本书介绍了互联网环境下文本类型数据的分析方法，探讨了当前主流的文本挖掘技术，以及这些技术在商业环境中的具体应用。本书从算法原理和应用场景两方面分别对在线文本分析技术进行了介绍：从算法原理的角度，以数据挖掘和机器学习的相关知识为基础，介绍了以文本建模、文本分类、文本聚类、序列标注为主要任务的文本分析方法，并对当前主流的深度学习方法与文本分析的结合进行了讨论。从应用场景的角度，讨论了文本分析技术的几个重要实践领域，包括信息检索、内容摘要、口碑分析、社交网络分析以及智能系统。 刘通，毕业于上海交通大学安泰经济与管理学院，获得博士研究生学位，多年从事动画、虚拟现实、手机游戏设计开发的研究。曾出版《PREMIERE PRO CS4 视频编辑与实战演练》、《手机动画角色设计》目前就职于华为技术有限公司 第1章  概述 11．1  网络运营与文本分析 11．1．1  互联网运营的战略思维 11．1．2  网络运营与大数据文本分析 21．2  文本分析的4V特征 41．2．1  Volume特征 41．2．2  Variety特征 51．2．3  Value特征 61．2．4  Velocity特征 71．3  在线文本分析应用 81．3．1  在线文本分析的管理类应用 91．3．2  在线文本分析的内容类应用 121．4  本章小结 16第2章  预备知识 182．1  文本挖掘的主要任务 182．2  语义分析与语法分析 202．3  文本的结构化分析 212．4  文本的标准化分析 242．5  机器学习的基本概念 242．5．1  机器学习与深度学习 252．5．2  机器学习的基本要素 332．6  机器学习的重要问题 362．6．1  概率图模型 362．6．2  判别式模型和产生式模型 392．6．3  机器学习模型求解 402．6．4  模型过拟合 432．7  本章小结 45第3章  文本建模 463．1  文本建模的基本概念 463．2  文本建模的应用场景 483．2．1  主体角色识别 483．2．2  语言风格分析 493．2．3  智能系统 493．2．4  文本表示 503．2．5  文本降维 503．2．6  话题分析 503．3  语言学建模概述 513．4  词标注分析 523．5  句法分析 553．5．1  转换生成语法 563．5．2  依存句法 563．6  知识库与语义网 583．7  统计学建模概述 593．8  向量空间模型 613．9  LSI模型 643．9．1  SVD 643．9．2  基于SVD的降维分析 663．10  Unigram模型 673．11  pLSI模型 673．11．1  pLSI的模型结构 673．11．2  pLSI的参数估计 683．12  LDA主题模型 703．12．1  LDA的模型结构 703．12．2  LDA的参数估计 723．13  主题模型拓展 753．13．1  相关主题模型 763．13．2  层次主题模型 773．13．3  动态主题模型 803．13．4  句子主题模型 823．14  基于词汇的统计学建模方法 833．15  本章小结 86第4章  文本分类 884．1  文本分类的基本概念 884．2  文本分类的应用场景 894．2．1  文档有用性判断 894．2．2  口碑情感分析 904．2．3  负面信息识别 904．2．4  信息检索 904．3  朴素贝叶斯模型 914．3．1  贝努利模型 914．3．2  多项式模型 934．3．3  模型参数平滑 944．4  向量空间模型 954．4．1  Rocchio方法 954．4．2  KNN方法 964．5  SVM模型 974．5．1  硬间隔SVM 974．5．2  软间隔SVM 1004．6  文本分类的评价 1024．6．1  二元分类评价 1024．6．2  多类问题评价 1044．6．3  分类测试集 1054．7  分类特征优化 1064．7．1  分类特征提取 1064．7．2  分类特征转化 1124．7．3  分类特征扩展 1144．8  分类学习策略优化 1174．8．1  AdaBoost算法 1174．8．2  主动式学习 1184．8．3  迁移学习 1194．9  本章小结 119第5章  文本聚类 1215．1  文本聚类的基本概念 1215．2  文本聚类的应用场景 1225．2．1  探索分析 1225．2．2  降维 1235．2．3  信息检索 1235．3  扁平式聚类 1245．3．1