斯坦福数据挖掘教程 第3版

本书由斯坦福大学“Web挖掘”课程的内容总结而成，主要关注极大规模数据的挖掘。书中包括分布式文件系统、相似性搜索、搜索引擎技术、频繁项集挖掘、聚类算法、广告管理及推荐系统、社会网络图挖掘和大规模机器学习等主要内容。第3 版新增了决策树、神经网络和深度学习等内容。几乎每节都有对应的习题，以此来巩固所讲解的内容。读者还可以从网上获取相关拓展资料。

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　建模　1 1.1.2　统计建模　2 1.1.3　机器学习　2 1.1.4　建模的计算方法　3 1.1.5　数据概括　3 1.1.6　特征抽取　4 1.2　数据挖掘的统计限制　5 1.2.1　整体情报预警　5 1.2.2　邦弗朗尼原理　5 1.2.3　邦弗朗尼原理的一个例子　6 1.2.4　习题　7 1.3　相关知识　7 1.3.1　词语在文档中的重要性　7 1.3.2　哈希函数　8 1.3.3　索引　9 1.3.4　二级存储器　10 1.3.5　自然对数的底e　11 1.3.6　幂定律　12 1.3.7　习题　13 1.4　本书概要　14 1.5　小结　15 1.6　参考文献　16 第　2章 MapReduce和新软件栈　17 2.1　分布式文件系统　18 2.1.1　计算节点的物理结构　18 2.1.2　大规模文件系统的结构　19 2.2　MapReduce　20 2.2.1　Map任务　21 2.2.2　按键分组　21 2.2.3　Reduce任务　22 2.2.4　组合器　22 2.2.5　MapReduce的执行细节　23 2.2.6　节点故障的处理　24 2.2.7　习题　24 2.3　使用MapReduce的算法　24 2.3.1　基于MapReduce的矩阵—向量乘法实现　25 2.3.2　向量v无法放入内存时的处理　26 2.3.4　基于MapReduce的选择运算　28 2.3.5　基于MapReduce的投影运算　28 2.3.6　基于MapReduce的并、交和差运算　29 2.3.7　基于MapReduce的自然连接运算　29 2.3.8　基于MapReduce的分组和聚合运算　30 2.3.9　矩阵乘法　30 2.3.10　基于单步MapReduce的矩阵乘法　31 2.3.11　习题　32 2.4　MapReduce的扩展　32 2.4.1　工作流系统　33 2.4.2　Spark　34 2.4.3　Spark实现　36 2.4.4　TensorFlow　37 2.4.5　MapReduce的递归扩展版本　38 2.4.6　整体同步系统　40 2.4.7　习题　41 2.5　通信开销模型　41 2.5.1　任务网络的通信开销　42 2.5.2　时钟时间　43 2.5.3　多路连接　43 2.5.4　习题　46 2.6　MapReduce复杂性理论　47 2.6.1　Reducer规模及复制率　47 2.6.2　一个例子：相似性连接　48 2.6.3　MapReduce问题的一个图模型　51 2.6.5　并非所有输入都存在时的处理　52 2.6.7　案例分析：矩阵乘法　54 2.6.8　习题　57 2.7　小结　58 2.8　参考文献　59 第3章　相似项发现　61 3.1　集合相似度的应用　62 3.1.1　集合的Jaccard相似度　62 3.1.2　文档的相似度　62 3.1.3　协同过滤——一个集合相似问题　63 3.1.4　习题　64 3.2　文档的shingling　65 3.2.1　k-shingle　65 3.2.2　shingle大小的选择　65 3.2.3　对shingle进行哈希　66 3.2.4　基于词的shingle　66 3.2.5　习题　67 3.3　保持相似度的集合摘要表示　67 3.3.1　集合的矩阵表示　67 3.3.2　最小哈希　68 3.3.3　最小哈希和Jaccard相似度　69 3.3.4　最小哈希签名　69 3.3.5　最小哈希签名的计算　70 3.3.6　对最小哈希加速　72 3.3.7　使用哈希加速　73 3.3.8　习题　75 3.4　文档的局部敏感哈希算法　76 3.4.1　面向最小哈希签名的LSH　76 3.4.2　行条化策略的分析　77 3.4.3　上述技术的综合　79 3.4.4　习题　79 3.5　距离测度　80 3.5.1　距离测度的定义　80 3.5.2　欧氏距离　80 3.5.3　Jaccard 距离　81 3.5.4　余弦距离　81 3.5.5　编辑距离　82 3.5.6　海明距离　83 3.5.7　习题　83 3.6　局部敏感函数理论　85 3.6.1　局部敏感函数　85 3.6.2　面向Jaccard距离的局部敏感函数族　86 3.6.3　局部敏感函数族的放大处理　87 3.6.4　习题　89 3.7　面向其他距离测度的LSH函数族　89 3.7.1　面向海明距离的LSH函数族　89 3.7.2　随机超平面和余弦距离　90 3.7.3　梗概　91 3.7.4　面向欧氏距离的LSH函数族　91 3.7.5　面向欧氏空间的更多LSH函数族　92 3.7.6　习题　93 3.8　LSH函数的应用　93 3.8.1　实体关联　94 3.8.2　一个实体关联的例子　94 3.8.3　记录匹配的验证　95 3.8.4　指纹匹配　96 3.8.5　适用于指纹匹配的LSH函数族　98 3.8.7　习题　99 3.9　面向高相似度的方法　99 3.9.1　相等项发现　99 3.9.2　集合的字符串表示方法　100 3.9.3　基于长度的过滤　100 3.9.4　前缀索引　101 3.9.5　位置信息的使用　102 3.9.6　使用位置和长度信息的索引　103 3.9.7　习题　105 3.10　小结　106 3.11　参考文献　108 第4章　数据流挖掘　109 4.1　流数据模型　109 4.1.1　一个数据流管理系统　109 4.1.2　流数据源的例子　110 4.1.3　流查询　111 4.1.4　流处理中的若干问题　112 4.2　流当中的数据抽样　112 4.2.1　一个富有启发性的例子　112 4.2.2　代表性样本的获取　113 4.2.3　一般的抽样问题　114 4.2.4　样本规模的变化　114 4.2.5　习题　115 4.3　流过滤　115 4.3.1　一个例子　115 4.3.2　布隆过滤器　116 4.3.3　布隆过滤方法的分析　116 4.3.4　习题　117 4.4　流中独立元素的数目统计　118 4.4.1　独立元素计数问题　118 4.4.2　FM算法　118 4.4.3　组合估计　119 4.4.4　空间需求　120 4.4.5　习题　120 4.5　矩估计　120 4.5.1　矩定义　120 4.5.2　二阶矩估计的AMS算法　121 4.5.3　AMS算法有效的原因　122 4.5.4　更高阶矩的估计　122 4.5.5　无限流的处理　123 4.5.6　习题　124 4.6　窗口内的计数问题　124 4.6.1　精确计数的开销　125 4.6.2　DGIM算法　125 4.6.3　DGIM算法的存储需求　127 4.6.4　DGIM算法中的查询应答　127 4.6.5　DGIM条件的保持　127 4.6.6　降低错误率　128 4.6.7　窗口内计数问题的扩展　129 4.6.8　习题　130 4.7　衰减窗口　130 4.7.1　最常见元素问题　130 4.7.2　衰减窗口的定义　130 4.7.3　最流行元素的发现　131 4.8　小结　132 4.9　参考文献　133 第5章　链接分析　134 5.1　PageRank　134 5.1.1　早期的搜索引擎及词项作弊　134 5.1.2　PageRank的定义　136 5.1.3　Web结构　138 5.1.4　避免终止点　140 5.1.5　采集器陷阱和“抽税”法　142 5.1.6　PageRank在搜索引擎中的使用　144 5.1.7　习题　144 5.2　PageRank的快速计算　145 5.2.1　转移矩阵的表示　146 5.2.2　基于MapReduce的PageRank迭代计算　146 5.2.3　结果向量合并时的组合器使用　147 5.2.4　转移矩阵中块的表示　148 5.2.5　其他高效的PageRank迭代方法　149 5.2.6　习题　150 5.3　面向主题的PageRank　150 5.3.1　动机　150 5.3.2　有偏的随机游走模型　151 5.3.3　面向主题的PageRank的使用　153 5.3.5　习题　153 5.4　链接作弊　153 5.4.1　垃圾农场的架构　154 5.4.2　垃圾农场的分析　155 5.4.3　与链接作弊的斗争　156 5.4.4　TrustRank　156 5.4.5　垃圾质量　156 5.4.6　习题　157 5.5　导航页和权威页　157 5.5.1　HITS的直观意义　158 5.5.2　导航度和权威度的形式化　158 5.5.3　习题　161 5.6　小结　161 5.7　参考文献　164 第6章　频繁项集　165 6.1　购物篮模型　165 6.1.1　频繁项集的定义　165 6.1.2　频繁项集的应用　167 6.1.3　关联规则　168 6.1.4　高可信度关联规则的发现　169 6.1.5　习题　170 6.2　购物篮和A-Priori算法　171 6.2.1　购物篮数据的表示　171 6.2.2　项集计数中的内存使用　172 6.2.3　项集的单调性　173 6.2.4　二元组计数　174 6.2.5　A-Priori算法　174 6.2.6　所有频繁项集上的A-Priori算法　176 6.2.7　习题　177 6.3　更大数据集在内存中的处理　178 6.3.1　PCY算法　179 6.3.2　多阶段算法　180 6.3.3　多哈希算法　182 6.3.4　习题　183 6.4　有限扫描算法　185 6.4.1　简单的随机化算法　185 6.4.2　抽样算法中的错误规避　186 6.4.3　SON算法　187 6.4.4　SON算法和MapReduce　187 6.4.5　Toivonen算法　188 6.4.6　Toivonen算法的有效性分析　189 6.4.7　习题　189 6.5　流中的频繁项计数　190 6.5.1　流的抽样方法　190 6.5.2　衰减窗口中的频繁项集　191 6.5.3　混合方法　191 6.5.4　习题　192 6.6　小结　192 6.7　参考文献　194 第7章　聚类　195 7.1　聚类技术介绍　195 7.1.1　点、空间和距离　195 7.1.2　聚类策略　196 7.1.3　维数灾难　197 7.1.4　习题　198 7.2　层次聚类　198 7.2.1　欧氏空间下的层次聚类　198 7.2.2　层次聚类算法的效率　202 7.2.3　控制层次聚类的其他规则　202 7.2.4　非欧空间下的层次聚类　204 7.2.5　习题　205 7.3　k-均值算法　206 7.3.1　k-均值算法基本知识　206 7.3.2　k-均值算法的簇初始化　206 7.3.3　选择正确的k值　207 7.3.4　BFR算法　208 7.3.5　BFR算法中的数据处理　210 7.3.6　习题　211 7.4　CURE算法　212 7.4.1　CURE算法的初始化　213 7.4.2　CURE算法的完成　214 7.4.3　习题　214 7.5　非欧空间下的聚类　215 7.5.1　GRGPF算法中的簇表示　215 7.5.2　簇表示树的初始化　215 7.5.3　GRGPF算法中的点加入　216 7.5.4　簇的分裂及合并　217 7.5.5　习题　218 7.6　流聚类及并行化　218 7.6.1　流计算模型　218 7.6.2　一个流聚类算法　219 7.6.3　桶的初始化　219 7.6.4　桶合并　219 7.6.5　查询应答　221 7.6.6　并行环境下的聚类　221 7.6.7　习题　222 7.7　小结　222 7.8　参考文献　224 第8章　Web广告　226 8.1　在线广告相关问题　226 8.11　广告机会　226 8.1.2　直投广告　227 8.1.3　展示广告的相关问题　227 8.2　在线算法　228 8.2.1　在线和离线算法　228 8.2.2　贪心算法　229 8.2.3　竞争率　230 8.2.4　习题　230 8.3　广告匹配问题　231 8.3.1　匹配及完美匹配　231 8.3.2　极大匹配贪心算法　232 8.3.3　贪心匹配算法的竞争率　232 8.3.4　习题　233 8.4　adwords问题　233 8.4.1　搜索广告的历史　234 8.4.2　adwords问题的定义　234 8.4.3　adwords问题的贪心方法　235 8.4.4　Balance算法　236 8.4.5　Balance算法竞争率的一个下界　236 8.4.6　多投标者的Balance算法　238 8.4.7　一般性的Balance算法　239 8.4.8　adwords问题的最后论述　240 8.4.9　习题　240 8.5　adwords的实现　240 8.5.1　投标和搜索查询的匹配　241 8.5.2　更复杂的匹配问题　241 8.5.3　文档和投标之间的匹配算法　242 8.6　小结　243 8.7　参考文献　245 第9章　推荐系统　246 9.1　推荐系统的模型　246 9.1.1　效用矩阵　246 9.1.2　长尾现象　247 9.1.3　推荐系统的应用　249 9.1.4　效用矩阵的填充　249 9.2　基于内容的推荐　249 9.2.1　项模型　250 9.2.2　文档的特征发现　250 9.2.3　基于Tag的项特征获取　251 9.2.4　项模型的表示　252 9.2.5　用户模型　253 9.2.6　基于内容的项推荐　254 9.2.7　分类算法　254 9.2.8　习题　256 9.3　协同过滤　257 9.3.1　相似度计算　257 9.3.2　相似度对偶性　259 9.3.3　用户聚类和项聚类　261 9.3.4　习题　262 9.4　降维处理　262 9.4.1　UV分解　262 9.4.2　RMSE　263 9.4.3　UV分解的增量式计算　264 9.4.4　对任一元素的优化　267 9.4.5　一个完整UV分解算法的构建　269 9.5　Netflix竞赛　270 9.6　小结　271 9.7　参考文献　272 第　10章 社会网络图挖掘　273 10.1　将社会网络看成图　273 10.1.1　社会网络的概念　273 10.1.2　将社会网络看成图　274 10.1.3　各种社会网络的例子　275 10.1.4　多类型节点构成的图　276 10.1.5　习题　277 10.2　社会网络图的聚类　277 10.2.1　社会网络图的距离计算　277 10.2.2　应用标准的聚类算法　278 10.2.3　中介度　279 10.2.4　Girvan-Newman算法　279 10.2.5　利用中介度来发现社区　282 10.2.6　习题　283 10.3　社区的直接发现　283 10.3.1　团的发现　284 10.3.2　完全二部图　284 10.3.3　发现完全二部子图　285 10.3.4　完全二部子图一定存在的原因　285 10.3.5　习题　287 10.4　图划分　287 10.4.1　图划分的好坏标准　288 10.4.2　归一化割　288 10.4.3　描述图的一些矩阵　289 10.4.4　拉普拉斯矩阵的特征值　290 10.4.5　其他图划分方法　292 10.4.6　习题　292 10.5　重叠社区的发现　293 10.5.1　社区的本质　293 10.5.2　极大似然估计　294 10.5.3　关系图模型　295 10.5.4　社区分配的离散优化　296 10.5.5　避免成员隶属关系的离散式变化　297 10.5.6　习题　298 10.6　Simrank　299 10.6.1　社会网络上的随机游走者　299 10.6.2　带重启的随机游走　300 10.6.3　近似Simrank　302 10.6.4　近似Simrank有效的原因　303 10.6.5　Simrank在社区发现中的应用　304 10.6.6　习题　305 10.7　三角形计数问题.　306 10.7.1　为什么要对三角形计数　306 10.7.2　一个寻找三角形的算法　307 10.7.3　三角形寻找算法的最优性　308 10.7.4　基于MapReduce寻找三角形　308 10.7.5　使用更少的Reduce任务　310 10.7.6　习题　310 10.8　图的邻居性质　311 10.8.1　有向图和邻居　311 10.8.2　图的直径　312 10.8.3　传递闭包和可达性　313 10.8.4　基于MapReduce的可达性计算　314 10.8.5　半朴素求值　315 10.8.6　线性传递闭包　315 10.8.7　基于双重递归的传递闭包　316 10.8.8　智能传递闭包　317 10.8.9　多种方法的比较　319 10.8.10　基于图归约的传递闭包　320 10.8.11　邻居规模的近似计算　321 10.8.12　习题　323 10.9　小结　324 10.10　参考文献　326 第　11章 降维处理　328 11.1　特征值和特征向量　328 11.1.1　定义　328 11.1.2　特征值与特征向量计算　329 11.1.3　基于幂迭代方法的特征对求解　331 11.1.4　特征向量矩阵　333 11.1.5　习题　333 11.2　主成分分析　334 11.2.1　一个示例　334 11.2.2　利用特征向量进行降维　337 11.2.3　距离矩阵　338 11.2.4　习题　339 11.3　奇异值分解　339 11.3.1　SVD的定义　339 11.3.2　SVD解析　341 11.3.3　基于SVD的降维　342 11.3.4　将较低奇异值置为0后有效的原因　343 11.3.5　使用概念进行查询处理　344 11.3.6　矩阵SVD的计算　345 11.3.7　习题　346 11.4　CUR分解　347 11.4.1　CUR的定义　347 11.4.2　合理选择行和列　348 11.4.3　构建中间矩阵　349 11.4.4　完整的CUR分解　350 11.4.5　去除重复行和列　351 11.4.6　习题　352 11.5　小结　352 11.6　参考文献　353 第　12章 大规模机器学习　354 12.1　机器学习模型　354 12.1.1　训练集　354 12.1.2　一些例子　355 12.1.3　机器学习方法　357 12.1.4　机器学习架构　358 12.1.5　习题　360 12.2　感知机　360 12.2.1　训练阈值为0的感知机　361 12.2.2　感知机的收敛性　363 12.2.3　Winnow算法　364 12.2.4　允许阈值变化的情况　365 12.2.5　多类感知机　366 12.2.6　变换训练集　367 12.2.7　感知机的问题　368 12.2.8　感知机的并行实现　369 12.2.9　习题　370 12.3　支持向量机　371 12.3.1　支持向量机的机理　371 12.3.2　超平面归一化　372 12.3.3　寻找最优逼近分界面　374 12.3.4　基于梯度下降法求解SVM　380 12.3.6　SVM的并行实现　380 12.3.7　习题　381 12.4　近邻学习　381 12.4.1　近邻计算的框架　381 12.4.2　最近邻学习　382 12.4.3　学习一维函数　383 12.4.4　核回归　384 12.4.5　处理高维欧氏空间数据　385 12.4.6　对非欧距离的处理　386 12.4.7　习题　386 12.5　决策树　387 12.5.1　使用决策树　387 12.5.2　不纯度度量方法　389 12.5.3　决策树节点的设计　390 12.5.4　选择基于数值型特征的测试　390 12.5.5　选择基于分类型特征的测试　392 12.5.6　决策树的并行设计　393 12.5.7　节点剪枝　394 12.5.8　随机森林　395 12.5.9　习题　396 12.6　各种学习方法的比较　397 12.7　小结　397 12.8　参考文献　399 第　13章 神经网络与深度学习　400 13.1　神经网络简介　400 13.1.1　神经网络概述　402 13.1.2　节点间的连接　403 13.1.3　卷积神经网络　403 13.1.4　神经网络的设计事项　404 13.1.5　习题　404 13.2　密集型前馈网络　405 13.2.1　基于线性代数的记法　405 13.2.2　激活函数　406 13.2.3　sigmoid函数　407 13.2.4　双曲正切函数　407 13.2.5　softmax函数　408 13.2.6　修正线性单元　409 13.2.7　损失函数　410 13.2.8　回归损失函数　410 13.2.9　分类损失函数　411 13.2.10　习题　412 13.3　反向传播与梯度下降　413 13.3.1　计算图　414 13.3.2　梯度、雅可比矩阵与链式法则　415 13.3.3　反向传播算法　416 13.3.4　梯度下降的迭代计算　418 13.3.5　张量　419 13.3.6　习题　420 13.4　卷积神经网络　420 13.4.1　卷积层　421 13.4.2　卷积与互相关　423 13.4.3　池化层　424 13.4.4　CNN架构　424 13.4.5　实现与训练　426 13.4.6　习题　427 13.5　循环神经网络　427 13.5.1　RNN的训练　428 13.5.2　梯度消失与爆炸　430 13.5.3　长短期记忆网络　431 13.5.4　习题　433 13.6　正则化　433 13.6.1　范式惩罚　434 13.6.2　dropout　434 13.6.3　提前停止　434 13.6.4　数据增强　435 13.7　小结　435 13.8　参考文献　436