●推薦序一
推薦序二
前言
章概率統計與應用數學的基礎知識
1.1概率的定義
1.2條件概率與貝葉斯公式
1.3隨機變量與分布函數
1.4概率分布與參數估計
1.5隨機過程與馬爾可夫模型
1.6信息熵
1.7本章小結
第2章語言模文法
2.1詞袋模型
2.2N-Gram模型
2.2.1N-Gram簡介
2.2.2N-Gram算法
2.2.3N-Gram用途
2.3數據平滑
2.3.1加法平滑方法
2.3.2Good-Turing估計法
2.3.3組合平滑方法
第3章序列標注模型
3.1中文分詞
3.1.1條件隨機場
3.1.2條件隨機場進行中文分詞
3.2詞性標注
3.2.1詞性標注的標準
3.2.2利用隱馬爾可夫進行詞性標注
3.3命名實體識別
3.3.1利用條件隨機場模型進行命名實體識別
3.3.2命名實體識別在對話繫統中的作用
3.4序列標注模型
3.5本章小結
第4章文本分析
4.1關鍵詞抽取
4.1.1詞頻-逆文檔頻次算法
4.1.2Text Rank
4.2文本分類
4.2.1貝葉斯文本分類模型
4.2.2決策樹文本分類模型
4.2.3SVM文本分類模型
4.3主題模型
4.3.1基礎知識回顧
4.3.2吉布斯采樣
4.3.3隱狄利克雷分配模型
4.4本章小結
第5章深度學習模型
5.1基於深度學習的自然語言模型
5.1.1神經網絡自然語言模型與詞向量
5.1.2A Neural Probabilistic Language Model
5.1.3CBOW和Skip-Gram
5.1.4Huffman編碼與Huffman tree
5.1.5CBOW-Hierarchical Softmax
5.1.6Skip-Gram-Hierarchical Softmax
5.1.7FastText
5.1.8詞的全局向量表示
5.2卷積網絡CNN
5.2.1卷積網絡CNN理論
5.2.2利用CNN進行文本分類
5.3循環網絡RNN
5.3.1循環網絡RNN（LSTM，GRU）理論
5.3.2利用RNN 進行情感分析
5.3.3Sequence-to-Sequence with Attention Model
5.4Transformer
5.4.1ResNet（Residual Network）殘差網絡模型
5.4.2Attention is all you need（Transformer）
5.5預訓練模型
5.5.1Embeddings from Language Models（ELMo）
5.5.2BERT
第6章對話機器人的發展綜述
6.1對話機器人發展史
6.1.1對話機器人的近況
6.1.2開放域
6.1.3垂直領域
6.1.4對話機器人的未來發展趨勢
6.2人工智能在對話機器人中的應用
6.2.1深度學習在機器人方面的應用
6.2.2強化學習在機器人方面的應用
6.2.3知識圖譜在機器人方面的應用
第7章自然語言理解與知識圖譜
7.1知識圖譜的表組模型
7.2知識抽取
7.2.1知識抽取-命名實體識別
7.2.2利用CRF模型識別 NER
7.2.3利用BiLSTM+CRF模型進行命名實體識別
7.3知識抽取-實體關繫抽取：Relation Extraction
7.4知識圖譜的構建
第8章答案生成與多輪對話
8.1預測會話與答案生成
8.1.1信息檢索：利用搜索來預測答案
8.1.2句型模板匹配標準問題生成答案
8.1.3根據知識圖譜推理得到答案
8.2多輪對話
8.2.1多輪對話概述
8.2.2任務型多輪對話的控制和生成
8.2.3多主題多輪對話
第9章對話繫統的工程架構
9.1對話繫統的工程技術
9.1.1常用技術
9.1.2對話繫統的分類
9.1.3主要繫統軟件介紹
9.1.4繫統運維相關
9.2對話繫統的架構實現
9.2.1阿裡小蜜
9.2.2百度對話繫統
9.2.3垂直領域對話繫統的架構
9.2.4開放領域對話繫統的架構
9.3本章小結
0章實戰場景之一——客服機器人
10.1客服機器人架構
10.1.1功能需求
10.1.2繫統邏輯架構圖
10.2客服機器人設計
10.2.1FAQ的設計
10.2.2導購機器人的設計
10.2.3實例分析
10.3本章小結
1章實戰場景之二——開放域的QA問答
11.1開放領域問答機器人的架構
11.2開放領域問答機器人的開發流程和方案
11.3開放領域問答機器人的開發案例
2章實戰場景之三——聊天機器人
12.1Seq2Seq以及Attention機制
12.2Beam Search
12.3基於Seq2Seq的聊天機器人開發流程
12.3.1語料準備
12.3.2定義Encoder和Decoder
12.3.3模型訓練和評估模塊
12.3.4模型預測和Beam Search模塊
12.4本章小結