●部分了解自然語言處理
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新世紀的裡程碑事件
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
2.3Kmeans算法
2.3.1Kmeans算法基本原理
2.3.2Kmeans算法實踐
2.3.3Kmeans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.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基於特征統計
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
5.2Word2Vec詞向量
5.2.1Word2Vec的基本原理
5.2.2Word2Vec模型細節及代碼演示
5.2.3應用工具訓練Word2Vec
5.3改進後的詞表征
5.3.1GloVe模型
5.3.2FastText模型
5.3.3ELMo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章序列標注
6.1序列標注基礎
6.1.1序列標注的應用場景
6.1.2基線方式
6.1.3序列標注任務的難點
6.2基於概率圖的模型
6.2.1隱馬爾科夫模型（HMM）
6.2.2優選熵馬爾科夫模型（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數據表征形式
6.3.2序列處理模型
本章小結
思考題
第7章關繫抽取
7.1關繫抽取基礎
7.1.1關繫抽取概述
7.1.2關繫抽取的主要方法
7.1.3深度學習與關繫抽取
7.1.4強化學習與關繫抽取
7.2基於半監督的關繫抽取模式：Snowball繫統
7.2.1Patterns及Tuples的生成
7.2.2Patterns及Tuples的評估
7.2.3Snowball的實現細節
7.3關繫抽取工具——DeepDive
7.3.1DeepDive概述
7.3.2DeepDive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不錯任務
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多標簽多分類
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
0章文本摘要
10.1抽取式摘要
10.1.1傳統方法
10.1.2基於深度學習的方法
10.1.3抽取式摘要的訓練數據問題
10.2生成式摘要
10.2.1基礎模型
10.2.2前沿模型中的技巧
10.2.3強化學習與生成式摘要
10.3案例：搭建網球新聞摘要生成器
10.3.1基於詞頻統計的摘要生成器
10.3.2基於圖模型的摘要生成器
10.3.3結果分析
本章小結
思考題
1章機器翻譯
11.1傳統機器翻譯
11.1.1源起
11.1.2基於規則
11.1.3基於大規模語料
11.2統計機器翻譯
11.2.1相關流派
11.2.2基於信源信道的統計機器翻譯
11.2.3案例：外星語的翻譯實戰
11.3神經機器翻譯
11.3.1基本原理
11.3.2改進機制
11.3.3前沿與挑戰
本章小結
思考題
2章聊天繫統
12.1聊天繫統的類型
12.1.1閑聊式機器人
12.1.2知識問答型機器人
12.1.3任務型聊天機器人
12.2聊天繫統的關鍵技術
12.2.1檢索技術
12.2.2意圖識別和詞槽填充
12.2.3對話管理
12.2.4強化學習與多輪對話
12.3案例：閑聊機器人實戰
12.3.1技術概要
12.3.2基本配置及數據預處理
12.3.3閑聊機器人模型的搭建
12.3.4模型訓練、預測以及優化
本章小結
思考題
第五部分自然語言處理求職
3章自然語言處理技術的現在、未來及擇業
13.1自然語言處理組織及人纔需求介紹
13.1.1學術界
13.1.2工業界
13.1.3人纔需求現狀
13.2未來與自然語言處理
13.2.1自然語言處理熱點技術方向
13.2.2自然語言處理的應用暢想
13.2.3自然語言處理帶來的行業衝擊
13.3面試題
13.3.1數據結構與算法
13.3.2數學基礎
13.3.3機器學習與深度學習
13.3.4自然語言處理專業
13.3.5實際問題解決及技術領域見解
本章小結
思考題
附錄A思考題參考答案
附錄B面試題答案
內容簡介
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征等基礎知識，以及具體的自然語言處理任務，包括文本分類、關繫抽取、知識圖譜、文本摘要、序列標注、機器翻譯和聊天繫統，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，以及想繫統了解或準備求職自然語言處理初級崗位的讀者閱讀。
