Web數(shù)據(jù)挖掘（第2版）

第1章 概述
1.1 什么是萬維網(wǎng)
1.2 萬維網(wǎng)和互聯(lián)網(wǎng)的歷史簡述
1.3 Web數(shù)據(jù)挖掘
1.3.1 什么是數(shù)據(jù)挖掘
1.3.2 什么是Web數(shù)據(jù)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(shù)據(jù)挖掘基礎
第2章 關聯(lián)規(guī)則和序列模式
2.1 關聯(lián)規(guī)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(lián)規(guī)則生成
2.3 關聯(lián)規(guī)則挖掘的數(shù)據(jù)格式
2.4 多最小支持度的關聯(lián)規(guī)則挖掘
2.4.1 擴展模型
2.4.2 挖掘算法
2.4.3 規(guī)則生成
2.5 分類關聯(lián)規(guī)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(lián)規(guī)則挖掘
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 從序列模式中產(chǎn)生規(guī)則
2.9.1 序列規(guī)則
2.9.2 標簽序列規(guī)則
2.9.3 分類序列規(guī)則
文獻評注
參考文獻
第3章 監(jiān)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(shù)
3.2.3 處理連續(xù)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 受試者工作特征曲線
3.3.4 提升曲線
3.4 規(guī)則歸納
3.4.1 順序化覆蓋
3.4.2 規(guī)則學習：Learn-One-Rule函數(shù)
3.4.3 討論
3.5 基于關聯(lián)規(guī)則的分類
3.5.1 使用類關聯(lián)規(guī)則進行分類
3.5.2 使用類關聯(lián)規(guī)則作為分類屬性
3.5.3 使用古典的關聯(lián)規(guī)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 支持向量機
3.8.1 線性支持向量機：可分的情況
3.8.2 線性支持向量機：數(shù)據(jù)不可分的情況
3.8.3 非線性支持向量機：核方法總結(jié)
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(jiān)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(yōu)勢和劣勢
4.3 聚類的表示
4.3.1 聚類的一般表示方法
4.3.2 任意形狀的聚類
4.4 層次聚類
4.4.1 單連結(jié)方法
4.4.2 全連結(jié)方法
4.4.3 平均連結(jié)方法
4.4.4 優(yōu)勢和劣勢
4.5 距離函數(shù)
4.5.1 數(shù)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(shù)據(jù)標準化
4.7 混合屬性的處理
4.8 采用哪種聚類算法
4.9 聚類的評估
4.10 發(fā)現(xiàn)數(shù)據(jù)區(qū)域和數(shù)據(jù)空洞
文獻評注
參考文獻
第5章 部分監(jiān)督學習
5.1 從已標注數(shù)據(jù)和無標注數(shù)據(jù)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 直推式支持向量機
5.1.5 基于圖的方法
5.1.6 討論
5.2 從正例和無標注數(shù)據(jù)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