本書繫統地介紹文本數據挖掘的相關概念，利用Python作為工具進行相關試驗，通俗易懂，實用性強。適合於做教材。

●源碼下載第1章緒論1.1文本挖掘的研究背景及意義1.2文本挖掘的國內外研究現狀1.3文本挖掘概述1.3.1文本挖掘的概念1.3.2文本挖掘的任務1.3.3文本挖掘與數據挖掘的聯繫與區別1.4文本挖掘的過程1.5文本挖掘的主要研究領域1.5.1文本特征選擇1.5.2文本結構分析1.5.3文本摘要1.5.4文本分類1.5.5文本聚類1.5.6文本關聯分析1.5.7分布分析與趨勢預測1.6文本挖掘在制藥行業的應用案例習題1第2章文本切分及特征詞選擇2.1文本數據采集2.1.1軟件接口對接方式2.1.2開放數據庫方式2.1.3基於底層數據交換的數據直接采集方式2.1.4網絡爬蟲采集網頁數據2.2語料庫與詞典簡介2.2.1語料庫2.2.2詞典2.3文本切分2.3.1句子切分2.3.2詞彙切分2.4文本特征詞選擇2.4.1文本特征詞選擇概述2.4.2常用的文本特征詞選擇方法2.5Python jieba分詞模塊及其用法2.5.1jieba方法2.5.2基於規則的中文分詞2.5.3關鍵詞提取習題2第3章文本表示模型3.1文本預處理3.1.1原始數據處理3.1.2文本預處理簡述3.2向量空間模型3.2.1向量空間模型的概念3.2.2文本向量的相似度3.2.3向量模型的Python實現3.3概率模型3.3.1概率模型概述3.3.2概率建模方法3.3.3文本信息檢索中的概率模型3.3.4概率模型的Python實現3.4概率主題模型3.4.1概率主題模型概述3.4.2PLSA概率主題模型3.4.3LDA概率主題模型3.4.4LDA概率主題模型的Python實現習題3第4章文本分類4.1文本分類概述4.1.1研究的意義4.1.2國內外研究現狀與發展趨勢4.1.3文本分類的定義4.1.4文本分類流程4.1.5文本分類預處理4.2常用文本分類器4.2.1KNN分類器4.2.2SVM分類器4.2.3Rocchio分類器4.2.4樸素貝葉斯分類器4.2.5決策樹分類器4.3分類模型的性能評估4.3.1分類評價方法4.3.2分類性能評價指標習題4第5章文本聚類5.1文本聚類概述5.1.1研究的意義5.1.2國內外研究現狀與發展趨勢5.1.3文本聚類的定義5.1.4文本聚類流程5.1.5對聚類算法的性能要求5.2文本聚類原理與方法5.2.1基於劃分的方法5.2.2基於層次的方法5.2.3基於密度的方法5.2.4基於網格的方法5.2.5基於模型的方法5.3文本聚類評估5.3.1估計聚類趨勢5.3.2確定簇數5.3.3測定聚類質量習題5第6章文本關聯分析6.1關聯規則挖掘概述6.2文本關聯規則6.2.1關聯規則的基本概念6.2.2關聯規則分類6.3關聯規則挖掘算法6.3.1Apriori算法6.3.2FPGrowth算法習題6第7章利用Python處理文本數據簡單應用7.1情感分析7.1.1情感分析原理7.1.2算法設計7.1.3算法實現7.2自動生成關鍵詞和摘要7.2.1TextRank算法7.2.2生成關鍵詞和摘要7.3使用SnowNLP進行商品評價7.3.1SnowNLP庫簡介7.3.2SnowNLP商品評價7.4生成“詞雲”7.4.1“詞雲”的概念7.4.2Python“詞雲”圖的生成習題7參考文獻

教材繫統地介紹文本數據挖掘的相關概念，利用Python作為工具進行相關試驗，其內容主要包括：文本挖掘產生的背景及發展；文本挖掘的概念、文本模型表示、文本內容的預處理，包括分詞、去停用詞以及特征抽取；文本相似度的概念等。介紹文本分類的概念及常用方法，如KNN算法、SVM算法等，並對分類結果進行評價；在介紹文本聚類聚類的概念時是，同樣介紹聚類常用算法，如K均值算法、層次聚類法、密度聚類法等，作為有文本分類、文本聚類的應用，最後給出了信息抽取、社會網絡中的實體關繫抽取和事件抽取。

劉金嶺 錢升華 著