Web数据挖掘(第二版)

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*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*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*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*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 Bagging3.10.2 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-naining5.1.3 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SVM5.2.5 建立分类器：概率估计5.2.6 讨论…… 第2部分 Web挖掘