Web data mining: Exploring hyperlinks, contents, and usage data

هدف وب کاوی کشف اطلاعات و دانش مفید از لینک های وب، محتویات صفحه و داده های استفاده است. اگرچه وب کاوی از بسیاری از تکنیک های داده کاوی مرسوم استفاده می کند، اما به دلیل ماهیت نیمه ساختاریافته و بدون ساختار داده های وب، صرفاً کاربرد داده کاوی سنتی نیست. این رشته همچنین بسیاری از الگوریتم ها و تکنیک های خود را توسعه داده است.

لیو متن جامعی در مورد وب کاوی نوشته است که از دو قسمت تشکیل شده است. بخش اول مبانی داده کاوی و یادگیری ماشین را پوشش می دهد که در آن تمام مفاهیم و الگوریتم های ضروری داده کاوی و یادگیری ماشین ارائه شده است. بخش دوم موضوعات کلیدی وب کاوی را پوشش می دهد، که در آن خزیدن وب، جستجو، تجزیه و تحلیل شبکه های اجتماعی، استخراج داده های ساخت یافته، یکپارچه سازی اطلاعات، نظرات کاوی و تجزیه و تحلیل احساسات، کاوی استفاده از وب، جستجوی لاگ کاوی، تبلیغات محاسباتی و سیستم های توصیه گر همه هستند. هم از نظر وسعت و هم در عمق مورد بررسی قرار می گیرد. بنابراین، کتاب او تمام مفاهیم و الگوریتم‌های مرتبط را گرد هم می‌آورد تا متنی معتبر و منسجم را تشکیل دهد.

این کتاب ترکیبی غنی از تئوری و عمل ارائه می دهد. این کتاب برای دانشجویان، محققان و پزشکان علاقه مند به وب کاوی و داده کاوی هم به عنوان یک متن آموزشی و هم به عنوان یک کتاب مرجع مناسب است. اساتید می توانند به راحتی از آن برای کلاس های داده کاوی، وب کاوی و متن کاوی استفاده کنند. مواد آموزشی اضافی مانند اسلایدهای سخنرانی، مجموعه داده ها و الگوریتم های پیاده سازی شده به صورت آنلاین در دسترس هستند.

Web mining aims to discover useful information and knowledge from Web hyperlinks, page contents, and usage data. Although Web mining uses many conventional data mining techniques, it is not purely an application of traditional data mining due to the semi-structured and unstructured nature of the Web data. The field has also developed many of its own algorithms and techniques.

Liu has written a comprehensive text on Web mining, which consists of two parts. The first part covers the data mining and machine learning foundations, where all the essential concepts and algorithms of data mining and machine learning are presented. The second part covers the key topics of Web mining, where Web crawling, search, social network analysis, structured data extraction, information integration, opinion mining and sentiment analysis, Web usage mining, query log mining, computational advertising, and recommender systems are all treated both in breadth and in depth. His book thus brings all the related concepts and algorithms together to form an authoritative and coherent text.

The book offers a rich blend of theory and practice. It is suitable for students, researchers and practitioners interested in Web mining and data mining both as a learning text and as a reference book. Professors can readily use it for classes on data mining, Web mining, and text mining. Additional teaching materials such as lecture slides, datasets, and implemented algorithms are available online.