网络数据挖掘考试重点.doc

《网络数据挖掘考试重点.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、《WebDatamining》复习与总结一、课程主要内容数据挖掘概述　+　WEB数据挖掘数据挖掘（ch1概述）：又被称为数据库中的知识发现（ＫＤＤ）。是指从数据源（如DB、文本、图片、万维网等）探寻有用的模式或知识的过程。这些模式必须是有用的、有潜在价值的、并且是可以被理解的。数据挖掘是一门多学科交叉的学科，包括机器学习、统计、数据库、人工智能、信息检索和可视化。WEB数据挖掘（ch6-12）的目标是从web超链接、网页内容和使用日志中探寻有用的信息。依据挖掘过程中使用的数据类别，web挖掘的任务划分为三种主要的类型：web结构挖掘、web内

2、容挖掘和web使用挖掘。web结构挖掘：从表征web结构的超链接中寻找知识。Ch6-ch8：信息检索与web搜索；链接分析；web爬取。web内容挖掘：从网页内容中抽取有用的信息和知识。Ch9-ch11：结构化数据抽取：包装器生成；信息集成；观点挖掘。web使用挖掘：从记录每位用户点击情况的使用日志中挖掘用户的访问模式。Ch12：web使用挖掘二、各章主要知识点（一）（ch1）概述——主要知识点1、万维网、超文本、超链接、超媒体的概念；2、HTTP，HTML，URL，WEB，TCP/IP的含义；3、Web数据的特点：P5－6；4、数据挖掘的定

3、义、数据挖掘任务、KDD过程、KDD的数据类型等；5、Web数据挖掘的定义、分类、web数据挖掘过程等。6、关联规则、列模式挖掘、分类与预测、聚类挖掘的基本概念及挖掘思想。WEB结构挖掘：包括——信息检索与WEB搜索、链接分析、WEB爬取（二）（ch6）信息检索与web搜索1、基本概念：（1）信息检索IR：即帮助使用者从大号的数据集信息中发现需要的资料。了信息的采集、组织、存储、检索及分发。根据用户的查询信息得到相应的一组文档，得到的结果根据其与用户查询信息的相关程序排序，最常用的用户查询信息是一组关键字（又称词）。其基本信息是单个文档，大量

4、的文档形成文本数据库。（2）web搜索：是信息检索的一个重要分支。区别于信息检索的特点是：效率是WEB搜索的一个最为重要的问题；网页与传统信息检索系统中使用的普通文档不同：（1）具有超链接以及锚文本、（2）网页是半结构化的、（3）网页中的内容基本上是有组织的，并且在一些结构块中出现；作弊技术是网络上的一个重要的问题。（3）IR基本架构：用户查询（关键字查询、布尔查询、短语查询、邻近查询、全文查询、自然语言查询等）+查询操作（作简单预处理如STOPWORDS删除等发送到检索引擎、或处理用户反馈——关联性反馈）+索引器（为提高查询效率对原始文档用

5、某种数据结构做索引，形成文档索引——返回文档索引，如倒排索引）+检索系统（为每个索引文档计算与查询的相关度分数）关键字查询布尔查询短语查询邻近查询全文查询自然语言查询预处理关联性反馈倒排索引计算文档与查询的相关度分数布尔模型（布尔查询：AND、OR、NOT）向量空间模型（TF表、TF－IDF表、查询、相关度排名）语言模型概率模型关联性反馈（4）查全率（recall）、查准率（precision）、查准率－查全率曲线（PR曲线）、排名查准率（rankprecision）、F-score（5）网页预处理：移除停用词、词干提取、数字、连字号、标点、

6、字符大小写的处理；辨别不同的字段；辨别锚文本；移除HTML标签；辨别主要内容块；（6）副本探测（对整个文本Hash——MD5算法；基于n元短语的副本探测技术）：即复制页面，可减少索引大小，改善搜索效率；镜像：复制站点的技术。（7）倒排索引：是一张列表，包含了每一个不同的词和包含该词的文档列表。可加快检索和查询的速度。其本身构建速度也非常快。记录格式：〈idj,fij,[o1,o2,…..o

7、fij

8、]〉倒排索引的建立及压缩：搜索引擎——基于向量空间模型和词匹配模型。爬取网页！！元搜索引擎和组合多种排序：略网络作弊的概念及分类：l内容作弊（词组

9、作弊）：标题、元标记、正文、锚文本、网址。如内容重复、或添加其他不相关的l链接作弊（影响知名度分数）：链出链接作弊（指向中心页面——目录克隆）或链入链接作弊（创建蜜罐、网络目录中添加链接、用户生成内容是添加链接、交换链接、自发添加等）l隐藏技术：内容隐藏（隐藏垃圾项）、掩饰技术（垃圾网络服务器、重定向技术等）l抵制作弊：分类处理——区别对待内容作弊、链接作弊、隐藏技术等；信任排名方法可用。2、主要知识点（1）IR系统的基本架构及原理l用户查询的主要形式：关键字查询、布尔查询、短语查询、邻近查询、全文查询、自然语言查询的含义l查询操作l索引器l

10、检索系统（2）信息检索模型主要有四种信息检索模型：布尔模型、向量空间模型、语言模型、概率模型。熟悉布尔模型、向量空间模型的基本原理，了解统计语言模型、概率模型。布尔