数据挖掘：原理与实践（进阶篇）

　　全书理论联系实际，全面讲述数据挖据理论、技术及应用的教材。研讨了数据挖掘的方方面面，从基础理论到复杂数据类型及其应用。不仅讨论传统的数据挖掘问题，而且介绍了高级数据类型，例如文本、时间序列、离散序列、空间数据、图数据和社会网络。本书由基础篇和进阶篇组成。基础篇对应原书的第1～11章，进阶篇对应原书的第12～20章。

　　查鲁·C. 阿加沃尔（Charu C. Aggarwal）是IBM T. J. Watson研究中心的杰出研究人员，于1996年获麻省理工学院博士学位。他对数据挖掘领域有着广泛的研究，在国际会议和期刊上发表了250多篇论文，拥有80多项专利。他曾三次被评为IBM的“杰出发明人”，并曾获得IBM公司奖、IBM杰出创新奖和两项IBM杰出技术成就奖。他因为提出基于冷凝的数据挖掘中的隐私保护技术而获得EDBT2014的时间检验奖。他还获得了IEEE ICDM研究贡献奖（2015），这是数据挖掘领域对具有突出贡献的研究的两个*高奖项之一。他曾多次担任ACM/IEEE知名国际学术会议的主席或程序委员会主席，并担任大数据相关多个知名期刊的主编或编委。由于在知识发现和数据挖掘算法上的贡献，他入选SIAM、ACM和IEEE的会士。

出版者的话

译者序

前言

第14章　时间序列数据挖掘1

14.1　引言1

14.2　时间序列的前期准备和相似性度量2

14.2.1　缺失值处理2

14.2.2　噪声去除3

14.2.3　归一化4

14.2.4　数据转换和约简5

14.2.5　时间序列相似性度量6

14.3　时间序列预测7

14.3.1　自回归模型9

14.3.2　自回归移动平均模型10

14.3.3　带有隐含变量的多元预测11

14.4　时间序列模体13

14.4.1　基于距离的模体14

14.4.2　转换为序列模式挖掘15

14.4.3　周期模式16

14.5　时间序列聚类16

14.5.1　共同演化序列的在线聚类17

14.5.2　基于形状的聚类19

14.6　时间序列异常检测20

14.6.1　点异常21

14.6.2　形状异常22

14.7　时间序列分类23

14.7.1　有监督事件检测23

14.7.2　全时序分类26

14.8　小结27

14.9　文献注释27

14.10　练习题28

第15章　离散序列挖掘29

15.1　引言29

15.2　序列模式挖掘30

15.2.1　频繁模式到频繁序列32

15.2.2　约束的序列模式挖掘34

15.3　序列聚类35

15.3.1　基于距离的方法36

15.3.2　基于图的方法36

15.3.3　基于序列的聚类37

15.3.4　概率聚类37

15.4　序列中的异常检测40

15.4.1　位置异常40

15.4.2　组合异常44

15.5　隐马尔可夫模型45

15.5.1　HMM的正式定义47

15.5.2　评估：计算观察序列的拟合概率48

15.5.3　说明：确定观察序列的最优状态序列49

15.5.4　训练：鲍姆韦尔奇算法49

15.5.5　应用50

15.6　序列分类51

15.6.1　最近邻分类器51

15.6.2　基于图的方法51

15.6.3　基于规则的方法52

15.6.4　内核SVM52

15.6.5　概率方法：隐马尔可夫模型54

15.7　小结54

15.8　文献注释55

15.9　练习题55

第16章　空间数据挖掘57

16.1　引言57

16.2　上下文空间属性的挖掘58

16.2.1　形状到时间序列的转换58

16.2.2　使用小波分析的空间数据到多维数据的转换61

16.2.3　共址空间模式62

16.2.4　形状聚类63

16.2.5　异常检测64

16.2.6　形状分类66

16.3　轨迹挖掘67

16.3.1　轨迹数据和多变量时间序列的等价性67

16.3.2　将轨迹转换为多维数据68

16.3.3　轨迹模式挖掘68

16.3.4　轨迹聚类70

16.3.5　轨迹异常检测72

16.3.6　轨迹分类73

16.4　小结74

16.5　文献注释74

16.6　练习题75

第17章　图数据挖掘76

17.1　引言76

17.2　图匹配和距离计算77

17.2.1　同构子图问题的Ullman算法79

17.2.2　最大公共子图问题82

17.2.3　用于距离计算的图匹配方法82

17.3　基于转换的距离计算86

17.3.1　基于频繁子结构的转换和距离计算86

17.3.2　拓扑描述量87

17.3.3　基于内核的转换和计算89

17.4　图数据的频繁子结构挖掘90

17.4.1　基于节点的连接92

17.4.2　基于边的连接92

17.4.3　频繁模式挖掘到图模式挖掘93

17.5　图聚类93

17.5.1　基于距离的方法94

17.5.2　基于频繁子结构的方法94

17.6　图分类 96

17.6.1　基于距离的方法96

17.6.2　基于频繁子结构的方法97

17.6.3　内核SVM98

17.7　小结98

17.8　文献注释99

17.9　练习题99

第18章　挖掘Web数据101

18.1　引言101

18.2　Web爬取和资源发现102

18.2.1　基本爬虫算法102

18.2.2　偏好爬虫103

18.2.3　多线程104

18.2.4　爬虫陷阱应对方法104

18.2.5　检测近似重复的覆盖104

18.3　搜索引擎索引和查询处理105

18.4　排名算法107

18.4.1　PageRank107

18.4.2　HITS111

18.5　推荐系统112

18.5.1　基于内容的推荐114

18.5.2　协同过滤基于邻域的方法115

18.5.3　基于图的方法116

18.5.4　聚类方法117

18.5.5　潜在因素模型118

18.6　Web使用记录的挖掘119

18.6.1　数据预处理120

18.6.2　应用120

18.7　小结121

18.8　文献注释121

18.9　练习题122

第19章　社交网络分析123

19.1　引言123

19.2　社交网络：预备知识与特性124

19.2.1　同质性124

19.2.2　三元闭合和聚类系数124

19.2.3　网络构成的动态性125

19.2.4　符合幂定律的度分布126

19.2.5　中心度和声望的度量126

19.3　社区发现129

19.3.1　Kernighan-Lin算法131

19.3.2　Girvan-Newman算法132

19.3.3　多层次的图划分：METIS135

19.3.4　谱聚类137

19.4　协同分类140

19.4.1　迭代分类算法141

19.4.2　随机游走方式的标签传播142

19.4.3　有监督的谱方法145

19.5　链接预测147

19.5.1　基于邻域的度量148

19.5.2　Katz度量149

19.5.3　基于随机游走的度量150

19.5.4　链接预测作为分类问题150

19.5.5　链接预测作为缺失值估计问题150

19.5.6　讨论151

19.6