文本機器學習

陳小青黎琳潘微.

出版商: 機械工業
出版日期: 2026-01-01
售價: $954
語言: 簡體中文
ISBN: 7111792777
ISBN-13: 9787111792772
相關分類: Text-mining
此書翻譯自: Machine Learning for Text

下單後立即進貨 (約4週~6週)

商品描述

本書構建了條理清晰的文本分析框架，該框架系統整合了信息檢索、機器學習和自然語言處理的交叉主題，尤其側重深度學習方法的應用，助力讀者形成從基礎到前沿的完整認知體系。全書可分為三大部分，具體如下：基本算法（第1章至第7章）：聚焦於文本分析領域的經典算法，深入探討預處理、相似度計算、主題建模、矩陣分解、聚類、分類、回歸以及集成分析等關鍵技術。這些算法作為文本分析的基石，為後續覆雜的應用奠定了堅實基礎。領域敏感學習與信息檢索（第8章和第9章）：圍繞異構環境下的學習模型展開，詳細探討如何將文本與多媒體、網絡鏈接等多元數據進行有機結合。同時，從排序和機器學習方法的獨特視角，深入剖析信息檢索與網絡搜索所面臨的挑戰。自然語言處理（ 0章至 6章）：討論各類以序列為中心的應用和自然語言處理的前沿技術，包括特征工程、自然語言模型、深度學習、Transformer架構、預訓練語言模型、文本摘要、信息提取、知識圖譜構建、問答系統設計、意見挖掘、文本分割和事件檢測等。

作者簡介

查魯·C. 阿加沃爾（Charu C. Aggarwal）<br />紐約約克敦高地IBM T. J. 沃森研究中心的傑出研究員（DRSM）。他1993年畢業於印度坎普爾理工學院，獲計算機科學學士學位，1996年獲麻省理工學院運籌學博士學位。他在經過同行評審的會議和期刊上發表了400多篇論文，申請或獲得的專利超過80項。他撰寫或編輯了20部著作，包括線性代數、機器學習（文本領域）、神經網絡、系統和異常值分析等領域的教科書。由於其專利的商業價值，他曾三次被IBM授予“傑出發明家”稱號。他獲得過多項內部和外部獎項，包括EDBT時間考驗獎（2014年）、ACM SIGKDD 創新獎（2019年）和IEEE ICDM研究貢獻獎（2015年）。他還是W. 華萊士·麥克道威爾獎的獲得者，該獎項是IEEE計算機學會在計算機科學領域頒發的技術榮譽。<br />他曾擔任ACM SIGKDD Explorations主編，目前擔任ACM Transactions on Knowledge Discovery from Data和ACM Books主編。他因“在知識發現和數據挖掘算法方面的貢獻”當選為工業與應用數學學會（SIAM）、美國計算機協會（ACM）和電氣與電子工程師協會（IEEE）會士。

目錄大綱

譯者序

前言

作者簡介第1章　文本分析概述1

　1.1　導論1

　1.2　文本學習有何特別之處3

　1.3　文本分析模型4

1.3.1　文本預處理和相似度

計算4

1.3.2　降維與矩陣分解5

1.3.3　文本聚類6

1.3.4　文本分類與回歸建模8

1.3.5　結合文本與異構數據的

聯合分析10

1.3.6　信息檢索與網頁搜索10

1.3.7　序列語言建模與嵌入10

1.3.8　Transformer與預訓練語言

模型11

1.3.9　文本摘要11

1.3.10　信息提取11

1.3.11　問答系統12

1.3.12　意見挖掘與情感分析12

1.3.13　文本分割與事件檢測12

　1.4　本章小結12

　1.5　參考資料13

　1.6　習題13第2章　文本預處理與相似度

計算14

　2.1　導論14

　2.2　原始文本提取與詞條化15

　2.3　從詞條中提取詞項18

2.3.1　停用詞移除18

2.3.2　連字符18

2.3.3　大小寫轉換19

2.3.4　基於用法的合並19

2.3.5　詞幹提取19

　2.4　向量空間表示與歸一化20

　2.5　文本中的相似度計算21

　2.6　本章小結24

　2.7　參考資料24

　2.8　習題25第3章　矩陣分解與主題建模26

　3.1　導論26

　3.2　SVD29

3.2.1　SVD的例子31

3.2.2　實現SVD的冪疊代法32

3.2.3　SVD/LSA的應用33

3.2.4　SVD/LSA的優缺點33

　3.3　非負矩陣分解34

3.3.1　非負矩陣分解的可

解釋性35

3.3.2　非負矩陣分解的例子36

3.3.3　融入新文檔38

3.3.4　非負矩陣分解的

優缺點38

　3.4　PLSA38

3.4.1　與非負矩陣分解的

聯系41

3.4.2　與SVD的比較42

3.4.3　PLSA的例子42

3.4.4　PLSA的優缺點42

　3.5　LDA概覽43

3.5.1　簡化的LDA模型43

3.5.2　平滑的LDA模型46

　3.6　非線性變換和特征工程47

3.6.1　選擇一個相似度函數49

3.6.2　Nystrm估計55

3.6.3　相似度矩陣的部分

可用性56

　3.7　本章小結57

　3.8　參考資料58

　3.9　習題59第4章　文本聚類61

　4.1　導論61

　4.2　特征選擇與特征工程62

4.2.1　特征選擇63

4.2.2　特征工程64

　4.3　主題建模和矩陣分解65

4.3.1　混合隸屬度模型與

重疊簇65

4.3.2　非重疊簇與協同聚類：

矩陣分解的角度66

　4.4　面向聚類的生成混合模型69

4.4.1　伯努利模型70

4.4.2　多項式模型71

4.4.3　與混合隸屬度主題模型的

比較72

4.4.4　與樸素貝葉斯分類模型的

聯系73

　4.5　k均值算法73

4.5.1　收斂與初始化75

4.5.2　計算覆雜度75

4.5.3　與概率模型的聯系76

　4.6　層次聚類算法76

4.6.1　高效實現與計算

覆雜度78

4.6.2　與k均值的自然聯姻79

　4.7　聚類集成80

4.7.1　選擇集成分量80

4.7.2　混合來自不同分量的

結果81

　4.8　將文本當作序列來進行聚類81

4.8.1　面向聚類的核方法82

4.8.2　數據相關的核方法：

譜聚類84

　4.9　聚類到有監督學習的轉換86

　4.10　聚類評估87

4.10.1　內部有效性度量的

缺陷87

4.10.2　外部有效性度量87

　4.11　本章小結90

　4.12　參考資料91

　4.13　習題92第5章　文本分類：基本模型93

　5.1　導論93

5.1.1　標記的類型與回歸

建模94

5.1.2　訓練與測試94

5.1.3　歸納學習器、直推學習器

和演繹學習器95

5.1.4　基本模型96

5.1.5　分類器中與文本相關的

挑戰96

　5.2　特征選擇與特征工程97

5.2.1　基尼系數97

5.2.2　條件熵98

5.2.3　逐點互信息98

5.2.4　緊密相關的度量方式98

5.2.5　χ2-統計量99

5.2.6　嵌入式特征選擇模型100

5.2.7　特征工程技巧101

　5.3　樸素貝葉斯模型101

5.3.1　伯努利模型102

5.3.2　多項式模型104

5.3.3　實際觀察105

5.3.4　利用樸素貝葉斯對輸出

進行排序105

5.3.5　樸素貝葉斯的例子105

5.3.6　半監督樸素貝葉斯108

　5.4　最近鄰分類器109

5.4.1　1-最近鄰分類器的

屬性110

5.4.2　Rocchio與最近質心

分類112

5.4.3　加權最近鄰113

5.4.4　自適應最近鄰：一系列

有效的方法115

　5.5　決策樹與隨機森林117

5.5.1　構造決策樹的基本

步驟117

5.5.2　分裂一個節點118

5.5.3　多變量分裂119

5.5.4　文本分類中的決策樹

問題119

5.5.5　隨機森林120

5.5.6　把隨機森林看作自適應

文本機器學習

陳小青黎琳潘微.

相關主題

商品描述

作者簡介

目錄大綱

類似商品

最後瀏覽商品 (2)

文本機器學習

陳小青 黎琳 潘微.

相關主題

商品描述

作者簡介

目錄大綱

類似商品

最後瀏覽商品 (2)

陳小青黎琳潘微.