●1深度計算——機器大腦的結構1
1.1驚人的深度學習1
1.1.1可以做酸奶的面包機:通用機器的概念2
1.1.2連接主義4
1.1.3用機器設計機器5
1.1.4深度網絡6
1.1.5深度學習的用武之地6
1.2從人到人8
1.2.1生中的計算靈感8
1.2.2激活函數9
1.3參數學習10
1.3.1模型的評價11
1.3.2有監督學習11
1.3.3梯度下降法12
1.4多層前饋網絡14
1.4.1多層前饋網絡14
1.4.2後向傳播算法計算梯度16
1.5逐層預訓練17
1.6深度學習是終極利器嗎20
1.6.1深度學習帶來了什麼20
1.6.2深度學習尚未做到什麼21
1.7內容回顧與推薦閱讀22
1.8參考文獻23
2知識圖譜——機器大腦中的知識庫25
2.1什麼是知識圖譜25
2.2知識圖譜的構建28
2.2.1大規模知識庫28
2.2.2互聯網鏈接數據29
2.2.3互聯網網頁文本數據30
2.2.4多數據源的知識融合31
2.3知識圖譜的典型應用32
2.3.1查詢理解32
2.3.2自動問答34
2.3.3文檔表示35
2.4知識圖譜的主要技術36
2.4.1實體鏈指36
2.4.2關繫抽取37
2.4.3知識推理39
2.4.4知識表示40
2.5前景與挑戰42
2.6內容回顧與推薦閱讀45
2.7參考文獻45
3大數據繫統——大數據背後的支撐技術47
3.1大數據有多大47
3.2高性能計算技術49
3.2.1超級計算機的組成49
3.2.2並行計算的繫統支持51
3.3虛擬化和雲計算技術55
3.3.1虛擬化技術56
3.3.2雲計算服務58
3.4基於分布式計算的大數據繫統59
3.4.1Hadoop生態繫統60
3.4.2Spark67
3.4.3典型的大數據基礎架構68
3.5大規模圖計算69
3.5.1分布式圖計算框架70
3.5.2高效的單機圖計算框架71
3.6NoSQL72
3.6.1NoSQL數據庫的類別72
3.6.2MongoDB簡介74
3.7內容回顧與推薦閱讀76
3.8參考文獻77
4主題模型——機器的智能摘要利器78
4.1由文檔到主題78
4.2主題模型出現的背景80
4.3第一個主題模型:潛在語義分析81
4.4第一個正式的概率主題模型84
4.5第一個正式的貝葉斯主題模型85
4.6LDA的概要介紹86
4.6.1LDA的延伸理解:主題模型廣義理解90
4.6.2模型求解92
4.6.3模型評估93
4.6.4模型選擇:主題數目的確定94
4.7主題模型的變形與應用95
4.7.1基於LDA的變種模型95
4.7.2基於LDA的典型應用97
4.7.3基於主題模型的名人話題排行榜應用100
4.8內容回顧與推薦閱讀104
4.9參考文獻105
5機器翻譯——機器如何跨越語言障礙110
5.1機器翻譯的意義110
5.2機器翻譯的發展歷史111
5.2.1基於規則的機器翻譯112
5.2.2基於語料庫的機器翻譯112
5.2.3基於神經網絡的機器翻譯114
5.3經典的神經網絡機器翻譯模型114
5.3.1基於循環神經網絡的神經網絡機器翻譯114
5.3.2從卷積序列到序列模型117
5.3.3基於自注意力機制的Transformer模型118
5.4機器翻譯譯文質量評價120
5.5機器翻譯面臨的挑戰121
5.6參考文獻123
6情感分析與意見挖掘——機器如何了解人類情感125
6.1情感可以計算嗎125
6.2哪裡需要文本情感分析126
6.2.1情感分析的宏觀反映127
6.2.2情感分析的微觀特征128
6.3情感分析的主要研究問題129
6.4情感分析的主要方法132
6.4.1構成情感和觀點素132
6.4.2情感極性與情感詞典134
6.4.3屬性-觀點對141
6.4.4情感極性分析143
6.5主要的情感分析資源148
6.6前景與挑戰149
6.7內容回顧與推薦閱讀150
6.8參考文獻151
7智能問答與對話繫統——智能助手是如何煉成的154
7.1問答:圖靈測試的基本形式154
7.2從問答到對話155
7.2.1對話繫統的基本過程156
7.2.2文本對話繫統的常見場景157
7.3問答繫統的主要組成159
7.4文本問答繫統161
7.4.1問題理解161
7.4.2知識檢索165
7.4.3答案生成169
7.5端到端的閱讀理解問答技術169
7.5.1什麼是閱讀理解任務170
7.5.2閱讀理解任務的模型172
7.5.3閱讀理解任務的其他工程技巧173
7.6社區問答繫統174
7.6.1社區問答繫統的結構174
7.6.2相似問題檢索175
7.6.3答案過濾177
7.6.4社區問答的應用177
7.7多媒體問答繫統179
7.8大型問答繫統案例:IBM沃森問答繫統181
7.8.1沃森的總體結構182
7.8.2問題解析182
7.8.3知識儲備183
7.8.4檢索和候選答案生成184
7.8.5可信答案確定184
7.9前景與挑戰186
7.10內容回顧與推薦閱讀186
7.11參考文獻187
8個性化推薦繫統——如何了解計算機背後的他190
8.1什麼是推薦繫統190
8.2推薦繫統的發展歷史191
8.2.1推薦無處不在192
8.2.2從千人一面到千人千面193
8.3個性化推薦的基本問題194
8.3.1推薦繫統的輸入194
8.3.2推薦繫統的輸出196
8.3.3個性化推薦的基本形式197
8.3.4推薦繫統的三大核心問題198
8.4典型推薦算法淺析199
8.4.1推薦算法的分類199
8.4.2典型推薦算法介紹200
8.4.3基於矩陣分解的打分預測207
8.4.4基於神經網絡的推薦算法213
8.5推薦的可解釋性214
8.6推薦算法的評價217
8.6.1評分預測的評價218
8.6.2推薦列表的評價219
8.6.3推薦理由的評價220
8.7前景與挑戰:我們走了多遠221
8.7.1推薦繫統面臨的問題221
8.7.2推薦繫統的新方向223
8.8內容回顧與推薦閱讀225
8.9參考文獻226
9機器寫作——從分析到創造228
9.1什麼是機器寫作228
9.2藝術寫作229
9.2.1機器寫詩229
9.2.2AI對聯233
9.3當代寫作236
9.3.1機器寫稿236
9.3.2機器故事生成239
9.4內容回顧241
9.5參考文獻242
10社交商業數據挖掘——從用戶數據挖掘到商業智能應用243
10.1社交媒體平臺中的數據寶藏243
10.2打通網絡社區的束縛:用戶網絡社區身份的鏈指與融合245
10.3揭開社交用戶的面紗:用戶畫像的構建247
10.3.1基於顯式社交屬性的構建方法247
10.3.2基於網絡表示學習的構建方法249
10.3.3產品受眾畫像的構建250
10.4了解用戶的需求:用戶消費意圖的識別254
10.4.1個體消費意圖識別254
10.4.2群體消費意圖識別256
10.5精準的供需匹配:面向社交平臺的產品推薦算法258
10.5.1候選產品列表生成258
10.5.2基於學習排序算法的推薦框架259
10.5.3基於用戶屬性的排序特征構建260
10.5.4推薦繫統的整體設計概覽261
10.6前景與挑戰262
10.7內容回顧與推薦閱讀263
10.8參考文獻264
11智慧醫療——信息技術在醫療領域應用的結晶265
11.1智慧醫療的起源265
11.2智慧醫療的廬山真面目267
11.3智慧醫療中的人工智能應用268
11.3.1醫療過程中的人工智能應用268
11.3.2醫療研究中的人工智能應用272
11.4前景與挑戰273
11.5內容回顧與推薦閱讀275
11.6參考文獻275
12智慧司法——智能技術促進司法公正276
12.1智能技術與法律的踫撞276
12.2智慧司法相關研究277
12.2.1法律智能的早期研究278
12.2.2判決預測:虛擬法官的誕生與未來279
12.2.3文書生成:司法過程簡化283
12.2.4要素提取:司法結構化285
12.2.5類案匹配:解決一案多判289
12.2.6司法問答:讓機器理解法律292
12.3智慧司法的期望偏差與應用挑戰293
12.3.1智慧司法的期望偏差293
12.3.2智慧司法的應用挑戰294
12.4內容回顧與推薦閱讀295
12.5參考文獻295
13智能金融——機器金融大腦298
13.1智能金融正當其時298
13.1.1什麼是智能金融298
13.1.2智能金融與金融科技、互聯網金融的異同298
13.1.3智能金融適時而生299
13.2智能金融技術301
13.2.1大數據的機遇與挑戰301
13.2.2智能金融中的自然語言處理303
13.2.3金融事理圖譜307
13.2.4智能金融中的深度學習310
13.3智能金融應用314
13.3.1智能投顧314
13.3.2智能研報315
13.3.3智能客服316
13.4前景與挑戰317
13.5內容回顧與推薦閱讀319
13.6參考文獻319
14計算社會學——透過大數據了解人類社會320
14.1透過數據了解人類社會320
14.2面向社會媒體的自然語言使用分析321
14.2.1詞彙的時空傳播與演化322
14.2.2語言使用與個體差異325
14.2.3語言使用與社會地位326
14.2.4語言使用與群體分析328
14.3面向社會媒體的自然語言分析應用330
14.3.1社會預測330
14.3.2霸凌現像定量分析331
14.4未來研究的挑戰與展望332
14.5參考文獻333
後記334