文本挖掘

本书呈现了文本挖掘领域优选的算法，同时从学术界和产业界的角度介绍了文本挖掘。本书涉及的业界学者跨越多个国家，来自多个机构: 大学､企业和政府实验室。本书介绍了文本挖掘在多个领域中的自动文本分析和挖掘计算模型，这些领域包括: 机器学习､知识发现､自然语言处理和信息检索等。本书适合作为人工智能､机器学习和自然语言处理等领域相关人员的教科书和参考书。同时，也适合研究人员和从业人员阅读。

迈克尔？W.贝瑞(MichaeI W.Berry)，美国田纳西大学讲席教授，计算机与电气工程学院副院长。贝瑞教授是美国工业与应用数学学会(SIAM)2003年、2004年会议联合主席。研究兴趣包括：信息检索、数据挖掘和文本挖掘、计算科学、生物信息学和并行计算等。

目 录译者序原书序 章 独立文档的关键词的自动提取 1 1. 1 简介 1 1. 1. 1 关键词提取方法 1 1. 2 快速自动关键词提取 3 1. 2. 1 候选关键词 3 1. 2. 2 关键词得分 4 1. 2. 3 邻接关键词 5 1. 2. 4 提取关键词 5 1. 3 基准评估 6 1. 3. 1 准确率和召回率评估 6 1. 3. 2 效率评估 7 1. 4 停用词列表生成 9 1. 5 新闻消息的评估 12 1. 5. 1 MPQA 语料库 12 1. 5. 2 从新闻消息中提取关键词 12 1. 6 总结 15 参考文献 16第2 章 利用数学方法进行多语言文档聚类 17 2. 1 简介 17 2. 2 背景 17 2. 3 实验设置 18 2. 4 多语言LSA 20 2. 5 Tucker1 方法 21 2. 6 PARAFAC2 方法 23 2. 7 词对齐的LSA 24 2. 8 潜在形态语义分析(LMSA) 26 2. 9 词对齐的LMSA 27 2. 10 对技术和结果的讨论 27 参考文献 29第3 章 使用机器学习算法对基于内容的垃圾邮件进行分类 31 3. 1 简介 313. 2 机器学习算法 32 3. 2. 1 朴素贝叶斯 33 3. 2. 2 LogitBoost 33 3. 2. 3 支持向量机 34 3. 2. 4 增广的潜在语义索引空间 35 3. 2. 5 径向基函数网络 36 3. 3 数据预处理 37 3. 3. 1 特征选择 37 3. 3. 2 信息表示 39 3. 4 邮件分类的评估 39 3. 5 实验 40 3. 5. 1 使用PU1 的实验 40 3. 5. 2 使用ZH1 的实验 42 3. 6 分类器特点 43 3. 7 结束语 45 参考文献 45第4 章 利用非负矩阵分解研究邮件分类问题 47 4. 1 简介 47 4. 1. 1 相关工作 48 4. 1. 2 概要 49 4. 2 研究背景 49 4. 2. 1 非负矩阵分解 49 4. 2. 2 计算NMF 的算法 50 4. 2. 3 数据集 52 4. 2. 4 解释 52 4. 3 基于特征排序的NMF 初始化 54 4. 3. 1 特征子集选择 54 4. 3. 2 FS 初始化 55 4. 4 基于NMF 的分类方法 57 4. 4. 1 使用基础特征分类 58 4. 4. 2 基于NMF 的一般化LSI 59 4. 5 结束语 65 参考文献 66第5 章 使用k￣均值算法进行约束聚类 68 5. 1 简介 68 5. 2 表示法和古典k￣均值算法 69 5. 3 具有布莱格曼散度的k￣均值约束聚类算法 70 5. 3. 1 具有“不能链接” 约束关系的二次k￣均值聚类 705. 3. 2 “必须链接” 约束关系的移除 735. 3. 3 使用布莱格曼散度进行聚类 75 5. 4 smoka 类型约束聚类 77 5. 5 球形k￣均值约束聚类 79 5. 5. 1 仅有“不能链接” 约束关系的球形k￣均值聚类算法 80 5. 5. 2 具有