大数据视角下的观点挖掘PDF电子书下载

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