斯坦福数据挖掘教程（第3版）

本书由斯坦福大学“Web挖掘”课程的内容总结而成，主要关注极大规模数据的挖掘。书中包括分布式文件系统、相似性搜索、搜索引擎技术、频繁项集挖掘、聚类算法、广告管理及推荐系统、社会网络图挖掘和大规模机器学习等主要内容。第3 版新增了决策树、神经网络和深度学习等内容。几乎每节都有对应的习题，以此来巩固所讲解的内容。读者还可以从网上获取相关拓展资料。

【作者简介】

尤雷.莱斯科夫（Jure Leskovec）

Pinterest公司首席科学家，斯坦福大学计算机科学系副教授，研究方向为大型社交和信息网络的数据挖掘。他的研究成果获得了很多奖项，如Microsoft Research Faculty Fellowship、Alfred P. Sloan Fellowship和Okawa Foundation Fellowship，还获得了很多最佳论文奖，同时也被《纽约时报》《华尔街日报》《华盛顿邮报》《连线》、NBC、BBC和CBC等流行的社会媒体刊载。他还创建了斯坦福网络分析平台（SNAP）。

阿南德.拉贾拉曼（Anand Rajaraman）

数据库和Web技术领域领军者，硅谷连续创业者和风险投资人，斯坦福大学计算机科学系助理教授。自1996年起创立过多家公司，这些公司先后被亚马逊、谷歌和沃尔玛集团收购，而他本人历任亚马逊技术总监、沃尔玛负责全球电子商务业务的副总裁。之后创立了风投公司Milliways Ventures和Rocketship VC，投资过Facebook、Lyft等众多公司。作为学者，他主要研究数据库系统、Web和社交媒体，他的研究论文在学术会议上获得了多个奖项，他在2012年被Fast Company杂志列入“商界Z具创造力100人”。

杰弗里.大卫.厄尔曼（Jeffrey David Ullman）

计算机科学家，美国国家工程院院士，2020年图灵奖得主。早年在贝尔实验室工作，之后任教于普林斯顿大学，十年后加入斯坦福大学直至退休，一生的科研、著书和育人成果卓著。他是ACM会员，曾获SIGMOD创新奖、高德纳奖、冯诺依曼奖等多项科研大奖；合著有“龙书”《编译原理》、数据库名著《数据库系统实现》等多部经典著作；培养的多名学生已成为数据库领域的专家，其中包括谷歌联合创始人Sergey Brin，本书第二作者也是他的得意弟子。目前担任Gradiance公司CEO。

【译者简介】

王斌博士

小米AI实验室主任，NLP首席科学家。中国中文信息学会理事，《中文信息学报》编委。加入小米公司之前，是中科院研究员、博导及中科院大学教授。译有《信息检索导论》《大数据：互联网大规模数据挖掘与分布式处理》和《机器学习实战》等书。

王达侃

优刻得AI部门负责人，曾任WeWork Research & Applied Science中国区负责人，并曾在LinkedIn、Twitter和微软亚洲研究院负责AI以及大数据方向的研发工作。硕士毕业于美国斯坦福大学计算机系，本科毕业于上海交通大学ACM班。

1.本书作者Jeffrey Ullman是2020图灵奖获得者；

2.本书译者是国内知名NLP专家王斌老师；

3.本书内容源自斯坦福大学网红课程“CS246：海量数据挖掘”、“CS224W：图机器学习”和“CS341：项目实战课”；

4.书中以海量数据挖掘和机器学习为重点，全面分析并实现了各种常用的数据挖掘算法，同时介绍了目前Web应用的许多重要话题；

5.在第2版《大数据 互联网大规模数据挖掘与分布式处理（第2版）》基础上，第3版内容新增一章，专门探讨神经网络和深度学习并扩充了社会网络分析和决策树的相关内容。

本书源自斯坦福大学“CS246：海量数据挖掘”“CS224W：图机器学习”和“CS341：项目实战课”三门课程的内容。书中以海量数据挖掘和机器学习为重点，全面分析并实现了各种常用的数据挖掘算法，同时介绍了目前Web应用的许多重要话题。

这一版不仅新增一章，专门探讨神经网络和深度学习这一主题，还在上一版基础上扩充了社会网络分析和决策树的相关内容，同时更新了其他一些内容。

- 分布式文件系统以及MapReduce；

- 相似性搜索；

- 数据流处理以及特殊情况专用处理算法；

- 搜索引擎技术，如谷歌的PageRank；

- 频繁项集挖掘；

- 大规模高维数据集的聚类算法；

- 广告管理系统和推荐系统；

- 社会网络图挖掘；

- 降维处理，如SVD和CUR分解；

- 大规模机器学习；

- 深度神经网络。

【亚马逊读者好评】

“作为斯坦福大学‘大规模数据挖掘’在线课程的教材，这本书介绍了各种数据挖掘算法以及一些大数据应用。”

“这本书中包含许多热门的算法，特别是与挖掘图数据相关的算法，并且算法的理论和实现并重。书中的大量例子相当直观，易于理解。各章最后还提炼了章节要点，以帮助读者巩固和消化知识要点，让人很惊喜！”

“这本书涵盖了很多话题，从MapReduce和局部敏感哈希，到图的算法和大规模机器学习，内容全面、实用。”

第 1章 数据挖掘基本概念　　1

1.1　数据挖掘的定义　1

1.1.1　建模　1

1.1.2　统计建模　2

1.1.3　机器学习　2

1.1.4　建模的计算方法　3

1.1.5　数据概括　3

1.1.6　特征抽取　4

1.2　数据挖掘的统计限制　5

1.2.1　整体情报预警　5

1.2.2　邦弗朗尼原理　5

1.2.3　邦弗朗尼原理的一个例子　6

1.2.4　习题　7

1.3　相关知识　7

1.3.1　词语在文档中的重要性　7

1.3.2　哈希函数　8

1.3.3　索引　9

1.3.4　二级存储器　10

1.3.5　自然对数的底e　11

1.3.6　幂定律　12

1.3.7　习题　13

1.4　本书概要　14

1.5　小结　15

1.6　参考文献　16

第　2章 MapReduce和新软件栈　17

2.1　分布式文件系统　18

2.1.1　计算节点的物理结构　18

2.1.2　大规模文件系统的结构　19

2.2　MapReduce　20

2.2.1　Map任务　21

2.2.2　按键分组　21

2.2.3　Reduce任务　22

2.2.4　组合器　22

2.2.5　MapReduce的执行细节　23

2.2.6　节点故障的处理　24

2.2.7　习题　24

2.3　使用MapReduce的算法　24

2.3.1　基于MapReduce的矩阵—向量乘法实现　25

2.3.2　向量v无法放入内存时的处理　26

2.3.4　基于MapReduce的选择运算　28

2.3.5　基于MapReduce的投影运算　28

2.3.6　基于MapReduce的并、交和差运算　29

2.3.7　基于MapReduce的自然连接运算　29

2.3.8　基于MapReduce的分组和聚合运算　30

2.3.9　矩阵乘法　30

2.3.10　基于单步MapReduce的矩阵乘法　31

2.3.11　习题　32

2.4　MapReduce的扩展　32

2.4.1　工作流系统　33

2.4.2　Spark　34

2.4.3　Spark实现　36

2.4.4　TensorFlow　37

2.4.5　MapReduce的递归扩展版本　38

2.4.6　整体同步系统　40

2.4.7　习题　41

2.5　通信开销模型　41

2.5.1　任务网络的通信开销　42

2.5.2　时钟时间　43

2.5.3　多路连接　43

2.5.4　习题　46

2.6　MapReduce复杂性理论　47

2.6.1　Reducer规模及复制率　47

2.6.2　一个例子：相似性连接　48

2.6.3　MapReduce问题的一个图模型　51

2.6.5　并非所有输入都存在时的处理　52

2.6.7　案例分析：矩阵乘法　54

2.6.8　习题　57

2.7　小结　58

2.8　参考文献　59

第3章　相似项发现　61

3.1　集合相似度的应用　62

3.1.1　集合的Jaccard相似度　62

3.1.2　文档的相似度　62

3.1.3　协同过滤——一个集合相似问题　63

3.1.4　习题　64

3.2　文档的shingling　65

3.2.1　k-shingle　65

3.2.2　shingle大小的选择　65

3.2.3　对shingle进行哈希　66

3.2.4　基于词的shingle　66

3.2.5　习题　67

3.3　保持相似度的集合摘要表示　67

3.3.1　集合的矩阵表示　67

3.3.2　最小哈希　68

3.3.3　最小哈希和Jaccard相似度　69

3.3.4　最小哈希签名　69

3.3.5　最小哈希签名的计算　70

3.3.6　对最小哈希加速　72

3.3.7　使用哈希加速　73

3.3.8　习题　75

3.4　文档的局部敏感哈希算法　76

3.4.1　面向最小哈希签名的LSH　76

3.4.2　行条化策略的分析　77

3.4.3　上述技术的综合　79

3.4.4　习题　79

3.5　距离测度　80

3.5.1　距离测度的定义　80

3.5.2　欧氏距离　80

3.5.3　Jaccard 距离　81

3.5.4　余弦距离　81

3.5.5　编辑距离　82

3.5.6　海明距离　83

3.5.7　习题　83

3.6　局部敏感函数理论　85

3.6.1　局部敏感函数　85

3.6.2　面向Jaccard距离的局部敏感函数族　86

3.6.3　局部敏感函数族的放大处理　87

3.6.4　习题　89

3.7　面向其他距离测度的LSH函数族　89

3.7.1　面向海明距离的LSH函数族　89

3.7.2　随机超平面和余弦距离　90

3.7.3　梗概　91

3.7.4　面向欧氏距离的LSH函数族　91

3.7.5　面向欧氏空间的更多LSH函数族　92

3.7.6　习题　93

3.8　LSH函数的应用　93

3.8.1　实体关联　94

3.8.2　一个实体关联的例子　94

3.8.3　记录匹配的验证　95

3.8.4　指纹匹配　96

3.8.5　适用于指纹匹配的LSH函数族　98

3.8.7　习题　99

3.9　面向高相似度的方法　99

3.9.1　相等项发现　99

3.9.2　集合的字符串表示方法　100

3.9.3　基于长度的过滤　100

3.9.4　前缀索引　101

3.9.5　位置信息的使用　102

3.9.6　使用位置和长度信息的索引　103

3.9.7　习题　105

3.10　小结　106

3.11　参考文献　108

第4章　数据流挖掘　109

4.1　流数据模型　109

4.1.1　一个数据流管理系统　109

4.1.2　流数据源的例子　110

4.1.3　流查询　111

4.1.4　流处理中的若干问题　112

4.2　流当中的数据抽样　112

4.2.1　一个富有启发性的例子　112

4.2.2　代表性样本的获取　113

4.2.3　一般的抽样问题　114

4.2.4　样本规模的变化　114

4.2.5　习题　115

4.3　流过滤　115

4.3.1　一个例子　115

4.3.2　布隆过滤器　116

4.3.3　布隆过滤方法的分析　116

4.3.4　习题　117

4.4　流中独立元素的数目统计　118

4.4.1　独立元素计数问题　118

4.4.2　FM算法　118

4.4.3　组合估计　119

4.4.4　空间需求　120

4.4.5　习题　120

4.5　矩估计　120

4.5.1　矩定义　120

4.5.2　二阶矩估计的AMS算法　121

4.5.3　AMS算法有效的原因　122

4.5.4　更高阶矩的估计　122

4.5.5　无限流的处理　123

4.5.6　习题　124

4.6　窗口内的计数问题　124

4.6.1　精确计数的开销　125

4.6.2　DGIM算法　125

4.6.3　DGIM算法的存储需求　127

4.6.4　DGIM算法中的查询应答　127

4.6.5　DGIM条件的保持　127

4.6.6　降低错误率　128

4.6.7　窗口内计数问题的扩展　129

4.6.8　习题　130

4.7　衰减窗口　130

4.7.1　最常见元素问题　130

4.7.2　衰减窗口的定义　130

4.7.3　最流行元素的发现　131

4.8　小结　132

4.9　参考文献　133

第5章　链接分析　134

5.1　PageRank　134

5.1.1　早期的搜索引擎及词项作弊　134

5.1.2　PageRank的定义　136

5.1.3　Web结构　138

5.1.4　避免终止点　140

5.1.5　采集器陷阱和“抽税”法　142

5.1.6　PageRank在搜索引擎中的使用　144

5.1.7　习题　144

5.2　PageRank的快速计算　145

5.2.1　转移矩阵的表示　146

5.2.2　基于MapReduce的PageRank迭代计算　146

5.2.3　结果向量合并时的组合器使用　147

5.2.4　转移矩阵中块的表示　148

5.2.5　其他高效的PageRank迭代方法　149

5.2.6　习题　150

5.3　面向主题的PageRank　150

5.3.1　动机　150

5.3.2　有偏的随机游走模型　151

5.3.3　面向主题的PageRank的使用　153

5.3.5　习题　153

5.4　链接作弊　153

5.4.1　垃圾农场的架构　154

5.4.2　垃圾农场的分析　155

5.4.3　与链接作弊的斗争　156

5.4.4　TrustRank　156

5.4.5　垃圾质量　156

5.4.6　习题　157

5.5　导航页和权威页　157

5.5.1　HITS的直观意义　158

5.5.2　导航度和权威度的形式化　158

5.5.3　习题　161

5.6　小结　161

5.7　参考文献　164

第6章　频繁项集　165

6.1　购物篮模型　165

6.2　购物篮和A-Priori算法　171

6.3　更大数据集在内存中的处理　178

6.4　有限扫描算法　185

6.5　流中的频繁项计数　190

6.6　小结　192

6.7　参考文献　194

第7章　聚类　195

7.1　聚类技术介绍　195

7.2　层次聚类　198

7.3　k-均值算法　206

7.4　CURE算法　212

7.5　非欧空间下的聚类　215

7.6　流聚类及并行化　218

7.7　小结　222

7.8　参考文献　224

第8章　Web广告　226

8.1　在线广告相关问题　226

8.2　在线算法　228

8.3　广告匹配问题　231

8.4　adwords问题　233

8.5　adwords的实现　240

8.6　小结　243

8.7　参考文献　245

第9章　推荐系统　246

9.1　推荐系统的模型　246

9.2　基于内容的推荐　249

9.3　协同过滤　257

9.4　降维处理　262

9.5　Netflix竞赛　270

9.6　小结　271

9.7　参考文献　272

第　10章 社会网络图挖掘　273

10.1　将社会网络看成图　273

10.2　社会网络图的聚类　277

10.3　社区的直接发现　283

10.4　图划分　287

10.5　重叠社区的发现　293

10.6　Simrank　299

10.7　三角形计数问题.　306

10.8　图的邻居性质　311

10.9　小结　324

10.10　参考文献　326

第　11章 降维处理　328

11.1　特征值和特征向量　328

11.2　主成分分析　334

11.3　奇异值分解　339

11.4　CUR分解　347

11.5　小结　352

11.6　参考文献　353

第　12章 大规模机器学习　354

12.1　机器学习模型　354

12.2　感知机　360

12.3　支持向量机　371

12.4　近邻学习　381

12.5　决策树　387

12.6　各种学习方法的比较　397

12.7　小结　397

12.8　参考文献　399

第　13章 神经网络与深度学习　400

13.1　神经网络简介　400

13.2　密集型前馈网络　405

13.3　反向传播与梯度下降　413

13.4　卷积神经网络　420

13.5　循环神经网络　427

13.6　正则化　433

13.7　小结　435

13.8　参考文献　436