Mining Text Data

برنامه‌های متن‌کاوی به دلیل وب 2.0 و برنامه‌های شبکه‌های اجتماعی پیشرفت‌های چشمگیری را تجربه کرده‌اند. پیشرفت‌های اخیر در فناوری سخت‌افزار و نرم‌افزار منجر به تعدادی سناریو منحصر به فرد شده است که در آن الگوریتم‌های متن کاوی یاد گرفته می‌شوند.

داده‌های متن کاوی جایگاه مهمی را در زمینه تجزیه و تحلیل متن معرفی می‌کند و یک جلد ویرایش شده است که توسط محققان و متخصصان برجسته بین‌المللی متمرکز بر شبکه‌های اجتماعی و داده کاوی ارائه شده است. این کتاب شامل طیف گسترده ای از موضوعات در سراسر شبکه های اجتماعی و داده کاوی است. هر فصل شامل یک بررسی جامع شامل محتوای اصلی تحقیق در مورد موضوع، و جهت گیری های آینده تحقیقات در این زمینه است. تمرکز ویژه ای بر متن جاسازی شده با داده های ناهمگن و چند رسانه ای است که فرآیند استخراج را بسیار چالش برانگیز می کند. تعدادی روش مانند یادگیری انتقالی و کاوی بین زبانی برای چنین مواردی طراحی شده است.

Mining Text Data محتوا را ساده می کند، به طوری که دانشجویان سطح پیشرفته، پزشکان و محققان علوم کامپیوتر می توانند از این کتاب بهره مند شوند. کتابخانه‌های دانشگاهی و شرکتی، و همچنین ACM، IEEE، و علوم مدیریت متمرکز بر امنیت اطلاعات، تجارت الکترونیک، پایگاه‌های داده، داده کاوی، یادگیری ماشین و آمار خریداران اصلی این کتاب مرجع هستند.

Text mining applications have experienced tremendous advances because of web 2.0 and social networking applications. Recent advances in hardware and software technology have lead to a number of unique scenarios where text mining algorithms are learned.

Mining Text Data introduces an important niche in the text analytics field, and is an edited volume contributed by leading international researchers and practitioners focused on social networks & data mining. This book contains a wide swath in topics across social networks & data mining. Each chapter contains a comprehensive survey including the key research content on the topic, and the future directions of research in the field. There is a special focus on Text Embedded with Heterogeneous and Multimedia Data which makes the mining process much more challenging. A number of methods have been designed such as transfer learning and cross-lingual mining for such cases.

Mining Text Data simplifies the content, so that advanced-level students, practitioners and researchers in computer science can benefit from this book. Academic and corporate libraries, as well as ACM, IEEE, and Management Science focused on information security, electronic commerce, databases, data mining, machine learning, and statistics are the primary buyers for this reference book.