看懂信息检索和网络数据挖掘领域论文的必备知识总结_如何检索有关“数据挖掘技术”方面的专题信息?要求检索结果总包含图书、期刊-CSDN博客

本文链接：https://blog.csdn.net/xianlingmao/article/details/7667042

本文总结了信息检索和网络数据挖掘领域的常用模型和技术，针对WWW, SIGIR, CIKM, WSDM, ACL, EMNLP等会议的论文进行提炼，旨在帮助研究者快速理解论文核心，避免阅读冗余内容，将精力集中在关键点上。" 133547164,19673926,AI编程工具：7个颠覆性的助手,"['人工智能', '编程', '前端开发', '机器学习']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

信息检索和网络数据领域（WWW, SIGIR, CIKM, WSDM, ACL, EMNLP等）的论文中常用的模型和技术总结

引子：对于这个领域的博士生来说，看懂论文是入行了解大家在做什么的研究基础，通常我们会去看一本书。看一本书固然是好，但是有一个很大的缺点：一本书本身自成体系，所以包含太多东西，很多内容看了，但是实际上却用不到。这虽然不能说是一种浪费，但是却没有把有限力气花在刀口上。

我所处的领域是关于网络数据的处理（国际会议WWW, SIGIR, CIKM, WSDM, ACL, EMNLP,等）

我列了一个我自己认为的在我们这个领域常常遇到的模型或者技术的列表，希望对大家节省时间有所帮助：
1. 概率论初步
    主要常用到如下概念：初等概率定义的三个条件，全概率公式，贝叶斯公式，链式法则，常用概率分布（Dirichlet 分布，高斯分布，多项式分布，玻松分布m）
虽然概率论的内容很多，但是在实际中用到的其实主要就是上述的几个概念。基于测度论的高等概率论，几大会议（www，sigir等等）中出现的论文中基本都不会出现。
2. 信息论基础
    主要常用的概念：熵，条件熵，KL散度，以及这三者之间的关系，最大熵原理，信息增益(information gain)
3. 分类
    朴素贝叶斯，KNN，支持向量机，最大熵模型，决策树的基本原理，以及优缺点，知道常用的软件包
4. 聚类