●章緒論/1
1.1人工智能與未來/2
1.1.1DeepMind與強化學習/3
1.1.2生物與算法/4
1.1.3被撼動的自由主義/5
1.1.4被取代的工作/8
1.1.5新的社會契約/12
1.2人機對話的意義/14
1.3人機交互的變遷/15
1.4需求、風口、周期/16
1.4.1需求與風口/16
1.4.2周期三段論/17
1.4.3周期中的產品經理/19
1.4.4人工智能周期/20
第2章產品經理與繫統設計/22
2.1產品經理與技術/23
2.1.1產品經理的技術了解層級/23
2.1.2技術型產品經理的定位/25
2.1.3技術型產品經理的價值/27
2.1.4技術型產品經理的思維能力/29
2.2繫統與繫統思維/33
2.2.1繫統之美/33
2.2.2優秀軟件繫統的特征/35
2.2.3繫統設計的基本問題/38
2.3平臺設計通用工作流程/39
第3章人工智能技術/42
3.1機器學習/43
3.1.1機器學習簡介/43
3.1.2k-近鄰（kNN）算法/45
3.1.3ID3決策樹算法/46
3.1.4樸素貝葉斯分類算法/47
3.1.5邏輯回歸算法/50
3.1.6支持向量機（SVM）/53
3.1.7AdaBo算法/55
3.1.8線性回歸及樹回歸算法/58
3.1.9K均值聚類算法/61
3.1.10Apriori及FP-growth算法/63
3.1.11PCA與SVD/64
3.1.12主題模型LDA/66
3.2深度學習/68
3.2.1深度學習與機器學習/68
3.2.2感知機模型與前饋神經網絡/69
3.2.3深度神經網絡的訓練/72
3.2.4卷積神經網絡（CNN）/79
3.2.5遞歸神經網絡（RNN）與LSTM/84
3.3自然語言處理/87
3.3.1自然語言處理簡介/87
3.3.2熵/88
3.3.3形式語言/90
3.3.4語言模型/91
3.3.5馬爾可夫模型（MM）/93
3.3.6隱馬爾可夫模型（HMM）/94
3.3.7優選熵模型（MEM）/96
3.3.8優選熵馬爾可夫模型（MEMM）與條件隨機場（CRF）/96
3.3.9詞法分析/98
3.3.10句法分析/100
3.3.11語義分析/102
第4章智能交互技術/104
4.1智能搜索/105
4.1.1搜索命中方式/107
4.1.2SMT與詞義相似度/109
4.1.3詞向量與word2vec/109
4.1.4利用DNN優化搜索結果/113
4.1.5利用CNN計算語義相關性/116
4.1.6利用RNN構建語言模型/118
4.1.7基於知識圖譜的知識推理/120
4.1.8知識圖譜的局限/122
4.1.9其他智能搜索技術/123
4.2對話交互/124
4.2.1對話交互概述/124
4.2.2自然語言理解與填槽/125
4.2.3開放域上下文理解/127
4.2.4自然語言生成與seq2seq/128
4.2.5人機對話與強化學習/132
4.3問答匹配技術的發展/134
第5章BotFramework設計探究/138
5.1多輪對話初探/139
5.2對話繫統與語義表示/140
5.2.1對話繫統的組成/140
5.2.2語義表示的三種方式/141
5.2.3BotFramework的產生/145
5.3BotFramework設計/148
5.3.1國內外開放BotFramework一覽/148
5.3.2BotFramework的組成/150
5.3.3意圖（Intent）/150
5.3.4實體（Entity）/158
5.3.5訓練（Training）/163
5.3.6基於分布語義的平臺設計/173
5.3.7基於對話流/圖設計的BotFramework/174
5.4基於BotFramework的多輪對話/180
5.4.1基於分布語義的人機對話/181
5.4.2基於模型論語義的人機對話/182
5.4.3基於框架語義的人機對話/183
5.4.4BotFramework下的人機對話邏輯/184
5.4.5尋找設計與對話邏輯的最優解/194
第６章對話服務管理與數據分析平臺/212
6.1人機對話平臺基本模型/213
6.2對話服務管理/215
6.2.1服務部署與模擬測試/215
6.2.2發布上線與版本管理/218
6.2.3特殊類型對話服務管理/220
6.3對話數據分析平臺/221