Web数据挖掘（第2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 多最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 多最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 多最小支持度挖掘
2.8 基于PrefixSpan算法的序列模式挖掘
2.8.1 PrefixSpan算法
2.8.2 多最小支持度挖掘
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 Bagging
3.10.2 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-naining
5.1.3 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SVM
5.2.5 建立分类器：概率估计
5.2.6 讨论
……
第2部分 Web挖掘