大数据 : 互联网大规模数据挖掘与分布式处理

作者: Anand Rajaraman / Jeffrey David Ullman 出版社: 人民邮电出版社 副标题: 互联网大规模数据挖掘与分布式处理 原作名: Mining of Massive Datasets 译者: 王斌 本书是在Anand Rajaraman和Jeff Ullman于斯坦福大学教授多年的一门季度课程的材料基础上总结而成的。该课程名为“Web挖掘”（编号CS345A），尽管它已经成为高年级本科生能接受并感兴趣的课程之一，但其原本是一门为高年级研究生设计的课程。 本书内容 简单来说，本书是关于数据挖掘的。但是，本书主要关注极大规模数据的挖掘，也就是说这些数据大到无法在内存中存放。由于重点强调数据的规模，所以本书的例子大都来自 Web本身或者Web上导出的数据。另外，本书从算法的角度来看待数据挖掘，即数据挖掘是将算法应用于数据，而不是使用数据来“训练”某种类型的机器学习引擎。 本书的主要内容包括： (1) 分布式文件系统以及已成功应用于大规模数据集并行算法构建的Map-Reduce工具； (2) 相似性搜索，包括最小哈希和局部敏感哈希的关键技术； (3) 数据流处理以及面对快速到达、须立即处理、易丢失的数据的专用处理算法； (4) 搜索引擎技术，包括谷歌的PageRank、链接作弊检测及计算网页导航度（hub）和权威度（authority）的HITS方法； (5) 频繁项集挖掘，包括关联规则挖掘、购物篮分析、A-Priori及其改进算法； (6) 大规模高维数据集的聚类算法； (7) Web应用中的两个关键问题：广告管理及推荐系统。 Web本身或者Web上导出的数据。另外，本书从算法的角度来看待数据挖掘，即数据挖掘是将算法应用于数据，而不是使用数据来“训练”某种类型的机器学习引擎。 本书的主要内容包括： (1) 分布式文件系统以及已成功应用于大规模数据集并行算法构建的Map-Reduce工具； (2) 相似性搜索，包括最小哈希和局部敏感哈希的关键技术； (3) 数据流处理以及面对快速到达、须立即处理、易丢失的数据的专用处理算法； (4) 搜索引擎技术，包括谷歌的PageRank、链接作弊检测及计算网页导航度（hub）和权威度（authority）的HITS方法； (5) 频繁项集挖掘，包括关联规则挖掘、购物篮分析、A-Priori及其改进算法； (6) 大规模高维数据集的聚类算法； (7) Web应用中的两个关键问题：广告管理及推荐系统。