文本挖掘与信息检索概论

" 2. 可作为人工智能、数据科学、计算机、软件工程等专业的高年级本科生和研究生教材，也对从事相关工作的科研人员具有一定参考价值。"

   文本挖掘与信息检索是近年来人工智能领域的热点研究方向。本书共分8章，包括信息检索概述、信息检索模型、信息检索的评价、文本分类技术、文本聚类技术、自动摘要技术、文本推荐技术和网页链接分析，融合了统计学、机器学习、数据库等知识，具有多学科交叉的特点。

本书内容全面，案例丰富，适合作为人工智能、数据科学、计算机、软件工程等信息技术相关专业的本科生和研究生教材，也可作为企事业单位、政府部门和研究机构的文本挖掘、信息检索相关方向研究人员的参考资料。

第1章信息检索概述
1.1数据、信息和知识
1.1.1从数据到信息
1.1.2从信息到知识
1.2信息检索的定义
1.3信息检索的发展
1.3.1信息检索的发展历史
1.3.2信息检索的主要方法
1.3.3信息检索的应用
1.3.4信息检索的发展趋势
习题
第2章信息检索模型
2.1概述
2.2向量空间检索模型
2.2.1内积
2.2.2相似度计算
2.3概率检索模型
2.3.1概率论基础知识
2.3.2词项权重
2.3.3二值独立模型
2.3.4非二值独立模型
2.4基于语言建模的信息检索模型
2.4.1庞特模型
2.4.2零概率问题以及解决方法
2.4.3语言模型检索框架
2.4.4跨语言检索模型
习题
第3章信息检索的评价
3.1信息检索的评价指标
3.1.1查全率
3.1.2査准率
3.1.3查准率与查全率的关系
3.1.4漏检率和误检率
3.1.5响应时间
3.2信息检索系统的评价
习题
第4章文本分类技术
4.1概述
4.1.1基本概念
4.1.2文本自动分类的两种类型
4.1.3文本分类模式
4.1.4文本分类过程
4.2文本预处理
4.2.1分词技术
4.2.2停用词去除
4.2.3文本特征选择方法
4.2.4文本表示方法
4.3相似度度量方法
4.4常用分类算法分析
4.4.1Rocchio算法
4.4.2贝叶斯分类器
4.4.3贝叶斯信念网络
4.4.4K近邻算法
4.4.5支持向量机
4.5分类性能评价
4.5.1准确度和召回率
4.5.2F-测量
4.5.3分类方法的综合评价
4.6基于向量空间模型的文本分类方法
4.6.1文本分类系统的结构框架
4.6.2改进的文本特征抽取算法
4.6.3二级分类模式
4.7基于语言模型的文本分类
4.7.1概述
4.7.2Bigram模型
4.7.3特征提取
4.7.4分类器设计
4.7.5统计平滑
4.8基于卷积神经网络的文本分类
4.8.1CNN概述
4.8.2CNN文本分类经典结构
4.8.3CNN文本分类方法
习题
第5章文本聚类技术
5.1概述
5.2常用的聚类方法
5.2.1基于划分的聚类方法
5.2.2基于分层的聚类方法
5.2.3基于密度的聚类方法
5.2.4基于网格的聚类方法
5.2.5基于模型的聚类方法
5.3聚类算法的评价标准
5.4基于K-means的文本聚类算法
5.4.1概述
5.4.2K-means算法理论基础
5.4.3K-means算法结果影响因素
5.4.4TF-IDF理论基础
5.4.5基于K-means文本聚类的主要步骤
5.4.6基于K-means算法的聚类实例
5.5基于潜在语义索引的文本聚类方法
5.5.1概述
5.5.2矩阵的奇异值分解
5.5.3LSI技术的理论基础
5.5.4基于LSI文本聚类的主要步骤
5.5.5基于LSI文本聚类的实例
5.6基于Word2Vec的文本聚类方法
5.6.1词向量概述
5.6.2Word2Vec语言模型
5.6.3连续词袋模型
5.6.4Skip-gram模型
5.6.5基于Word2Vec的文本聚类举例
习题
第6章自动摘要技术
6.1概述
6.2抽取式摘要
6.2.1基于TextRank的文本自动摘要
6.2.2基于图模型的文本自动摘要
6.2.3融合噪声检测的多文档自动摘要
……