大数据视角下的观点挖掘PDF|Epub|txt|kindle电子书版本网盘下载

大数据视角下的观点挖掘PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一章 导论1

第一节 观点挖掘：研究的兴起1

第二节 从小数据到大数据：观点挖掘所面临的挑战4

第三节 大数据环境下的规模跨度问题6

一 潜在语义索引方法6

二 佩奇排名方法7

三 映射／规约架构8

四 SQL与Hadoop相结合的方法9

第四节 大数据环境下的领域跨度问题10

一 共同特征选择10

二 目标领域文档选择11

三 查询词扩充11

四 迁移学习12

第五节 大数据环境下的语言跨度问题13

一 多语词典构建14

二 语料库对齐15

三 用户反馈和用户行为16

四 领域知识库对齐17

第六节 本章结语18

第二章 大数据环境下的观点挖掘研究方法19

第一节 观点挖掘的形式化定义与研究思路19

第二节 多领域多语言网络评论的下载22

第三节 评论的过滤与分类23

第四节 产品名称和产品属性识别25

一 关联规则法25

二 点互信息法26

三 概率潜在语义分析法27

四 潜在狄利克雷分布法27

五 相关主题模型法28

六 最大熵原理法29

第五节 观点极性判断30

一 基于WordNet的方法31

二 基于连接词的方法32

三 基于点互信息的方法32

四 松弛标记法33

五 条件随机场法34

第六节 领域跨度下的观点挖掘35

第七节 语言跨度下的观点挖掘37

第八节 规模跨度下的观点挖掘38

第九节 观点摘要、主题分析与可视化展示41

第十节 本章结语42

第三章 虚假评论识别44

第一节 虚假评论识别的意义44

第二节 虚假评论识别的相关研究47

第三节 虚假评论识别的行为指标体系51

一 评论个人行为的指标体系52

二 评论者群体行为的指标体系54

三 商家行为的指标体系55

第四节 虚假评论识别的主体关系建模56

一 商户—个人（M-U）关系模型57

二 个人—群体（U-G）关系模型58

三 群体—商家（G-M）关系模型58

四 虚假度迭代流程59

第五节 虚假评论识别的实证研究60

一 实验数据60

二 参数确定及有效性评估60

三 实验分析64

四 与其他方法的对比分析66

第六节 本章结语66

第四章 产品名称识别68

第一节 产品名称识别的问题描述68

第二节 基于最大熵模型的产品名称识别73

一 最大熵模型的理论基础73

二 最大熵模型的参数估计算法74

三 实验数据准备75

四 最大熵模型的特征构建76

五 最大熵模型的特征模板77

六 特征生成80

七 训练与测试80

八 实验结果与分析81

第三节 基于条件随机场模型的产品名称识别84

一 利用条件随机场模型为产品名称识别问题建模84

二 参数估计85

三 模型求解86

四 软件工具的选择87

五 语料库构建87

六 选取特征与特征模板88

七 模型训练与测试88

八 模板对产品名称识别效果的分析90

九 语料库对产品名称识别效果的分析94

十 与其他模型的识别效果比较96

第四节 本章结语97

第五章 产品属性识别98

第一节 产品属性识别的问题描述98

第二节 基于自组织映射的产品属性识别100

一 自组织映射的原理100

二 自定义的属性叠加矩阵及其原理101

三 基于属性叠加矩阵的产品属性识别102

四 网络数据收集103

五 分词与词性标注104

六 SOM输入矩阵的构造104

七 SOM训练105

八 SOM的输出分析105

第三节 基于LDA模型的产品属性识别109

一 LDA模型的原理111

二 基于LDA模型的评论热点识别112

三 数据预处理113

四 输入向量的构造113

五 模型求解114

六 实验结果与分析115

第四节 基于SVM模型的产品属性分类119

一 支持向量机的原理119

二 基于支持向量机的产品属性识别121

三 网络数据收集122

四 分词与词性标注122

五 主观性标注与产品属性标注123

六 输入矩阵的构建124

七 模型的训练125

八 实验结果及评价128

第五节 本章结语129

第六章 观点的情感分析131

第一节 观点极性分析的问题描述132

一 特征选择及特征权重的研究132

二 基于统计与基于规则的情感分类方法134

第二节 基于改进的TF-IDF权重算法的情感分类136

一 特征选择方法136

二 数据集137

三 评价标准137

四 数据预处理138

五 使用支持向量机的情感分类结果138

第三节 基于情感词典和规则的情感分类143

一 情感类别143

二 情感辞典的构建143

三 分类规则144

四 使用规则组合的情感分类实验146

第四节 本章结语152

第七章 观点挖掘的领域适配154

第一节 相关研究155

一 跨领域情感分析156

二 循环神经网络158

第二节 研究问题与方法160

一 研究问题的形式化定义160

二 CD-DRNN模型结构160

三 对比方法163

第三节 试验及分析168

一 数据集168

二 实验结果169

三 讨论176

第四节 本章结语177

第八章 观点挖掘的语言适配179

第一节 研究现状181

一 基于机器翻译的方法181

二 基于特征概率分布的方法182

三 基于平行语料的方法183

四 基于深度学习的方法183

第二节 研究问题、模型与方法185

一 研究问题及相关定义185

二 先验特征的获取186

三 模型结构188

四 模型训练方式190

第三节 实验及分析193

一 数据集193

二 比较方法193

三 参数设置195

四 实验结果197

第四节 本章结语200

第九章 观点挖掘的规模适配201

第一节 规模适配问题的提出201

第二节 规模适配平台204

一 Hadoop平台204

二 Spark平台207

第三节 规模适配算法209

一 并行决策树算法209

二 并行逻辑回归算法210

三 并行朴素叶斯算法211

四 并行随机森林算法212

五 并行支持向量机算法214

第四节 实验及分析215

一 数据集与实验环境设置215

二 评价指标216

三 实验结果217

四 讨论222

第五节 本章结语223

第十章 观点摘要225

第一节 信息抽取方法226

一 图模型方法226

二 篇章分析方法227

三 结构模板方法228

第二节 主题与语义分析方法229

第三节 统计机器学习方法231

第四节 深度学习用于观点摘要233

一 序列到序列神经网络模型234

二 注意力机制236

三 先验知识237

四 语义相关性238

第五节 本章结语239

第十一章 观点主题分析240

第一节 研究问题240

第二节 相关研究241

一 微博主题分析241

二 微博时序分析242

三 微博可视化分析244

第三节 主题演化模式和时序趋势的方法设计246

第四节 实验过程与结果分析248

一 数据描述和预处理248

二 英文埃博拉微博的主题分析248

三 中文埃博拉微博的主题分析253

第五节 本章结语259

第十二章 总结与展望260

参考文献263