大數(shù)據(jù)-互聯(lián)網(wǎng)大規(guī)模數(shù)據(jù)挖掘與分布式處理(第2版)由斯坦福大學“Web 挖掘”課程的內(nèi)容總結而成，主要關注極大規(guī)模數(shù)據(jù)的挖掘。主要內(nèi)容包括分布式文件系統(tǒng)、相似性搜索、搜索引擎技術、頻繁項集挖掘、聚類算法、廣告管理及推薦系統(tǒng)、社會網(wǎng)絡圖挖掘和大規(guī)模機器學習等。其中每一章節(jié)有對應的習題，以鞏固所講解的內(nèi)容。讀者更可以從網(wǎng)上獲取相關拓展材料。

目錄
第1章 數(shù)據(jù)挖掘基本概念　　1
1.1 數(shù)據(jù)挖掘的定義　　1
1.1.1 統(tǒng)計建?！　?
1.1.2 機器學習　　1
1.1.3 建模的計算方法　　2
1.1.4 數(shù)據(jù)匯總　　2
1.1.5 特征抽取　　3
1.2 數(shù)據(jù)挖掘的統(tǒng)計限制　　4
1.2.1 整體情報預警　　4
1.2.2 邦弗朗尼原理　　4
1.2.3 邦弗朗尼原理的一個例子　　5
1.2.4 習題　　6
1.3 相關知識　　6
1.3.1 詞語在文檔中的重要性　　6
1.3.2 哈希函數(shù)　　7
1.3.3 索引　　8
1.3.4 二級存儲器　　9
1.3.5 自然對數(shù)的底e　　10
1.3.6 冪定律　　11
1.3.7 習題　　12
1.4 本書概要　　13
1.5 小結　　14
1.6 參考文獻　　15
第2章 MapReduce及新軟件?！　?6
2.1 分布式文件系統(tǒng)　　17
2.1.1 計算節(jié)點的物理結構　　17
2.1.2 大規(guī)模文件系統(tǒng)的結構　　18
2.2 MapReduce　　19
2.2.1 Map任務　　20
2.2.2 按鍵分組　　20
2.2.3 Reduce任務　　21
2.2.4 組合器　　21
2.2.5 MapReduce的執(zhí)行細節(jié)　　22
2.2.6 節(jié)點失效的處理　　23
2.2.7 習題　　23
2.3 使用MapReduce的算法　　23
2.3.1 基于MapReduce的矩陣—向量乘法實現(xiàn)　　24
2.3.2 向量v無法放入內(nèi)存時的處理　　 24
2.3.3 關系代數(shù)運算　　25
2.3.4 基于MapReduce的選擇運算27
2.3.5 基于MapReduce的投影運算27
2.3.6 基于MapReduce的并、交和差運算　　28
2.3.7 基于MapReduce的自然連接運算　　28
2.3.8 基于MapReduce的分組和聚合運算　　29
2.3.9 矩陣乘法　　29
2.3.10 基于單步MapReduce的矩陣乘法　　30
2.3.11 習題　　31
2.4 MapReduce的擴展　　31
2.4.1 工作流系統(tǒng)　　32
2.4.2 MapReduce的遞歸擴展版本.33
2.4.3 Pregel系統(tǒng)　　35
2.4.4 習題　　35
2.5 通信開銷模型　　36
2.5.1 任務網(wǎng)絡的通信開銷　　36
2.5.2 時鐘時間　　37
2.5.3 多路連接　　38
2.5.4 習題　　41
2.6 MapReduce復雜性理論　　41
2.6.1 Reducer規(guī)模及復制率　　41
2.6.2 一個例子：相似性連接　　42
2.6.3 MapReduce問題的一個圖模型　　 44
2.6.4 映射模式　　45
2.6.5 并非所有輸入都存在時的處理　　 46
2.6.6 復制率的下界　　46
2.6.7 案例分析：矩陣乘法　　48
2.6.8 習題　　51
2.7 小結　　51
2.8 參考文獻　　53
第3章 相似項發(fā)現(xiàn)　　55
3.1 近鄰搜索的應用　　55
3.1.1 集合的Jaccard相似度　　55
3.1.2 文檔的相似度　　56
3.1.3 協(xié)同過濾——一個集合相似問題　　57
3.1.4 習題　　58
3.2 文檔的shingling　　58
3.2.1 k-shingle　　58
3.2.2 shingle大小的選擇　　59
3.2.3 對shingle進行哈希　　59
3.2.4 基于詞的shingle　　60
3.2.5 習題　　60
3.3 保持相似度的集合摘要表示　　61
3.3.1 集合的矩陣表示　　61
3.3.2 最小哈?！　?2
3.3.3 最小哈希及Jaccard相似度　　62
3.3.4 最小哈希簽名　　63
3.3.5 最小哈希簽名的計算　　63
3.3.6 習題　　66
3.4 文檔的局部敏感哈希算法　　67
3.4.1 面向最小哈希簽名的LSH　　67
3.4.2 行條化策略的分析　　68
3.4.3 上述技術的綜合　　69
3.4.4 習題　　70
3.5 距離測度　　70
3.5.1 距離測度的定義　　71
3.5.2 歐氏距離　　71
3.5.3 Jaccard距離　　72
3.5.4 余弦距離　　72
3.5.5 編輯距離　　73
3.5.6 海明距離　　74
3.5.7 習題　　74
3.6 局部敏感函數(shù)理論　　75
3.6.1 局部敏感函數(shù)　　76
3.6.2 面向Jaccard距離的局部敏感函數(shù)族　　77
3.6.3 局部敏感函數(shù)族的放大處理.77
3.6.4 習題　　79
3.7 面向其他距離測度的LSH函數(shù)族　　80
3.7.1 面向海明距離的LSH函數(shù)族　　 80
3.7.2 隨機超平面和余弦距離　　80
3.7.3 梗概　　81
3.7.4 面向歐氏距離的LSH函數(shù)族　　 82
3.7.5 面向歐氏空間的更多LSH函數(shù)族　　83
3.7.6 習題　　83
3.8 LSH 函數(shù)的應用　　84
3.8.1 實體關聯(lián)　　84
3.8.2 一個實體關聯(lián)的例子　　85
3.8.3 記錄匹配的驗證　　86
3.8.4 指紋匹配　　87
3.8.5 適用于指紋匹配的LSH函數(shù)族　　87
3.8.6 相似新聞報道檢測　　88
3.8.7 習題　　89
3.9 面向高相似度的方法　　90
3.9.1 相等項發(fā)現(xiàn)　　90
3.9.2 集合的字符串表示方法　　91
3.9.3 基于長度的過濾　　91
3.9.4 前綴索引　　92
3.9.5 位置信息的使用　　93
3.9.6 使用位置和長度信息的索引.94
3.9.7 習題　　96
3.10 小結　　97
3.11 參考文獻　　98
第4章 數(shù)據(jù)流挖掘　　100
4.1 流數(shù)據(jù)模型　　100
4.1.1 一個數(shù)據(jù)流管理系統(tǒng)　　100
4.1.2 流數(shù)據(jù)源的例子　　101
4.1.3 流查詢　　102
4.1.4 流處理中的若干問題　　103
4.2 流當中的數(shù)據(jù)抽樣　　103
4.2.1 一個富于啟發(fā)性的例子　　104
4.2.2 代表性樣本的獲取　　104
4.2.3 一般的抽樣問題　　105
4.2.4 樣本規(guī)模的變化　　105
4.2.5 習題　　106
4.3 流過濾　　106
4.3.1 一個例子　　106
4.3.2 布隆過濾器　　107
4.3.3 布隆過濾方法的分析　　107
4.3.4 習題　　108
4.4 流中獨立元素的數(shù)目統(tǒng)計　　109
4.4.1 獨立元素計數(shù)問題　　109
4.4.2 FM 算法　　109
4.4.3 組合估計　　110
4.4.4 空間需求　　111
4.4.5 習題　　111
4.5 矩估計　　111
4.5.1 矩定義　　111
4.5.2 二階矩估計的AMS算法　　112
4.5.3 AMS算法有效的原因　　113
4.5.4 更高階矩的估計　　113
4.5.5 無限流的處理　　114
4.5.6 習題　　115
4.6 窗口內(nèi)的計數(shù)問題　　116
4.6.1 精確計數(shù)的開銷　　116
4.6.2 DGIM算法　　116
4.6.3 DGIM算法的存儲需求　　118
4.6.4 DGIM算法中的查詢應答　　118
4.6.5 DGIM條件的保持　　119
4.6.6 降低錯誤率　　120
4.6.7 窗口內(nèi)計數(shù)問題的擴展　　120
4.6.8 習題　　121
4.7 衰減窗口　　121
4.7.1 最常見元素問題　　121
4.7.2 衰減窗口的定義　　122
4.7.3 最流行元素的發(fā)現(xiàn)　　123
4.8 小結　　123
4.9 參考文獻　　124
第5章 鏈接分析　　126
5.1 PageRank　　126
5.1.1 早期的搜索引擎及詞項作弊　　 126
5.1.2 PageRank 的定義　　128
5.1.3 Web結構　　130
5.1.4 避免終止點　　132
5.1.5 采集器陷阱及“抽稅”法　　134
5.1.6 PageRank 在搜索引擎中的使用　　136
5.1.7 習題　　136
5.2 PageRank的快速計算　　137
5.2.1 轉移矩陣的表示　　137
5.2.2 基于MapReduce的PageRank迭代計算　　138
5.2.3 結果向量合并時的組合器使用　　139
5.2.4 轉移矩陣中塊的表示　　140
5.2.5 其他高效的PageRank迭代方法　　141
5.2.6 習題　　142
5.3 面向主題的PageRank　　142
5.3.1 動機　　142
5.3.2 有偏的隨機游走模型　　143
5.3.3 面向主題的PageRank 的使用　　 144
5.3.4 基于詞匯的主題推斷　　144
5.3.5 習題　　145
5.4 鏈接作弊　　145
5.4.1 垃圾農(nóng)場的架構　　145
5.4.2 垃圾農(nóng)場的分析　　147
5.4.3 與鏈接作弊的斗爭　　147
5.4.4 TrustRank　　148
5.4.5 垃圾質量　　148
5.4.6 習題　　149
5.5 導航頁和權威頁　　149
5.5.1 HITS的直觀意義　　150
5.5.2 導航度和權威度的形式化　　150
5.5.3 習題　　153
5.6 小結　　153
5.7 參考文獻　　155
第6章 頻繁項集　　157
6.1 購物籃模型　　157
6.1.1 頻繁項集的定義　　157
6.1.2 頻繁項集的應用　　159
6.1.3 關聯(lián)規(guī)則　　160
6.1.4 高可信度關聯(lián)規(guī)則的發(fā)現(xiàn)　　161
6.1.5 習題　　162
6.2 購物籃及A-Priori算法　　163
6.2.1 購物籃數(shù)據(jù)的表示　　163
6.2.2 項集計數(shù)中的內(nèi)存使用　　164
6.2.3 項集的單調(diào)性　　165
6.2.4 二元組計數(shù)　　166
6.2.5 A-Priori算法　　166
6.2.6 所有頻繁項集上的A-Priori算法　　168
6.2.7 習題　　169
6.3 更大數(shù)據(jù)集在內(nèi)存中的處理　　170
6.3.1 PCY算法　　171
6.3.2 多階段算法　　172
6.3.3 多哈希算法　　174
6.3.4 習題　　175
6.4 有限掃描算法　　177
6.4.1 簡單的隨機化算法　　177
6.4.2 抽樣算法中的錯誤規(guī)避　　178
6.4.3 SON算法　　179
6.4.4 SON算法和MapReduce　　179
6.4.5 Toivonen算法　　180
6.4.6 Toivonen算法的有效性分析　　 181
6.4.7 習題　　181
6.5 流中的頻繁項計數(shù)　　182
6.5.1 流的抽樣方法　　182
6.5.2 衰減窗口中的頻繁項集　　183
6.5.3 混合方法　　183
6.5.4 習題　　184
6.6 小結　　184
6.7 參考文獻　　186
第7章 聚類　　187
7.1 聚類技術介紹　　187
7.1.1 點、空間和距離　　187
7.1.2 聚類策略　　188
7.1.3 維數(shù)災難　　189
7.1.4 習題　　190
7.2 層次聚類　　190
7.2.1 歐氏空間下的層次聚類　　191
7.2.2 層次聚類算法的效率　　194
7.2.3 控制層次聚類的其他規(guī)則　　194
7.2.4 非歐空間下的層次聚類　　196
7.2.5 習題　　197
7.3 k-均值算法　　198
7.3.1 k-均值算法基本知識　　198
7.3.2 k-均值算法的簇初始化　　198
7.3.3 選擇正確的k值　　199
7.3.4 BFR算法　　200
7.3.5 BFR算法中的數(shù)據(jù)處理　　202
7.3.6 習題　　203
7.4 CURE算法　　204
7.4.1 CURE算法的初始化　　205
7.4.2 CURE算法的完成　　206
7.4.3 習題　　206
7.5 非歐空間下的聚類　　207
7.5.1 GRGPF算法中的簇表示　　207
7.5.2 簇表示樹的初始化　　207
7.5.3 GRGPF算法中的點加入　　208
7.5.4 簇的分裂及合并　　209
7.5.5 習題　　210
7.6 流聚類及并行化　　210
7.6.1 流計算模型　　210
7.6.2 一個流聚類算法　　211
7.6.3 桶的初始化　　211
7.6.4 桶合并　　211
7.6.5 查詢應答　　213
7.6.6 并行環(huán)境下的聚類　　213
7.6.7 習題　　214
7.7 小結　　214
7.8 參考文獻　　216
第8章 Web廣告　　218
8.1 在線廣告相關問題　　218
8.1.1 廣告機會　　218
8.1.2 直投廣告　　219
8.1.3 展示廣告的相關問題　　219
8.2 在線算法　　220
8.2.1 在線和離線算法　　220
8.2.2 貪心算法　　221
8.2.3 競爭率　　222
8.2.4 習題　　222
8.3 廣告匹配問題　　223
8.3.1 匹配及完美匹配　　223
8.3.2 最大匹配貪心算法　　224
8.3.3 貪心匹配算法的競爭率　　224
8.3.4 習題　　225
8.4 adwords問題　　225
8.4.1 搜索廣告的歷史　　226
8.4.2 adwords問題的定義　　226
8.4.3 adwords問題的貪心方法　　227
8.4.4 Balance算法　　228
8.4.5 Balance算法競爭率的一個下界　　228
8.4.6 多投標者的Balance算法　　230
8.4.7 一般性的Balance算法　　231
8.4.8 adwords問題的最后論述　　232
8.4.9 習題　　232
8.5 adwords的實現(xiàn)　　232
8.5.1 投標和搜索查詢的匹配　　233
8.5.2 更復雜的匹配問題　　233
8.5.3 文檔和投標之間的匹配算法　　 234
8.6 小結　　235
8.7 參考文獻　　237
第9章 推薦系統(tǒng)　　238
9.1 一個推薦系統(tǒng)的模型　　238
9.1.1 效用矩陣　　238
9.1.2 長尾現(xiàn)象　　239
9.1.3 推薦系統(tǒng)的應用　　241
9.1.4 效用矩陣的填充　　241
9.2 基于內(nèi)容的推薦　　242
9.2.1 項模型　　242
9.2.2 文檔的特征發(fā)現(xiàn)　　242
9.2.3 基于Tag的項特征獲取　　243
9.2.4 項模型的表示　　244
9.2.5 用戶模型　　245
9.2.6 基于內(nèi)容的項推薦　　246
9.2.7 分類算法　　247
9.2.8 習題　　248
9.3 協(xié)同過濾　　249
9.3.1 相似度計算　　249
9.3.2 相似度對偶性　　252
9.3.3 用戶聚類和項聚類　　253
9.3.4 習題　　254
9.4 降維處理　　254
9.4.1 UV分解　　255
9.4.2 RMSE　　255
9.4.3 UV分解的增量式計算　　256
9.4.4 對任一元素的優(yōu)化　　259
9.4.5 一個完整UV 分解算法的構建　　259
9.4.6 習題　　261
9.5 NetFlix競賽　　262
9.6 小結　　263
9.7 參考文獻　　264
第10章 社會網(wǎng)絡圖挖掘　　265
10.1 將社會網(wǎng)絡看成圖　　265
10.1.1 社會網(wǎng)絡的概念　　265
10.1.2 將社會網(wǎng)絡看成圖　　266
10.1.3 各種社會網(wǎng)絡的例子　　267
10.1.4 多類型節(jié)點構成的圖　　268
10.1.5 習題　　269
10.2 社會網(wǎng)絡圖的聚類　　269
10.2.1 社會網(wǎng)絡圖的距離計算　　269
10.2.2 應用標準的聚類算法　　270
10.2.3 中介度　　271
10.2.4 Girvan-Newman算法　　271
10.2.5 利用中介度來發(fā)現(xiàn)社區(qū)　　274
10.2.6 習題　　275
10.3 社區(qū)的直接發(fā)現(xiàn)　　275
10.3.1 團的發(fā)現(xiàn)　　276
10.3.2 完全二部圖　　276
10.3.3 發(fā)現(xiàn)完全二部子圖　　277
10.3.4 完全二部子圖一定存在的原因　　277
10.3.5 習題　　279
10.4 圖劃分　　280
10.4.1 圖劃分的好壞標準　　280
10.4.2 歸一化割　　280
10.4.3 描述圖的一些矩陣　　281
10.4.4 拉普拉斯矩陣的特征值　　282
10.4.5 其他圖劃分方法　　284
10.4.6 習題　　284
10.5 重疊社區(qū)的發(fā)現(xiàn)　　285
10.5.1 社區(qū)的本質　　285
10.5.2 極大似然估計　　286
10.5.3 關系圖模型　　287
10.5.4 避免成員隸屬關系的離散式變化　　288
10.5.5 習題　　290
10.6 Simrank　　290
10.6.1 社會網(wǎng)絡上的隨機游走者　　 290
10.6.2 帶重啟的隨機游走　　291
10.6.3 習題　　293
10.7 三角形計數(shù)問題　　293
10.7.1 為什么要對三角形計數(shù)　　294
10.7.2 一個尋找三角形的算法　　294
10.7.3 三角形尋找算法的最優(yōu)性　　 295
10.7.4 基于MapReduce尋找三角形　　295
10.7.5 使用更少的Reduce任務.297
10.7.6 習題　　297
10.8 圖的鄰居性質　　298
10.8.1 有向圖和鄰居　　298
10.8.2 圖的直徑　　299
10.8.3 傳遞閉包和可達性　　300
10.8.4 基于MapReduce的傳遞閉包求解　　301
10.8.5 智能傳遞閉包　　303
10.8.6 基于圖歸約的傳遞閉包　　304
10.8.7 鄰居規(guī)模的近似計算　　305
10.8.8 習題　　306
10.9 小結　　307
10.10 參考文獻　　310
第11章 降維處理　　312
11.1 特征值和特征向量　　312
11.1.1 定義　　312
11.1.2 特征值與特征向量計算　　313
11.1.3 基于冪迭代方法的特征對求解　　315
11.1.4 特征向量矩陣　　317
11.1.5 習題　　317
11.2 主成分分析　　318
11.2.1 一個示例　　318
11.2.2 利用特征向量進行降維　　321
11.2.3 距離矩陣　　322
11.2.4 習題　　323
11.3 奇異值分解　　323
11.3.1 SVD的定義　　323
11.3.2 SVD解析　　325
11.3.3 基于SVD的降維　　326
11.3.4 將較低奇異值置為0后有效的原因　　327
11.3.5 使用概念進行查詢處理　　328
11.3.6 矩陣SVD的計算　　329
11.3.7 習題　　330
11.4 CUR 分解　　331
11.4.1 CUR 的定義　　331
11.4.2 合理選擇行和列　　332
11.4.3 構建中間矩陣　　333
11.4.4 完整的CUR 分解　　334
11.4.5 去除重復行和列　　335
11.4.6 習題　　335
11.5 小結　　336
11.6 參考文獻　　337
第12章 大規(guī)模機器學習　　338
12.1 機器學習模型　　338
12.1.1 訓練集　　338
12.1.2 一些例子　　339
12.1.3 機器學習方法　　341
12.1.4 機器學習架構　　342
12.1.5 習題　　344
12.2 感知機　　344
12.2.1 訓練閾值為0 的感知機　　344
12.2.2 感知機的收斂性　　347
12.2.3 Winnow算法　　347
12.2.4 允許閾值變化的情況　　349
12.2.5 多類感知機　　350
12.2.6 變換訓練集　　351
12.2.7 感知機的問題　　351
12.2.8 感知機的并行實現(xiàn)　　353
12.2.9 習題　　354
12.3 支持向量機　　354
12.3.1 支持向量機的構成　　354
12.3.2 超平面歸一化　　356
12.3.3 尋找最優(yōu)逼近分界面　　357
12.3.4 基于梯度下降法求解SVM　　 359
12.3.5 隨機梯度下降　　363
12.3.6 SVM的并行實現(xiàn)　　363
12.3.7 習題　　363
12.4 近鄰學習　　364
12.4.1 近鄰計算的框架　　364
12.4.2 最近鄰學習　　365
12.4.3 學習一維函數(shù)　　365
12.4.4 核回歸　　367
12.4.5 處理高維歐氏空間數(shù)據(jù)　　368
12.4.6 對非歐距離的處理　　369
12.4.7 習題　　369
12.5 各種學習方法的比較　　370
12.6 小結　　371
12.7 參考文獻　　372