于如何在Web环境中应用这些技术，还存在不少疑问。《Web数据挖掘（第2版）》这本书，我了解到它是一本非常经典且权威的著作，在业界享有盛誉。我希望通过阅读这本书，能够系统地了解Web数据挖掘的整个生命周期，包括数据采集、预处理、特征工程、模型选择和评估等关键环节。我特别关注书中对于“大规模数据处理”和“实时数据挖掘”方面的讲解，因为在实际的Web应用场景中，数据的规模和处理速度往往是巨大的挑战。我对书中是否会介绍分布式计算框架（如Hadoop、Spark）在Web数据挖掘中的应用，以及如何构建高效的在线挖掘系统，充满了期待。
评分我是一名刚刚接触数据科学不久的学生，对Web数据挖掘充满了好奇。我听过一些相关的讲座，也尝试过一些简单的爬虫项目，但总感觉自己处于一个非常初级的阶段，知识点零散，缺乏系统性的指导。在网上搜索相关书籍时，我被《Web数据挖掘（第2版）》的介绍深深吸引。它不仅提供了清晰的理论框架，还强调了实际应用，这正是我目前最需要的。我最感兴趣的是书中关于“挖掘用户行为模式”的部分。我一直想了解，我们每天在互联网上留下的足迹，是如何被用来分析我们的兴趣、习惯，甚至是预测我们下一步的行为的。书中提到了一些关于用户画像、会话分析的术语，让我对这些概念充满了期待。此外，我特别关注书中是否会详细讲解如何构建和优化推荐系统，因为这是我对Web数据挖掘最直接的应用想象。我希望这本书能帮助我理解，那些看似“懂我”的推荐算法背后，究竟是如何运作的。
评分作为一个对信息科学和互联网技术充满热情的独立研究者，我一直在寻找能够深化我对Web数据背后逻辑理解的读物。《Web数据挖掘（第2版）》这本书，我关注它已久，并且非常期待它能成为我的知识宝库。我尤其被它提及的“网页结构分析”和“语义分析”的潜力所吸引。我希望书中能够深入剖析网页的HTML、XML结构如何被解析和利用，以及如何通过自然语言处理技术来理解网页内容的深层含义。我关注它是否会涉及如何从非结构化的网页数据中提取结构化信息，以及如何利用本体论或知识图谱等技术来增强Web数据的可理解性。另外，我对书中是否会探讨Web数据挖掘在搜索引擎优化（SEO）、反作弊机制以及网络安全等领域的应用，也抱有极大的兴趣。我期待这本书能够为我提供一个宏观的视角，让我能看到Web数据挖掘在更广阔的互联网生态系统中的作用。
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。
评分挺好的，很实用
评分好多都是学生翻译的，对照原版看会更好！
评分本书尽管题为“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。
评分商品印刷质量很好，送货速度快，值得拥有！
评分根据这份条例，全国社保基金的投资严格遵守比例限制，例如股票投资不高于４０％，股权投资不高于１０％，海外投资不高于２０％等，这些硬规定都是着眼于基金安全。
评分在我们的中小学教育中，“爱的教育”这四个字，说来容易，做起来又何其难！在教育的整体认识上，作为一个完整教育过程的学校教育，它永远不是也不可能是以儿童为目的的，它首先考虑的是现实社会中各种矛盾的存在和社会本身的发展，是一代代的儿童将成长为什么样的人的问题。在这一点上，教育不仅仅是自由的，也是强制的。集体教学的形式 一经奠定，所谓“因材施教”只能是一个需要不断努力的目标。
评分在我们的中小学教育中，“爱的教育”这四个字，说来容易，做起来又何其难！在教育的整体认识上，作为一个完整教育过程的学校教育，它永远不是也不可能是以儿童为目的的，它首先考虑的是现实社会中各种矛盾的存在和社会本身的发展，是一代代的儿童将成长为什么样的人的问题。在这一点上，教育不仅仅是自由的，也是强制的。集体教学的形式 一经奠定，所谓“因材施教”只能是一个需要不断努力的目标。
评分书是好书，可是为什么有很多印刷错误呢？？ 出版社仔细勘校了吗？？
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等，本站所有链接都为正版商品购买链接。
© 2026 windowsfront.com All Rights Reserved. 静流书站 版权所有