自然語言處理從入門到實戰

胡盼盼

  • 出版商: 中國鐵道
  • 出版日期: 2020-06-01
  • 定價: $479
  • 售價: 8.5$407
  • 語言: 簡體中文
  • 頁數: 264
  • 裝訂: 平裝
  • ISBN: 7113266916
  • ISBN-13: 9787113266912
  • 相關分類: Text-mining
  • 立即出貨

買這商品的人也買了...

商品描述

為了幫助廣大愛好自然語言處理(NaturalLanguageProcessing,NLP)技術的讀者朋友入門此領域,
本書闡述了自然語言處理概況、領域應用、相關處理工具包、相關的機器學習及深度學習模型、文本預處理及文本表徵等基礎知識,
以及具體的自然語言處理任務,包括文本分類、關係抽取、知識圖譜、文本摘要、序列標註、機器翻譯和聊天系統,
同時介紹了自然語言處理技術在學術界以及工業界的發展、應用現狀,並為讀者們提供了部分面試參考題目。
本書適合有一定的編程及機器學習基礎,想入門自然語言處理,
以及想系統了解或準備求職自然語言處理初級崗位的讀者閱讀。

作者簡介

胡盼盼

自然語言處理工程師,斯特拉斯堡大學計算機語言學碩士,曾任法國科學院(CNRS,Centre National de la Recherche Scientifique)
算法研究員,負責過醫療知識圖譜、聊天機器人、智能律師系統、文本生成系統等企業級核心項目。

目錄大綱

目錄
第一部分了解自然語言處理
第1章自然語言處理初探
1.1自然語言處理概述
1.1.1自然語言處理早期發展史
1.1.2新世紀的里程碑事件
1.2自然語言處理的挑戰
1.2.1詞義消歧
1.2.2指代消解
1.2.3上下文理解
1.2.4語義與語用的不對等
1.3自然語言處理的應用領域
1.3.1醫療
1.3.2教育
1.3.3媒體
1.3.4金融
1.3.5法律
1.4自然語言處理的常見工具
1.4.1基礎任務工具包
1.4.2科學計算及機器學習框架
1.4.3深度學習框架
本章小結
思考題

第二部分自然語言處理核心技術
第2章自然語言處理與機器學習
2.1邏輯回歸
2.1. 1邏輯回歸基本原理
2.1.2邏輯回歸在實踐中的注意要點
2.1.3邏輯回歸的優勢與不足
2.2樸素貝葉斯
2.2.1樸素貝葉斯基本原理
2.2.2樸素貝葉斯的類型
2.2.3樸素貝葉斯的優勢與不足
2.3 Kmeans算法
2.3.1 Kmeans算法基本原理
2.3.2 Kmeans算法實踐
2.3.3 Kmeans算法的優勢與不足
2.4決策樹
2.4.1決策樹的屬性劃分
2.4.2隨機森林的基本原理
2.4.3隨機森林在應用中的注意細節
2.5主成分分析
2.5.1梯度上升法解PCA
2.5.2協方差矩陣解PCA
2.5.3實戰PCA
本章小結
思考題

第3章自然語言處理與神經網絡
3.1神經網絡初探
3.1.1神經元結構
3.1.2常見的激活函數
3.1.3誤差反向傳播算法
3.2常見的神經網絡結構
3.2.1多層感知機
3.2.2循環神經網絡的基本原理
3.2.3卷積神經網絡的基本原理
3.2.4神經網絡的優勢與不足
3.3神經網絡算法的改進與提升
3.3.1防止過擬合的方法
3.3.2訓練速度與精度的提高方法
3.3.3注意力機制
本章小結
思考題

第三部分自然語言處理基本任務
第4章文本預處理
4.1文本預處理的基礎項目
4.1.1文本規範化
4.1.2語義分析
4.1.3分詞
4.1.4文本糾錯
4.2關鍵詞提取
4.2.1基於特徵統計
4.2.2基於主題模型
4.2.3基於圖模型
4.3數據不平衡的處理
4.3.1常見方法
4.3.2數據不平衡問題實戰
本章小結
思考題

第5章文本的表示技術
5.1詞袋模型
5.1.1基於頻次的詞袋模型
5.1.2基於TFIDF的詞袋模型
5.1.3相關工具的使用
5.2 Word2Vec詞向量
5.2.1 Word2Vec的基本原理
5.2.2 Word2Vec模型細節及代碼演示
5.2.3應用工具訓練Word2Vec
5.3改進後的詞表徵
5.3.1 GloVe模型
5.3.2 FastText模型
5.3.3 ELMo模型
5.4句向量
5.4.1基於詞向量的平均
5.4.2沿用Word2Vec思想
5.4.3有監督方式
本章小結
思考題

第6章序列標註
6.1序列標註基礎
6.1.1序列標註的應用場景
6.1.2基線方式
6.1.3序列標註任務的難點
6.2基於概率圖的模型
6.2.1隱馬爾科夫模型(HMM)
6.2.2最大熵馬爾科夫模型(MEMM)
6.2.3條件隨機場模型(CRF)
6.2.4天氣預測實例
6.3基於深度學習的方式
6.3.1數據表徵形式
6.3.2序列處理模型
本章小結
思考題

第7章關係抽取
7.1關係抽取基礎
7.1.1關係抽取概述
7.1.2關係抽取的主要方法
7.1.3深度學習與關係抽取
7.1.4強化學習與關係抽取
7.2基於半監督的關係抽取模式:Snowball系統
7.2.1 Patterns及Tuples的生成
7.2.2 Patterns及Tuples的評估
7.2.3 Snowball的實現細節
7.3關係抽取工具——DeepDive
7.3.1 DeepDive概述
7.3.2 DeepDive工作流程
7.3.3概率推斷與因子圖
本章小結
思考題

第四部分自然語言處理高級任務
第8章知識圖譜
8.1知識圖譜基本概念
8.1.1從語義網絡到知識圖譜
8.1.2知識的結構化、存儲及查詢
8.1.3幾個開源的知識圖譜
8.2知識圖譜的關鍵構建技術
8.2.1本體匹配
8.2.2實體鏈接
8.2.3知識推理
8.3知識圖譜應用
8.3.1反欺詐
8.3.2個性化推薦
8.3.3知識庫問答
本章小結
思考題

第9章文本分類
9.1文本分類的常見方法
9.1.1機器學習
9.1.2模型融合
9.1.3深度學習
9.2文本分類的不同應用場景
9.2.1二分類
9.2.2多分類
9.2.3多標籤多分類
9.3案例:搭建一款新聞主題分類器
9.3.1數據預處理
9.3.2訓練與預測
9.3.3改進
本章小結
思考題

第10章文本摘要
10.1抽取式摘要