文本作為重要的非結(jié)構(gòu)化數(shù)據(jù)之一，其相關(guān)方面的數(shù)據(jù)挖掘在醫(yī)療健康、市場(chǎng)營(yíng)銷(xiāo)、電商媒體、數(shù)字人文等各種場(chǎng)景中都有重要的應(yīng)用。例如，對(duì)電子病歷的規(guī)范化文本數(shù)據(jù)進(jìn)行提取，可以量化病人的診斷結(jié)果，提出合理建議；在點(diǎn)評(píng)類(lèi)平臺(tái)中對(duì)消費(fèi)者的評(píng)論進(jìn)行關(guān)鍵詞提取，可以對(duì)店家的服務(wù)進(jìn)行評(píng)估；在公共社交平臺(tái)上對(duì)某一個(gè)話題的文本進(jìn)行提取和情感量化，可以獲知大眾對(duì)某一個(gè)話題的看法，把握相關(guān)輿情。這些應(yīng)用都有著巨大的價(jià)值提升潛力，而要發(fā)掘這些潛力則需要掌握體系化的文本數(shù)據(jù)挖掘方法。
對(duì)于文本數(shù)據(jù)挖掘工具而言，除了基于圖形交互界面的軟件（如Tableau）外，還有基于命令行的通用開(kāi)源軟件，如R和Python。雖然利用Python來(lái)做自然語(yǔ)言處理和文本數(shù)據(jù)分析的資料非常多，但是隨著文本數(shù)據(jù)挖掘日漸普及，各行各業(yè)的科研人員和從業(yè)者都需要發(fā)掘文本的價(jià)值，并希望快速習(xí)得一些實(shí)用的工具來(lái)對(duì)文本進(jìn)行分析。Python需要初學(xué)者具備更多的計(jì)算機(jī)編程知識(shí)，才能發(fā)揮其效力；而R語(yǔ)言作為一個(gè)面向統(tǒng)計(jì)和可視化的開(kāi)源工具，逐漸受到更多來(lái)自工業(yè)界和科研界的認(rèn)可。R語(yǔ)言的開(kāi)發(fā)者在設(shè)計(jì)工具的時(shí)候通常認(rèn)為用戶也沒(méi)有太多的計(jì)算機(jī)編程基礎(chǔ)，所以在各種軟件包中通過(guò)提供“傻瓜式”的函數(shù)操作，讓使用者僅僅通過(guò)復(fù)制粘貼較少的代碼，就能夠直接對(duì)自己的數(shù)據(jù)進(jìn)行復(fù)雜的數(shù)據(jù)操作與分析，這是R語(yǔ)言的一大特點(diǎn)。
本書(shū)立足于R語(yǔ)言在文本數(shù)據(jù)挖掘領(lǐng)域的發(fā)展前沿，對(duì)文本數(shù)據(jù)挖掘的基本概念和實(shí)現(xiàn)方法進(jìn)行了系統(tǒng)介紹，并利用大量實(shí)際案例和通用代碼來(lái)引導(dǎo)讀者進(jìn)行實(shí)踐和思考。通過(guò)閱讀本書(shū)，讀者可以循序漸進(jìn)地掌握文本數(shù)據(jù)挖掘中的各種概念、方法和工具，完成日常學(xué)習(xí)和工作中的文本分析任務(wù)。
本書(shū)內(nèi)容
第 1 章，走進(jìn)文本數(shù)據(jù)挖掘。對(duì)文本數(shù)據(jù)挖掘進(jìn)行了綜合的介紹，內(nèi)容包括什么是文本數(shù)據(jù)挖掘、為什么要進(jìn)行文本數(shù)據(jù)挖掘和文本數(shù)據(jù)挖掘的基本框架，并對(duì)文本數(shù)據(jù)挖掘的常用軟件工具進(jìn)行了概述。
第 2 章，文本數(shù)據(jù)挖掘利器—R語(yǔ)言。向初學(xué)者介紹R語(yǔ)言的基本使用方法，包括軟件的安裝、環(huán)境的配置、數(shù)據(jù)結(jié)構(gòu)與類(lèi)型、編程基礎(chǔ)和數(shù)據(jù)操作方法。
第 3 章，從基礎(chǔ)做起1—字符串的基本處理。主要利用stringr包作為工具，講述各式各樣的字符串操作及其在R中的實(shí)現(xiàn)方法。
第 4 章，從基礎(chǔ)做起2—用好正則表達(dá)式。介紹了正則表達(dá)式的基本概念，包括通配符、簡(jiǎn)寫(xiě)字符集和反向引用等，并結(jié)合實(shí)例引導(dǎo)讀者進(jìn)行實(shí)踐。
第 5 章，步入正題—導(dǎo)入各類(lèi)文本數(shù)據(jù)。介紹了如何把本地各種格式的文本數(shù)據(jù)導(dǎo)入到R環(huán)境中，并講述了如何進(jìn)行編碼格式的識(shí)別和文本數(shù)據(jù)結(jié)構(gòu)的轉(zhuǎn)化。
第 6 章，更進(jìn)一步—對(duì)各類(lèi)文本數(shù)據(jù)進(jìn)行預(yù)處理。針對(duì)文本數(shù)據(jù)清洗這一主題，對(duì)文本切分、去除停用詞、詞干提取、詞性標(biāo)注等預(yù)處理任務(wù)進(jìn)行了介紹。
第 7 章，上手文本數(shù)據(jù)挖掘—文本特征提取的4種方法。主要介紹了文本特征提取的方法，包括TF-IDF特征提取、各種詞嵌入的方法以及文檔向量化。
第 8 章，文本分類(lèi)—基于機(jī)器學(xué)習(xí)的方法。從無(wú)監(jiān)督和有監(jiān)督兩個(gè)方面，介紹了文本數(shù)據(jù)分類(lèi)的基本方法，并給出相關(guān)的實(shí)踐代碼。
第 9 章，深入理解文本內(nèi)涵—文本情感分析。分別對(duì)如何進(jìn)行英文情感分析和中文情感分析進(jìn)行了介紹，并給出通用案例和系統(tǒng)實(shí)現(xiàn)過(guò)程。
第 10 章，文本數(shù)據(jù)的直觀表達(dá)—文本可視化。聚焦于文本可視化，介紹了如何利用文本信息繪制條形圖、克利夫蘭點(diǎn)圖、矩形樹(shù)狀圖、詞云圖、詞匯位置分布圖、網(wǎng)絡(luò)圖等。
第 11 章，舉一反三—文本數(shù)據(jù)挖掘項(xiàng)目實(shí)踐。利用3個(gè)典型的文本分析案例，來(lái)引導(dǎo)讀者對(duì)情感分析、文本分類(lèi)和關(guān)鍵詞提取進(jìn)行學(xué)習(xí)和實(shí)踐。
本書(shū)特點(diǎn)
? 深入淺出，簡(jiǎn)單易學(xué)：本書(shū)不需要讀者具有文本挖掘或R語(yǔ)言的基礎(chǔ)知識(shí)，循序漸進(jìn)地帶領(lǐng)讀者掌握文本數(shù)據(jù)挖掘中的各種知識(shí)以及文本分析在R語(yǔ)言中的實(shí)現(xiàn)方法。
? 代碼豐富，實(shí)踐性強(qiáng)：本書(shū)幾乎在所有文本分析任務(wù)中都提供了簡(jiǎn)潔可行的R語(yǔ)言實(shí)現(xiàn)代碼，讀者可以通過(guò)實(shí)踐來(lái)體會(huì)每一步文本挖掘操作。通過(guò)反復(fù)練習(xí)，可以習(xí)得其中的技巧，并運(yùn)用在自己的文本數(shù)據(jù)挖掘任務(wù)中。
? 體系完備，系統(tǒng)性強(qiáng)：本書(shū)介紹了文本數(shù)據(jù)挖掘基本任務(wù)的方方面面，從文本數(shù)據(jù)的導(dǎo)入和預(yù)處理到分析、建模和可視化。有利于讀者對(duì)整體知識(shí)結(jié)構(gòu)的把握，從而在解決文本數(shù)據(jù)挖掘問(wèn)題的時(shí)候具有更加全面而細(xì)致的考慮。
? 內(nèi)容新穎，緊跟前沿：文本數(shù)據(jù)挖掘作為經(jīng)典的知識(shí)體系不會(huì)過(guò)時(shí)，但是軟件工具卻在一直在更新迭代。本書(shū)參考了大量近3年內(nèi)的R軟件包及其幫助文檔，緊跟技術(shù)發(fā)展潮流，讓讀者能夠習(xí)得較為先進(jìn)的實(shí)現(xiàn)技術(shù)，提高編寫(xiě)代碼的效率。
適用對(duì)象
本書(shū)適合需要對(duì)文本數(shù)據(jù)挖掘進(jìn)行了解和運(yùn)用的在校大學(xué)生、科研人員和數(shù)據(jù)分析從業(yè)者，尤其適合初學(xué)者入門(mén)，同時(shí)能夠?yàn)閬?lái)自各行各業(yè)（新聞媒體、人文社科、醫(yī)療健康、生物醫(yī)藥、環(huán)境生態(tài)、市場(chǎng)營(yíng)銷(xiāo)等）對(duì)文本數(shù)據(jù)分析感興趣的廣大讀者提供技術(shù)參考。
本書(shū)作者
本書(shū)在編寫(xiě)過(guò)程中參考了國(guó)內(nèi)外大量的文本挖掘與R語(yǔ)言實(shí)現(xiàn)的相關(guān)資料。本書(shū)的完成首先要感謝R語(yǔ)言開(kāi)源社區(qū)，他們不知疲倦的努力和無(wú)私的分享讓R語(yǔ)言在文本數(shù)據(jù)挖掘中越發(fā)強(qiáng)大。同時(shí)，需要對(duì)復(fù)旦大學(xué)圖書(shū)館情報(bào)研究部進(jìn)行致謝，我在這里擔(dān)任助管期間得到了很多鍛煉和啟示。還要感謝謝琳老師、趙斌教授和中國(guó)科學(xué)院文獻(xiàn)情報(bào)中心科學(xué)計(jì)量小組在本書(shū)編寫(xiě)期間對(duì)我的支持。感謝機(jī)械工業(yè)出版社各位編輯專(zhuān)業(yè)的工作。最后，感謝我的父母，無(wú)論在任何時(shí)候都給予我無(wú)私的愛(ài)。
由于作者水平有限，書(shū)中難免出現(xiàn)錯(cuò)誤和不足之處，敬請(qǐng)廣大讀者批評(píng)指正。希望本書(shū)能夠讓各位讀者從零到一、從無(wú)到有地獲知文本數(shù)據(jù)挖掘的基本概念，并習(xí)得利用R語(yǔ)言進(jìn)行文本數(shù)據(jù)挖掘的技術(shù)技巧。

黃天元