社交網(wǎng)站的數(shù)據(jù)挖掘與分析（原書第3版）

前言
第一部分 社交網(wǎng)站導(dǎo)引
序幕
第1章 挖掘Twitter：探索熱門話題、發(fā)現(xiàn)人們的談?wù)搩?nèi)容等
1．1 概述
1．2 Twitter風(fēng)靡一時(shí)的原因
1．3 探索Twitter API
1．3．1 基本的Twitter術(shù)語(yǔ)
1．3．2 創(chuàng)建一個(gè)Twitter API連接
1．3．3 探索熱門話題
1．3．4 搜索推文
1．4 分析140字（或更多）的推文
1．4．1 提取推文實(shí)體
1．4．2 使用頻率分析技術(shù)分析推文和推文實(shí)體
1．4．3 計(jì)算推文的詞匯豐富性
1．4．4 檢視轉(zhuǎn)推模式
1．4．5 使用直方圖將頻率數(shù)據(jù)可視化
1．5 本章小結(jié)
1．6 推薦練習(xí)
1．7 在線資源
第2章 挖掘Facebook：分析粉絲頁(yè)面、查看好友關(guān)系等
2．1 概述
2．2 探索Facebook的圖譜API
2．2．1 理解圖譜API
2．2．2 理解開放圖協(xié)議
2．3 分析社交圖譜聯(lián)系
2．3．1 分析Facebook頁(yè)面
2．3．2 使用pandas操作數(shù)據(jù)
2．4 本章小結(jié)
2．5 推薦練習(xí)
2．6 在線資源
第3章 挖掘Instagram：計(jì)算機(jī)視覺(jué)、神經(jīng)網(wǎng)絡(luò)、對(duì)象識(shí)別和人臉檢測(cè)
3．1 概述
3．2 探索Instagram API
3．2．1 建立Instagram API請(qǐng)求
3．2．2 獲取你自己的Instagram訂閱源
3．2．3 通過(guò)主題標(biāo)簽檢索媒體
3．3 Instagram帖子的剖析
3．4 人工神經(jīng)網(wǎng)絡(luò)速成
3．4．1 訓(xùn)練神經(jīng)網(wǎng)絡(luò)“看”圖片
3．4．2 手寫數(shù)字識(shí)別
3．4．3 使用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在照片中識(shí)別物體
3．5 神經(jīng)網(wǎng)絡(luò)在Instagram帖子中的應(yīng)用
3．5．1 標(biāo)記圖像內(nèi)容
3．5．2 在圖像中檢測(cè)人臉
3．6 本章小結(jié)
3．7 推薦練習(xí)
3．8 在線資源
第4章 挖掘LinkedIn：分組職位、聚類同行等
4．1 概述
4．2 探索LinkedIn API
4．2．1 發(fā)起LinkedIn API請(qǐng)求
4．2．2 下載LinkedIn的聯(lián)系人并保存為CSV文件
4．3 數(shù)據(jù)聚類速成
4．3．1 對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理以便進(jìn)行分析
4．3．2 測(cè)量相似度
4．3．3 聚類算法
4．4 本章小結(jié)
4．5 推薦練習(xí)
4．6 在線資源
第5章 挖掘文本文件：計(jì)算文檔相似度、提取搭配等
5．1 概述
5．2 文本文件
5．3 TF-IDF簡(jiǎn)介
5．3．1 詞頻
5．3．2 逆文檔頻率
5．3．3 TF-IDF
5．4 用TF-IDF查詢?nèi)祟愓Z(yǔ)言數(shù)據(jù)
5．4．1 自然語(yǔ)言工具包概述
5．4．2 對(duì)人類語(yǔ)言使用TF-IDF
5．4．3 查找相似文檔
5．4．4 分析人類語(yǔ)言中的二元文法
5．4．5 分析人類語(yǔ)言數(shù)據(jù)的反思
5．5 本章小結(jié)
5．6 推薦練習(xí)
5．7 在線資源
第6章 挖掘網(wǎng)頁(yè)：使用自然語(yǔ)言處理理解人類語(yǔ)言、總結(jié)博客內(nèi)容等
6．1 概述
6．2 抓取、解析和爬取網(wǎng)頁(yè)
6．3 通過(guò)解碼語(yǔ)法來(lái)探索語(yǔ)義
6．3．1 一步步講解自然語(yǔ)言處理
6．3．2 人類語(yǔ)言數(shù)據(jù)中的句子檢測(cè)
6．3．3 文檔摘要
6．4 以實(shí)體為中心的分析：范式轉(zhuǎn)換
6．5 人類語(yǔ)言數(shù)據(jù)處理分析的質(zhì)量
6．6 本章小結(jié)
6．7 推薦練習(xí)
6．8 在線資源
第7章 挖掘郵箱：分析誰(shuí)和誰(shuí)說(shuō)什么以及說(shuō)的頻率等
7．1 概述
7．2 獲取和處理郵件語(yǔ)料庫(kù)
7．2．1 Unix郵箱指南
7．2．2 獲得Enron數(shù)據(jù)
7．2．3 將郵件語(yǔ)料轉(zhuǎn)換為Unix郵箱
7．2．4 將Unix郵箱轉(zhuǎn)換為pandas DataFrame
7．3 分析Enron語(yǔ)料庫(kù)
7．3．1 根據(jù)日期-時(shí)間范圍查詢
7．3．2 發(fā)件人-收件人通信的分析模式
7．3．3 根據(jù)關(guān)鍵詞查找郵件
7．4 分析你自己的郵件數(shù)據(jù)
7．4．1 通過(guò)OAuth訪問(wèn)你的Gmail
7．4．2 獲取和解析郵件
7．4．3 Immersion對(duì)電子郵件的可視化模式
7．5 本章小結(jié)
7．6 推薦練習(xí)
7．7 在線資源
第8章 挖掘GitHub：檢查軟件協(xié)同習(xí)慣、構(gòu)建興趣圖譜等
8．1 概述
8．2 探索GitHub的API
8．2．1 建立GitHub API連接
8．2．2 建立GitHub API請(qǐng)求
8．3 使用屬性圖為數(shù)據(jù)建模
8．4 分析GitHub興趣圖譜
8．4．1 初始化一個(gè)興趣圖譜
8．4．2 計(jì)算圖的中心度度量
8．4．3 為用戶添加“關(guān)注”邊來(lái)擴(kuò)展興趣圖譜
8．4．4 以節(jié)點(diǎn)為中心獲得更高效的查詢
8．4．5 興趣圖譜的可視化
8．5 本章小結(jié)
8．6 推薦練習(xí)
8．7 在線資源
第二部分 Twitter數(shù)據(jù)挖掘與分析實(shí)用指南
第9章 Twitter數(shù)據(jù)挖掘與分析
9．1 訪問(wèn)Twitter的API（開發(fā)目的）
9．2 使用OAuth訪問(wèn)Twitter的API（產(chǎn)品目的）
9．3 探索流行話題
9．4 查找推文
9．5 構(gòu)造方便的函數(shù)調(diào)用
9．6 使用文本文件存儲(chǔ)JSON數(shù)據(jù)
9．7 使用MongoDB存儲(chǔ)和訪問(wèn)JSON數(shù)據(jù)
9．8 使用信息流API對(duì)Twitter數(shù)據(jù)管道抽樣
9．9 采集時(shí)序數(shù)據(jù)
9．10 提取推文實(shí)體
9．11 在特定的推文范圍內(nèi)查找最流行的推文
9．12 在特定的推文范圍內(nèi)查找最流行的推文實(shí)體
9．13 對(duì)頻率分析制表
9．14 查找轉(zhuǎn)推了狀態(tài)的用戶
9．15 提取轉(zhuǎn)推的屬性
9．16 創(chuàng)建健壯的Twitter請(qǐng)求
9．17 獲取用戶檔案信息
9．18 從任意的文本中提取推文實(shí)體
9．19 獲得用戶的所有好友和關(guān)注者
9．20 分析用戶的好友和關(guān)注者
9．21 獲取用戶的推文
9．22 爬取好友關(guān)系圖
9．23 分析推文內(nèi)容
9．24 提取鏈接目標(biāo)摘要
9．25 分析用戶收藏的推文
9．26 本章小結(jié)
9．27 推薦練習(xí)
9．28 在線資源
第三部分 附錄
附錄A 關(guān)于本書虛擬機(jī)體驗(yàn)的信息
附錄B OAuth入門
附錄C Python和Jupyter Notebook的使用技巧