社交媒体数据挖掘与分析计算机与互联网pdf下载pdf下载

社交媒体数据挖掘与分析计算机与互联网百度网盘pdf下载

作者:
简介:本篇主要提供社交媒体数据挖掘与分析计算机与互联网pdf下载
出版社：互动出版网图书专营店
出版时间：
pdf下载价格：0.00￥

免费下载

前去下载

书籍下载

下载地址

内容介绍

 书[0名0]：  (正版特价)社交媒体数据挖掘与分析|233055
 图书定价：  79元
 图书作者：  [美]加博尔·萨博（Gabor Szabo）[美]格尔·波拉特坎（Gungor Polatkan） [美]P. 奥斯卡·柏金（P. Oscar Boykin） [英]安东尼奥斯· 查基奥普洛斯 （Antonios Chalkiopoulos）
 出版社：  [1机1]械工业出版社
 出版日期：  2019-12-27 0:00:00
 ISBN号：  9787111643685
 开本：  16开
 页数：  243
 版次：  1-1
 作者简介
[美]加博尔·萨博（Gabor Szabo）[美]格尔·波拉特坎（Gungor Polatkan） [美]P. 奥斯卡·柏金（P. Oscar Boykin） [英]安东尼奥斯· 查基奥普洛斯 （Antonios Chalkiopoulos）著：Gabor Szabo博士，是Tesla的高级软[亻牛]工程师，曾作为数据科[0学0]家任职于Twitter，期间专注于预测众包在线服务中的用户行为和内容流行度，以及对[0大0]规模内容的动力[0学0]进行建模。他还开发了PyCascading数据处理库。
Gungor Polatkan博士，是一[0名0]技术[1主1]管和工程[纟巠]理，他为LinkedIn[0学0][*]相关的后端设计并实现了端到端的[1机1]器[0学0][*]和人工智能离线及在线管道。之前曾在Twitter任职[1机1]器[0学0][*]科[0学0]家，从事如广告定向投放和用户建模等专题的工作。
P. Oscar Boykin博士，是Stripe的软[亻牛]工程师，从事[1机1]器[0学0][*]基础设施的建设工作。他曾在Twitter任职高级工程师，解决数据基础设施的问题。他参与了Scala[0大0]数据库Algebird、Scalding和Summingbird的开发。
Antonios Chalkiopoulos硕士，是分布式系统专家。一位曾在媒体、博彩和金融[令页]域交付过快速和[0大0]型数据项目的系统工程师。他现在作为共同创始人[令页]导Lenses数据流平台的工作，同时担任https://senses.stream网站的CEO。
 内容简介
本书围绕着如何探索和理解社交媒体系统的基本组成部分进行组织，简单地说来就是谁（who）、如何（how）、何时（when）和什么（what）构成了社交媒体过程。本书的目标是“授人以渔”。在涵盖了社交媒体分析的[1主1]要方[mian]之后，本书还以[0大0]量篇幅介绍了[0大0]数据环境下处理社交媒体数据所需的工具、算[0法0]的原理和实际案例，读者可以以此为基础，快速介入生产环境下的社交媒体数据处理任务。
 目录

译者序
前言
致谢
作者简介
技术编辑简介
[0第0]1章 用户：谁参与社交媒体 1
1.1 测量Wikipedia中用户行为的变化 1
1.1.1 用户活动的多样性 2
1.1.2 人类活动中的长尾效应 18
1.2 随处可见的长尾效应：80/20定律 20
1.3 Twitter上的在线行为 23
1.3.1 检索用户的Tweet 24
1.3.2 对数分区 26
1.3.3 Twitter上的用户活动 27
1.4 总结 28
[0第0]2章 网络：社交媒体如何运行 29
2.1 社交网络的类型和属性 30
2.1.1 用户何时创建连接：显式网络 30
2.1.2 有向图与无向图 31
2.1.3 节点和边的属性 31
2.1.4 加[0权0]图 32
2.1.5 由活动构建图：隐式网络 33
2.2 网络可视化 35
2.3 度：赢家通吃 38
2.3.1 连接计数 40
2.3.2 用户连接的长尾分布 41
2.3.3 [0超0]越理想网络模型 43
2.4 捕获相关：三角结构、簇和同配性 45
2.4.1 局部三角结构和簇 45
2.4.2 同配性 49
2.5 总结 53
[0第0]3章 时序过程：用户何时使用社交媒体 54
3.1 传统模型如何描述事[亻牛]发生的时间 54
3.2 事[亻牛]间隔时间 57
3.2.1 与无记忆过程的对比 60
3.2.2 自相关 63
3.2.3 与无记忆过程的偏离 64
3.2.4 用户活动中的时间周期 66
3.3 个体行为的爆发 70
3.4 预测长期指标 78
3.4.1 发现趋势 80
3.4.2 发现季节性 82
3.4.3 利用ARIMA预测时间序列 84
3.5 总结 86
[0第0]4章 内容：社交媒体中有什么 88
4.1 定义内容：聚焦于文本和非结构数据 88
4.1.1 从文本生成特征：自然语言处理基础 89
4.1.2 文本中词条的基本统计 91
4.2 使用内容特征识别[1主1]题 92
4.2.1 话题的流行度 98
4.2.2 用户个体兴趣有多么多样化 100
4.3 从高维文本中抽取低维信息 102
4.4 总结 120
[0第0]5章 处理[0大0]型数据集 122
5.1 MapReduce：组织并行和串行[*]作 122
5.1.1 单词计数 124
5.1.2 偏斜：[*]后一个Reducer的诅咒 127
5.2 多阶段MapReduce流 127
5.2.1 扇出 129
5.2.2 归并数据流 129
5.2.3 连接两个数据源 131
5.2.4 连接小数据集 134
5.2.5 [0大0]规模MapReduce模型 134
5.3 MapReduc程序设计模式 135
5.3.1 静态MapReduce作业 135
5.3.2 迭代MapReduce作业 140
5.3.3 增量MapReduce作业 146
5.3.4 时间相关的MapReduce作业 146
5.3.5 处理长尾分布社交媒体数据的挑战 153
5.4 抽样和近似：以较少计算得到结果 154
5.4.1 HyperLogLog 156
5.4.2 Bloom过滤器 161
5.4.3 Count-Min Sketch 166
5.5 在Hadoop集群上运行 171
5.5.1 在 EC2上安装CHD集群 171
5.5.2 为合作者[扌是]供IAM存取 174
5.5.3 根据需要增加集群处理能力 175
5.6 总结 175
[0第0]6章 [0学0][*]、映[身寸]和推荐 177
6.1 在线社交媒体服务 177
6.1.1 搜索引擎 177
6.1.2 内容参与 178
6.1.3 与现实世界的互动 179
6.1.4 与人的互动 180
6.2 问题阐述 180
6.3 [0学0][*]和映[身寸] 182
6.3.1 矩阵分解 183
6.3.2 [0学0][*]和训练 184
6.3.3 电影[0评0]分示范 187
6.4 预测与推荐 197
6.4.1 [0评0]估 199
6.4.2 方[0法0]概述 200
6.5 总结 209
[0第0]7章 结论 210
7.1 人类互动模式出乎意料的稳定性 210
7.2 均值、标准差和抽样 211
7.3 移除异常值 216
 编辑推荐
社交媒体
数据挖掘与分析
加博尔·萨博（Gabor Szabo）
[ 美 ] 格尔·波拉特坎（Gungor Polatkan）
P. 奥斯卡·柏金（P. Oscar Boykin）
[ 英 ] 安东尼奥斯·查基奥普洛斯 （Antonios Chalkiopoulos）
李凯 吕天阳 译
Social Media Data Mining and Analytics