第1章 数据挖掘基本概念 1
1.1 数据挖掘的定义 1
1.1.1 统计建模 1
1.1.2 机器学习 1
1.1.3 建模的计算方法 2
1.1.4 数据汇总 2
1.1.5 特征抽取 3
1.2 数据挖掘的统计限制 4
1.2.1 整体情报预警 4
1.2.2 邦弗朗尼原理 4
1.2.3 邦弗朗尼原理的一个例子 5
1.2.4 习题 6
1.3 相关知识 6
1.3.1 词语在文档中的重要性 6
1.3.2 哈希函数 7
1.3.3 索引 8
1.3.4 二级存储器 9
1.3.5 自然对数的底e 10
1.3.6 幂定律 11
1.3.7 习题 12
1.4 本书概要 13
1.5 小结 14
1.6 参考文献 15
第2章 MapReduce及新软件栈 16
2.1 分布式文件系统 17
2.1.1 计算节点的物理结构 17
2.1.2 大规模文件系统的结构 18
2.2 MapReduce 19
2.2.1 Map任务 20
2.2.2 按键分组 20
2.2.3 Reduce任务 21
2.2.4 组合器 21
2.2.5 MapReduce的执行细节 22
2.2.6 节点失效的处理 23
2.2.7 习题 23
2.3 使用MapReduce的算法 23
2.3.1 基于MapReduce的矩阵-向量乘法实现 24
2.3.2 向量v无法放入内存时的处理 24
2.3.3 关系代数运算 25
2.3.4 基于MapReduce的选择运算 27
2.3.5 基于MapReduce的投影运算 27
2.3.6 基于MapReduce的并、交和差运算 28
2.3.7 基于MapReduce的自然连接运算 28
2.3.8 基于MapReduce的分组和聚合运算 29
2.3.9 矩阵乘法 29
2.3.10 基于单步MapReduce的矩阵乘法 30
2.3.11 习题 31
2.4 MapReduce的扩展 31
2.4.1 工作流系统 32
2.4.2 MapReduce的递归扩展版本 33
2.4.3 Pregel系统 35
2.4.4 习题 35
2.5 通信开销模型 36
2.5.1 任务网络的通信开销 36
2.5.2 时钟时间 37
2.5.3 多路连接 38
2.5.4 习题 41
2.6 MapReduce复杂性理论 41
2.6.1 Reducer规模及复制率 41
2.6.2 一个例子：相似性连接 42
2.6.3 MapReduce问题的一个图模型 44
2.6.4 映射模式 45
2.6.5 并非所有输入都存在时的处理 46
2.6.6 复制率的下界 46
2.6.7 案例分析：矩阵乘法 48
2.6.8 习题 51
2.7 小结 51
2.8 参考文献 53
第3章 相似项发现 55
3.1 近邻搜索的应用 55
3.1.1 集合的Jaccard相似度 55
3.1.2 文档的相似度 56
3.1.3 协同过滤——一个集合相似问题 57
3.1.4 习题 58
3.2 文档的shingling 58
3.2.1 k-shingle 58
3.2.2 shingle大小的选择 59
3.2.3 对shingle进行哈希 59
3.2.4 基于词的shingle 60
3.2.5 习题 60
3.3 保持相似度的集合摘要表示 61
3.3.1 集合的矩阵表示 61
3.3.2 最小哈希 62
3.3.3 最小哈希及Jaccard相似度 62
3.3.4 最小哈希签名 63
3.3.5 最小哈希签名的计算 63
3.3.6 习题 66
3.4 文档的局部敏感哈希算法 67
3.4.1 面向最小哈希签名的LSH 67
3.4.2 行条化策略的分析 68
3.4.3 上述技术的综合 69
3.4.4 习题 70
3.5 距离测度 70
3.5.1 距离测度的定义 71
3.5.2 欧氏距离 71
3.5.3 Jaccard距离 72
3.5.4 余弦距离 72
3.5.5 编辑距离 73
3.5.6 海明距离 74
3.5.7 习题 74
3.6 局部敏感函数理论 75
3.6.1 局部敏感函数 76
3.6.2 面向Jaccard距离的局部敏感函数族 77
3.6.3 局部敏感函数族的放大处理 77
3.6.4 习题 79
3.7 面向其他距离测度的LSH函数族 80
3.7.1 面向海明距离的LSH函数族 80
3.7.2 随机超平面和余弦距离 80
3.7.3 梗概 81
3.7.4 面向欧氏距离的LSH函数族 82
3.7.5 面向欧氏空间的更多LSH函数族 83
3.7.6 习题 83
3.8 LSH函数的应用 84
3.8.1 实体关联 84
3.8.2 一个实体关联的例子 85
3.8.3 记录匹配的验证 86
3.8.4 指纹匹配 87
3.8.5 适用于指纹匹配的LSH函数族 87
3.8.6 相似新闻报道检测 88
3.8.7 习题 89
3.9 面向高相似度的方法 90
3.9.1 相等项发现 90
3.9.2 集合的字符串表示方法 91
3.9.3 基于长度的过滤 91
3.9.4 前缀索引 92
3.9.5 位置信息的使用 93
3.9.6 使用位置和长度信息的索引 94
3.9.7 习题 96
3.10 小结 97
3.11 参考文献 98
第4章 数据流挖掘 100
4.1 流数据模型 100
4.1.1 一个数据流管理系统 100
4.1.2 流数据源的例子 101
4.1.3 流查询 102
4.1.4 流处理中的若干问题 103
4.2 流当中的数据抽样 103
4.2.1 一个富于启发性的例子 104
4.2.2 代表性样本的获取 104
4.2.3 一般的抽样问题 105
4.2.4 样本规模的变化 105
4.2.5 习题 106
4.3 流过滤 106
4.3.1 一个例子 106
4.3.2 布隆过滤器 107
4.3.3 布隆过滤方法的分析 107
4.3.4 习题 108
4.4 流中独立元素的数目统计 109
4.4.1 独立元素计数问题 109
4.4.2 FM算法 109
4.4.3 组合估计 110
4.4.4 空间需求 111
4.4.5 习题 111
4.5 矩估计 111
4.5.1 矩定义 111
4.5.2 二阶矩估计的AMS算法 112
4.5.3 AMS算法有效的原因 113
4.5.4 更高阶矩的估计 113
4.5.5 无限流的处理 114
4.5.6 习题 115
4.6 窗口内的计数问题 116
4.6.1 精确计数的开销 116
4.6.2 DGIM算法 116
4.6.3 DGIM算法的存储需求 118
4.6.4 DGIM算法中的查询应答 118
4.6.5 DGIM条件的保持 119
4.6.6 降低错误率 120
4.6.7 窗口内计数问题的扩展 120
4.6.8 习题 121
4.7 衰减窗口 121
4.7.1 最常见元素问题 121
4.7.2 衰减窗口的定义 122
4.7.3 最流行元素的发现 123
4.8 小结 123
4.9 参考文献 124
第5章 链接分析 126
5.1 PageRank 126
5.1.1 早期的搜索引擎及词项作弊 126
5.1.2 PageRank的定义 128
5.1.3 Web结构 130
5.1.4 避免终止点 132
5.1.5 采集器陷阱及“抽税”法 134
5.1.6 PageRank在搜索引擎中的使用 136
5.1.7 习题 136
5.2 PageRank的快速计算 137
5.2.1 转移矩阵的表示 137
5.2.2 基于MapReduce的PageRank迭代计算 138
5.2.3 结果向量合并时的组合器使用 139
5.2.4 转移矩阵中块的表示 140
5.2.5 其他高效的PageRank迭代方法 141
5.2.6 习题 142
5.3 面向主题的PageRank 142
5.3.1 动机 142
5.3.2 有偏的随机游走模型 143
5.3.3 面向主题的PageRank的使用 144
5.3.4 基于词汇的主题推断 144
5.3.5 习题 145
5.4 链接作弊 145
5.4.1 垃圾农场的架构 145
5.4.2 垃圾农场的分析 147
5.4.3 与链接作弊的斗争 147
5.4.4 TrustRank 148
5.4.5 垃圾质量 148
5.4.6 习题 149
5.5 导航页和权威页 149
5.5.1 HITS的直观意义 150
5.5.2 导航度和权威度的形式化 150
5.5.3 习题 153
5.6 小结 153
5.7 参考文献 155
第6章 频繁项集 157
6.1 购物篮模型 157
6.1.1 频繁项集的定义 157
6.1.2 频繁项集的应用 159
6.1.3 关联规则 160
6.1.4 高可信度关联规则的发现 161
6.1.5 习题 162
6.2 购物篮及A-Priori算法 163
6.2.1 购物篮数据的表示 163
6.2.2 项集计数中的内存使用 164
6.2.3 项集的单调性 165
6.2.4 二元组计数 166
6.2.5 A-Priori算法 166
6.2.6 所有频繁项集上的A-Priori算法 168
6.2.7 习题 169
6.3 更大数据集在内存中的处理 170
6.3.1 PCY算法 171
6.3.2 多阶段算法 172
6.3.3 多哈希算法 174
6.3.4 习题 175
6.4 有限扫描算法 177
6.4.1 简单的随机化算法 177
6.4.2 抽样算法中的错误规避 178
6.4.3 SON算法 179
6.4.4 SON算法和MapReduce 179
6.4.5 Toivonen算法 180
6.4.6 Toivonen算法的有效性分析 181
6.4.7 习题 181
6.5 流中的频繁项计数 182
6.5.1 流的抽样方法 182
6.5.2 衰减窗口中的频繁项集 183
6.5.3 混合方法 183
6.5.4 习题 184
6.6 小结 184
6.7 参考文献 186
第7章 聚类 187
7.1 聚类技术介绍 187
7.1.1 点、空间和距离 187
7.1.2 聚类策略 188
7.1.3 维数灾难 189
7.1.4 习题 190
7.2 层次聚类 190
7.2.1 欧氏空间下的层次聚类 191
7.2.2 层次聚类算法的效率 194
7.2.3 控制层次聚类的其他规则 194
7.2.4 非欧空间下的层次聚类 196
7.2.5 习题 197
7.3 k-均值算法 198
7.3.1 k-均值算法基本知识 198
7.3.2 k-均值算法的簇初始化 198
7.3.3 选择正确的k值 199
7.3.4 BFR算法 200
7.3.5 BFR算法中的数据处理 202
7.3.6 习题 203
7.4 CURE算法 204
7.4.1 CURE算法的初始化 205
7.4.2 CURE算法的完成 206
7.4.3 习题 206
7.5 非欧空间下的聚类 207
7.5.1 GRGPF算法中的簇表示 207
7.5.2 簇表示树的初始化 207
7.5.3 GRGPF算法中的点加入 208
7.5.4 簇的分裂及合并 209
7.5.5 习题 210
7.6 流聚类及并行化 210
7.6.1 流计算模型 210
7.6.2 一个流聚类算法 211
7.6.3 桶的初始化 211
7.6.4 桶合并 211
7.6.5 查询应答 213
7.6.6 并行环境下的聚类 213
7 6 7 习题 214
7.7 小结 214
7.8 参考文献 216
第8章 Web广告 218
8.1 在线广告相关问题 218
8.1.1 广告机会 218
8.1.2 直投广告 219
8.1.3 展示广告的相关问题 219
8.2 在线算法 220
8.2.1 在线和离线算法 220
8.2.2 贪心算法 221
8.2.3 竞争率 222
8.2.4 习题 222
8.3 广告匹配问题 223
8.3.1 匹配及完美匹配 223
8.3.2 最大匹配贪心算法 224
8.3.3 贪心匹配算法的竞争率 224
8.3.4 习题 225
8.4 adwords问题 225
8.4.1 搜索广告的历史 226
8.4.2 adwords问题的定义 226
8.4.3 adwords问题的贪心方法 227
8.4.4 Balance算法 228
8.4.5 Balance算法竞争率的一个下界 228
8.4.6 多投标者的Balance算法 230
8.4.7 一般性的Balance算法 231
8.4.8 adwords问题的最后论述 232
8.4.9 习题 232
8.5 adwords的实现 232
8.5.1 投标和搜索查询的匹配 233
8.5.2 更复杂的匹配问题 233
8.5.3 文档和投标之间的匹配算法 234
8.6 小结 235
8.7 参考文献 237
第9章 推荐系统 238
9.1 一个推荐系统的模型 238
9.1.1 效用矩阵 238
9.1.2 长尾现象 239
9.1.3 推荐系统的应用 241
9.1.4 效用矩阵的填充 241
9.2 基于内容的推荐 242
9.2.1 项模型 242
9.2.2 文档的特征发现 242
9.2.3 基于Tag的项特征获取 243
9.2.4 项模型的表示 244
9.2.5 用户模型 245
9.2.6 基于内容的项推荐 246
9.2.7 分类算法 247
9.2.8 习题 248
9.3 协同过滤 249
9.3.1 相似度计算 249
9.3.2 相似度对偶性 252
9.3.3 用户聚类和项聚类 253
9.3.4 习题 254
9.4 降维处理 254
9.4.1 UV分解 255
9.4.2 RMSE 255
9.4.3 UV分解的增量式计算 256
9.4.4 对任一元素的优化 259
9.4.5 一个完整UV分解算法的构建 259
9.4.6 习题 261
9.5 NetFlix竞赛 262
9.6 小结 263
9.7 参考文献 264
第10章 社会网络图挖掘 265
10.1 将社会网络看成图 265
10.1.1 社会网络的概念 265
10.1.2 将社会网络看成图 266
10.1.3 各种社会网络的例子 267
10.1.4 多类型节点构成的图 268
10.1.5 习题 269
10.2 社会网络图的聚类 269
10.2.1 社会网络图的距离计算 269
10.2.2 应用标准的聚类算法 270
10.2.3 中介度 271
10.2.4 Girvan-Newman算法 271
10.2.5 利用中介度来发现社区 274
10.2.6 习题 275
10.3 社区的直接发现 275
10.3.1 团的发现 276
10.3.2 完全二部图 276
10.3.3 发现完全二部子图 277
10.3.4 完全二部子图一定存在的原因 277
10.3.5 习题 279
10.4 图划分 280
10.4.1 图划分的好坏标准 280
10.4.2 归一化割 280
10.4.3 描述图的一些矩阵 281
10.4.4 拉普拉斯矩阵的特征值 282
10.4.5 其他图划分方法 284
10.4.6 习题 284
10.5 重叠社区的发现 285
10.5.1 社区的本质 285
10.5.2 极大似然估计 286
10.5.3 关系图模型 287
10.5.4 避免成员隶属关系的离散式变化 288
10.5.5 习题 290
10.6 Simrank 290
10.6.1 社会网络上的随机游走者 290
10.6.2 带重启的随机游走 291
10.6.3 习题 293
10.7 三角形计数问题 293
10.7.1 为什么要对三角形计数 294
10.7.2 一个寻找三角形的算法 294
10.7.3 三角形寻找算法的最优性 295
10.7.4 基于MapReduce寻找三角形 295
10.7.5 使用更少的Reduce任务 297
10.7.6 习题 297
10.8 图的邻居性质 298
10.8.1 有向图和邻居 298
10.8.2 图的直径 299
10.8.3 传递闭包和可达性 300
10.8.4 基于MapReduce的传递闭包求解 301
10.8.5 智能传递闭包 303
10.8.6 基于图归约的传递闭包 304
10.8.7 邻居规模的近似计算 305
10.8.8 习题 306
10.9 小结 307
10.10 参考文献 310
第11章 降维处理 312
11.1 特征值和特征向量 312
11.1.1 定义 312
11.1.2 特征值与特征向量计算 313
11.1.3 基于幂迭代方法的特征对求解 315
11.1.4 特征向量矩阵 317
11.1.5 习题 317
11.2 主成分分析 318
11.2.1 一个示例 318
11.2.2 利用特征向量进行降维 321
11.2.3 距离矩阵 322
11.2.4 习题 323
11.3 奇异值分解 323
11.3.1 SVD的定义 323
11.3.2 SVD解析 325
11.3.3 基于SVD的降维 326
11.3.4 将较低奇异值置为0后有效的原因 327
11.3.5 使用概念进行查询处理 328
11.3.6 矩阵SVD的计算 329
11.3.7 习题 330
11.4 CUR分解 331
11.4.1 CUR的定义 331
11.4.2 合理选择行和列 332
11.4.3 构建中间矩阵 333
11.4.4 完整的CUR分解 334
11.4.5 去除重复行和列 335
11.4.6 习题 335
11.5 小结 336
11.6 参考文献 337
第12章 大规模机器学习 338
12.1 机器学习模型 338
12.1.1 训练集 338
12.1.2 一些例子 339
12.1.3 机器学习方法 341
12.1.4 机器学习架构 342
12.1.5 习题 344
12.2 感知机 344
12.2.1 训练阈值为0的感知机 344
12.2.2 感知机的收敛性 347
12.2.3 Winnow算法 347
12.2.4 允许阈值变化的情况 349
12.2.5 多类感知机 350
12.2.6 变换训练集 351
12.2.7 感知机的问题 351
12.2.8 感知机的并行实现 353
12.2.9 习题 354
12.3 支持向量机 354
12.3.1 支持向量机的构成 354
12.3.2 超平面归一化 356
12.3.3 寻找最优逼近分界面 357
12.3.4 基于梯度下降法求解SVM 359
12.3.5 随机梯度下降 363
12.3.6 SVM的并行实现 363
12.3.7 习题 363
12.4 近邻学习 364
12.4.1 近邻计算的框架 364
12.4.2 最近邻学习 365
12.4.3 学习一维函数 365
12.4.4 核回归 367
12.4.5 处理高维欧氏空间数据 368
12.4.6 对非欧距离的处理 369
12.4.7 习题 369
12.5 各种学习方法的比较 370
12.6 小结 371
12.7 参考文献 372