具体描述
《大数据智能——互联网时代的机器学习和自然语言处理技术》是一本介绍大数据智能分析的科普书籍，旨在让更多的人了解和学习互联网时代的机器学习和自然语言处理技术，以期让大数据技术更好地为我们的生产和生活服务。
《大数据智能——互联网时代的机器学习和自然语言处理技术》包括大数据智能基础和大数据智能应用两个部分，共8 章。大数据智能基础部分有三章：第1 章以深度学习为例介绍大数据智能的计算框架；第2 章以知识图谱为例介绍大数据智能的知识库；第3 章介绍大数据的计算处理系统。大数据智能应用部分有5 章：第4 章介绍智能问答，第5 章介绍主题模型，第6 章介绍个性化推荐，第7 章介绍情感分析与意见挖掘，第8 章介绍面向社会媒体内容的分析与应用。最后在《大数据智能——互联网时代的机器学习和自然语言处理技术》的后记部分为读者追踪大数据智能的最新学术材料提供了建议。
《大数据智能——互联网时代的机器学习和自然语言处理技术》适合作为高等院校计算机相关专业的研究生学习参考资料，也适合电脑爱好者阅读。作者特别希望本书能够帮助所有愿意对大数据技术有所了解，以及想要将大数据技术应用于本职工作的读者。
作者简介
刘知远，目前以项目负责人身份主持NSFC青年基金、博士后科学基金等多项研究项目，科研经费累计超过50万元。同时以项目骨干身份参与实验室多项973、863、NSFC重点和面上项目。承担和参与项目列表如下：担任项目负责人的项目 1.2014年-2016年，国家社会科学基金重大项目“基于大规模社交媒体的汉语模因传播机理量化研究”子课题。 2.2013年-2015年，NSFC青年基金项目“基于协同语义计算的社交媒体信息扩散与可信性研究”。 3.2013年-2014年，清华大学-微软联合实验室研究项目“Efficient Chinese Entity Linking for Large-scale Web Corpus to Heterogeneous Entity Networks”。担任项目骨干的项目 1.2014年-2018年，973项目“面向三元空间的互联网中文信息处理理论与方法”。 2.2012年-2015年，NSFC面上项目“关键词抽取与社会标签推荐相结合的中文文本主题词自动标注方法研究”。 3.2012年-2016年，NSFC重点项目“篇章级中文语义分析理论与方法”。 4.2009年-2011年，NSFC面上项目“汉语复杂网络的性质、结构、演化及其典型应用研究”。 5.2007年-2009年，863项目“大规模网络图文数据的语义分类和适度理解技术研究”。+ 6.2011年-2013年，东芝公司研究项目“面向中文文档分类的技术研发”。 7.2011年-2012年，Google公司研究项目“移动查询助理和查询结果摘要”。 8.2010年-2011年，Google公司研究项目“信息标注与社区发现的大规模算法研究”。 9.2009年-2011年，Google公司研究项目“针对流文本集的并行LDA”。
目录信息
1.1 概述 3
1.1.1 可以做酸奶的面包机——通用机器的概念 3
1.1.2 连接主义 5
1.1.3 用机器设计机器 6
1.1.4 深度网络 6
1.1.5 深度学习的用武之地 7
1.2 从人脑神经元到人工神经元 8
1.2.1 生物神经元中的计算灵感 8
1.2.2 激活函数 9
1.3 参数学习 10
1.3.1 模型的评价 11
1.3.2 有监督学习 11
1.3.3 梯度下降法 12
1.4 多层前馈网络 13
1.4.1 多层前馈网络 14
1.4.2 后向传播算法计算梯度 16
1.5 逐层预训练 17
1.6 深度学习是终极神器吗 19
1.6.1 深度学习带来了什么 19
1.6.2 深度学习尚未做到什么 20
1.7 内容回顾与推荐阅读 21
1.8 参考文献 21
第2 章 知识图谱——机器大脑中的知识库 23
2.1 什么是知识图谱 25
2.2 知识图谱的构建 27
2.2.1 大规模知识库 27
2.2.2 互联网链接数据 28
2.2.3 互联网网页文本数据 29
2.2.4 多数据源的知识融合 29
2.3 知识图谱的典型应用 30
2.3.1 查询理解（Query Understanding） 30
2.3.2 自动问答（Question Answering） 32
2.3.3 文档表示（Document Representation） 33
2.4 知识图谱的主要技术 34
2.4.1 实体链指（Entity Linking） 34
2.4.2 关系抽取（Relation Extraction） 35
2.4.3 知识推理（Knowledge Reasoning） 37
2.4.4 知识表示（Knowledge Representation） 38
2.5 前景与挑战 39
2.6 内容回顾与推荐阅读 40
2.7 参考文献 41
第3 章 大数据系统——大数据背后的支撑技术 43
3.1 概述 45
3.2 高性能计算技术 46
3.2.1 超级计算机的组成 47
3.2.2 并行计算的系统支持 48
3.3 虚拟化和云计算技术 52
3.3.1 虚拟化技术 52
3.3.2 云计算服务 54
3.4 基于分布式计算的大数据系统 55
3.4.1 Hadoop 生态系统 55
3.4.2 Spark 61
3.4.3 典型的大数据基础架构 63
3.5 大规模图计算 63
3.5.1 分布式图计算框架 64
3.5.2 高效的单机图计算框架 65
3.6 NoSQL 66
3.6.1 MongoDB 简介 67
3.7 内容回顾与推荐阅读 69
3.8 参考文献 70
第4 章 智能问答——智能助手是如何炼成的 71
4.1 概述 73
4.2 问答系统的主要组成 77
4.3 文本问答系统 78
4.3.1 问题理解 78
4.3.2 知识检索 81
4.3.3 答案生成 83
4.4 社区问答系统 84
4.4.1 社区问答系统的结构 85
4.4.2 相似问题检索 86
4.4.3 答案过滤 86
4.5 多媒体问答系统 87
4.6 大型问答系统案例：IBM 沃森问答系统 89
4.6.1 沃森的总体结构 89
4.6.2 问题解析 90
4.6.3 知识储备 90
4.6.4 检索和候选答案生成 91
4.6.5 可信答案确定 92
4.7 内容回顾与推荐阅读 93
4.8 参考文献 94
第5 章 主题模型——机器的智能摘要利器 97
5.1 概述 99
5.2 主题模型出现的背景 100
5.3 第一个主题模型潜在语义分析 102
5.4 第一个正式的概率主题模型 104
5.5 第一个正式的贝叶斯主题模型 105
5.6 LDA 的概要介绍 106
5.6.1 LDA 的延伸理解——主题模型广义理解 109
5.6.2 模型求解 111
5.6.3 模型评估 112
5.6.4 模型选择：主题数目的确定 113
5.7 主题模型的变形与应用 114
5.7.1 基于LDA 的模型变种 114
5.7.2 基于LDA 的典型应用 115
5.7.3 一个基于主题模型的新浪名人话题排行榜应用 118
5.8 内容回顾与推荐阅读 122
5.9 参考文献 123
第6 章 个性化推荐系统——如何了解电脑背后的TA 129
6.1 概述 131
6.1.1 推荐系统的发展历史 132
6.1.2 推荐无处不在 133
6.1.3 从千人一面到千人千面 133
6.2 个性化推荐的基本问题 134
6.2.1 推荐系统的输入 135
6.2.2 推荐系统的输出 137
6.2.3 个性化推荐的形式化 137
6.2.4 推荐系统的三大核心问题 138
6.3 典型推荐算法浅析 139
6.3.1 推荐算法的分类 139
6.3.2 典型推荐算法介绍 140
6.3.3 基于矩阵分解的打分预测 146
6.3.4 推荐的可解释性 151
6.3.5 推荐算法的评价 153
6.3.6 我们走了多远 156
6.4 参考文献 160
第7 章 情感分析与意见挖掘——计算机如何了解人类情感 165
7.1 概述 167
7.2 情感分析的主要研究问题 172
7.3 情感分析的主要方法 175
7.3.1 构成情感和观点的基本元素 175
7.3.2 情感极性与情感词典 177
7.3.3 属性－观点对 182
7.3.4 情感分析 184
7.4 主要的情感词典资源 188
7.5 内容回顾与推荐阅读 189
7.6 参考文献 190
第8 章 面向社会媒体大数据的语言使用分析及应用 195
8.1 概述 197
8.2 面向社会媒体的自然语言使用分析 197
8.2.1 词汇的时空传播与演化 198
8.2.2 语言使用与个体差异 200
8.2.3 语言使用与社会地位 202
8.2.4 语言使用与群体分析 203
8.3 面向社会媒体的自然语言分析应用 206
8.3.1 社会预测 206
8.3.2 霸凌现象定量分析 207
8.4 未来研究的挑战与展望 208
8.5 参考文献 209
后 记 214
国际学术组织、学术会议与学术论文 214
国内学术组织、学术会议与学术论文 216
如何快速了解某个领域的研究进展 217
· · · · · · (收起)
读后感
题目并非吹捧，而是我在读这本书过程中的体验。 以一本科普读物来说，这本书的难度确实是有些大。我在读这本书的过程中遇到了不小的麻烦，有些不懂的地方还要去百度，读的越多，越觉得难啃。后来回过头看到前言里面这样的一句话：“这本书希望从人工智能这个新的角度，总结大数...
我从事了近10年的数据处理工作，这本书将下一代互联网的基础介绍了一遍，学习以后，收益良多。 本人最近工作需要，需要搭建知识图谱平台，那么知识图谱是什么呢？书里讲得很简单明了，“为用户提供更具调理的信息，甚至顺着知识图谱可以探索更深入、广泛和完整的知识体系，...
读完刘知远老师的《大数据智能》，回味之时突然记起曾经看过的一个科幻英剧，讲的是女主人公因为男友去世伤心欲绝，无意间她通过朋友介绍发现一个“复活”男友的办法，这是一家公司，提供人工智能机器人服务，可以完美复制一个人。一开始她是拒绝的，但当她知道已经怀了过世男...
如果不是知道刘知远老师是做自然语言处理的也不会去看这本书，可以说被书名耽误了的一本nlp领域的科普概念好书，书里没有任何代码实例，都是用通俗的语言在讲解nlp领域的各个方向，书最后的方法也很实用，不过还是建议在看这本书之前对nlp做一个大致的了解。会有更多进益。希望...
随着互联网、云计算、移动通讯技术的发展，我们已经进入一个崭新的大数据时代 。大数据的处理技术，对人工智能的发展，起到了很大的推动作用，与人工智能密切相 关的机器学习，自然语言处理等领域，近年来都在大数据的推动下，飞速发展。如何真 正实现大数据智能，或者...
用户评价
这本书的排版和装帧质量简直是业界良心，拿在手上就能感受到出版方对内容的尊重。纸张的触感很舒服，不是那种反光的劣质纸，长时间阅读眼睛也不会太累。这本书的结构安排也很有匠心，像是一部精心编排的交响乐。它不是简单地堆砌知识点，而是有一条清晰的主线贯穿始终，那就是如何将原始数据转化为具有指导意义的洞察力。我特别欣赏作者在论述每一个技术模块时，都会穿插一些业界真实发生的故事或者他自己的从业经验。比如，在讲解数据可视化那一章时，他没有仅仅罗列工具，而是通过几个失败和成功的可视化案例对比，直观地展示了“讲故事”的能力在数据分析中的核心地位。我立刻就想到了我之前做的一个报告，如果早点看到书里的这个案例，我的结论可能会更有说服力。这本书的好处在于，它不仅教你“怎么做”，更引导你去思考“为什么这样做”。它让你从一个“代码执行者”慢慢转变为一个“问题解决者”。这种思维上的转变，才是真正宝贵的财富，也是我给这本书高分的关键原因。
我花了整整一个周末才大致浏览完这本书的后半部分，坦白讲，那部分内容对我来说简直是信息洪流，需要反复咀嚼才能消化。作者对高级分析模型的探讨，简直就是一场思维的马拉松。什么深度学习在非结构化数据挖掘中的应用，还有图数据库的结构化思维，这些概念我以前只是在论文里瞥见过，但这本书居然能把它讲得这么条理分明，简直是化繁为简的大师。最让我感到震撼的是关于“数据伦理”和“算法偏见”的章节。在这个时代，技术的光芒越是耀眼，我们越需要清醒地认识到其背后的阴影。作者没有回避这些敏感问题，而是直接揭示了算法如何可能固化甚至加剧社会不公，这一点我给予最高的敬意。我记得其中有一个案例分析，关于某招聘系统因为历史数据偏差而对特定人群产生歧视，作者用了大量的篇幅去剖析背后的技术逻辑和修正方案，这不仅仅是技术讨论，更是对社会责任的深刻反思。这本书的价值，远超出了单纯的技术指导，它更像是一剂清醒剂，提醒我们这些在数据海洋里遨游的人，方向比速度更重要。读完之后，我的内心是激动的，也有一丝沉重，因为看到了未来的广阔前景，也看到了必须承担的责任。
说句实在话，这本书的篇幅相当可观，我花了比预期更长的时间才读完一遍。不过，这种“厚重感”恰恰是它专业性的体现，丝毫没有注水的感觉。我尤其想提一下其中关于“数据治理”的章节，这部分内容在很多技术书籍里常常被一笔带过，但这本书却把它提升到了战略高度。作者详细阐述了从元数据管理到数据质量保证的整个生命周期框架，这对于任何想建立或优化企业数据中台的管理者来说，都是不可多得的参考。我之前一直觉得数据治理很玄乎，都是些流程和规范，没什么技术含量，但读完之后才明白，它背后涉及到的是复杂的技术架构和权责分配。书中对不同行业数据治理模式的对比分析，也让我茅塞顿开，原来金融、医疗和零售行业在数据合规和安全上的侧重点是如此不同。这本书的广度让人惊叹，它成功地在技术细节和宏观战略之间架起了一座坚实的桥梁，让读者既能看到操作层面的“螺丝钉”，也能仰望战略层面的“蓝图”。
这本书的封面设计得非常引人注目，那种深邃的蓝色调配上充满科技感的几何图形，一下子就抓住了我的眼球。我本来就对信息爆炸时代的各种处理技术很感兴趣，所以毫不犹豫地就买了这本书。拿到手沉甸甸的，感觉内容肯定很扎实。我特别喜欢作者在引言部分对“数据”这个概念的重新定义，他没有停留在传统的数据统计层面，而是将其视为一种全新的资源形态，这视角很新鲜。书中前半部分对于数据采集和预处理的详尽描述，简直就是一本实战手册，每一个步骤都写得清清楚楚，从爬虫技术的选择到数据清洗的各种疑难杂症，都有非常具体的案例支撑。我特别佩服作者那种严谨又不失生动的叙事方式，他能把枯燥的技术流程讲得像侦探小说一样引人入胜。特别是关于时间序列数据的异常检测那几章，我用了书里提到的几种算法在我的一个项目中试了试，效果比我之前用的方法好了不止一个档次。说实话，看完这部分，我对“数据资产”这个概念有了更深刻的理解，感觉自己知识体系里缺了一块重要的拼图终于补上了。这本书的深度足够让一个有一定基础的读者感到挑战，但又不至于高深莫测到令人望而却步，恰到好处的平衡把握得非常到位。
这本书的语言风格非常独特，它不像教科书那样刻板，也没有网络教程那样过于口语化，而是一种介于两者之间的、充满智慧的对话感。作者擅长使用精妙的比喻来解释复杂的算法原理。比如，他把特征工程比喻成炼金术，把模型的迭代优化形容为雕塑家不断打磨璞玉的过程，这些生动的描述极大地降低了学习曲线的陡峭程度。我发现自己阅读的节奏不由自主地加快了，因为每一页似乎都在抛出一个新的思考点，迫使我停下来消化一下。这本书的真正价值在于，它构建了一个完整的知识体系，让你明白数据从产生到价值变现的每一步是如何环环相扣的。它没有给出“万能钥匙”，而是提供了一套解决问题的思维框架和工具箱。我非常推荐给那些刚从传统IT领域转型到数据科学领域的朋友，它能帮你快速建立起对这个行业的整体认知，避免在学习过程中走弯路。这是一本值得反复阅读、并随着自身经验的积累而产生新理解的案头必备之作。
综述性质的书
入门导读的书 自然语言讲得多 还可以 参考文献啥的可以参考
水
入门导读的书 自然语言讲得多 还可以 参考文献啥的可以参考
科普
