（1）作者塗銘是數據架構師和人工智能技術專家，先後就職於阿裡和騰訊，在NLP和聊天機器人方面積累了大量經驗。（2）作者杜振東是國家標準委人工智能技術專家和AIIA（中國人工智能產業發展聯盟）技術專家，在會話式AI方面有多年積累，項目經驗豐富。（3）不僅詳解了NLP和人機交互核心技術，從技術、算法、實戰3個維度講解聊天機器人原理、實現與工程實踐。（4）前瞻性強，專注於NLP和人機交互的前沿技術，以及會話式AI技術在熱門場景中的工程實踐。（5）實戰性強，每章都提供實戰代碼，大部分代碼等

●前言
第1章人機交互導論 1
1.1圖靈測試 1
1.1.1圖靈測試相關背景 1
1.1.2圖靈測試的定義 2
1.1.3圖靈測試引發的思考 3
1.2專家繫統 3
1.2.1專家繫統的定義 3
1.2.2專家繫統的框架 4
1.2.3專家繫統的發展 6
1.3人機交互 6
1.3.1人機交互簡介 6
1.3.2人機交互模塊的發展 7
1.3.3自然語言理解 9
1.3.4對話管理 10
1.3.5自然語言生成 10
1.4機器人形態 11
1.4.1聊天機器人 12
1.4.2任務型機器人 13
1.4.3面向FAQ的問答機器人 13
1.4.4面向KB的問答機器人 14
1.5本章小結 14
第2章人機對話前置技術 15
2.1深度學習框架 15
2.1.1Theano 15
2.1.2TensorFlow 16
2.1.3Keras 17
2.1.4PyTorch 17
2.2搭建NLP開發環境 18
2.2.1下載和安裝Anaconda 18
2.2.2conda的使用 21
2.2.3中文分詞工具——Jieba 22
2.2.4PyTorch的下載與安裝 24
2.2.5Jupyter Notebook遠程訪問 25
2.3TorchText的安裝與介紹 26
2.4本章小結 29
第3章中文分詞技術 30
3.1分詞的概念和分類 30
3.2規則分詞 31
3.2.1正向優選匹配 31
3.2.2逆向優選匹配 32
3.2.3雙向優選匹配 33
3.3統計分詞 35
3.4混合分詞 44
3.5Jieba分詞 44
3.6準確率評測 47
3.6.1混淆矩陣 48
3.6.2中文分詞中的P、R、F1計算 49
3.7本章小結 51
第4章數據預處理 52
4.1數據集介紹 52
4.2數據預處理 53
4.3TorchText預處理 55
4.3.1torchtext.data 55
4.3.2torchtext.datasets 56
4.3.3構建詞表 57
4.3.4構建迭代器 58
4.4本章小結 60
第5章詞向量實戰 61
5.1詞向量的由來 61
5.1.1one-hot模型 61
5.1.2神經網絡詞向量模型 63
5.2word2vec 67
5.2.1初探word2vec 67
5.2.2深入CBOW模型 68
5.2.3Skip-gram模型介紹 69
5.2.4word2vec模型本質 70
5.3glove 71
5.3.1初探glove 71
5.3.2glove模型原理 72
5.4word2vec實戰 74
5.4.1預處理模塊 74
5.4.2模型框架 78
5.4.3模型訓練 79
5.4.4模型評估 82
5.5glove實戰 83
5.5.1預處理模塊 83
5.5.2模型框架 85
5.5.3模型訓練 86
5.5.4模型評估 87
5.6本章小結 87
第6章序列標注與中文NER實戰 88
6.1序列標注任務 88
6.1.1任務定義及標簽體繫 88
6.1.2任務特點及對比 90
6.1.3任務應用場景 92
6.2序列標注的技術方案 94
6.2.1隱馬爾可夫模型 94
6.2.2條件隨機場 94
6.2.3循環神經網絡 96
6.2.4Bert 97
6.3序列標注實戰 99
6.3.1中文NER數據集 99
6.3.2數據預處理 100
6.3.3模型訓練框架 102
6.3.4模型評估 103
6.4BiLSTM 104
6.4.1參數介紹 104
6.4.2BiLSTM模型框架 104
6.4.3模型效果評估 106
6.5BiLSTM-CRF 107
6.5.1參數介紹 107
6.5.2BiLSTM-CRF模型框架 107
6.5.3模型評價 112
6.6本章小結 112
第7章文本分類技術 113
7.1TFIDF與樸素貝葉斯 113
7.1.1TFIDF 113
7.1.2樸素貝葉斯 115
7.1.3實戰案例之新聞分類 116
7.2TextCNN 118
7.2.1TextCNN網絡結構解析 118
7.2.2實戰案例之新聞分類 121
7.3FastText 129
7.3.1模型架構 129
7.3.2層次softmax 130
7.3.3n-gram子詞特征 130
7.3.4安裝與實例解析 131
7.4後臺運行 134
7.5本章小結 134
第8章循環神經網絡 135
8.1RNN 135
8.1.1序列數據 135
8.1.2神經網絡需要記憶 136
8.1.3RNN基本概念 136
8.1.4RNN的輸入輸出類型 138
8.1.5雙向循環神經網絡 139
8.1.6深層循環神經網絡 140
8.1.7RNN的問題 141
8.1.8RNN PyTorch實現 141
8.2LSTM 143
8.2.1LSTM網絡結構解析 143
8.2.2LSTM PyTorch實現 147
8.3GRU 149
8.3.1GRU網絡結構解析 149
8.3.2GRU PyTorch實現 151
8.4TextRNN 152
8.4.1基本概念 152
8.4.2實戰案例之新聞分類 153
8.5TextRCNN 154
8.5.1基本概念 154
8.5.2實戰案例之新聞分類 155
8.6實戰案例之詩歌生成 155
8.6.1數據預處理 156
8.6.2模型結構 158
8.6.3模型訓練 158
8.6.4詩歌生成 159
8.7本章小結 161
第9章語言模型與對話生成 162
9.1自然語言生成介紹 162
9.2序列生成模型 163
9.2.1seq2seq的基本框架 164
9.2.2Encoder-Decoder框架的缺點 165
9.3經典的seq2seq框架 166
9.3.1基於RNN的seq2seq 166
9.3.2基於CNN的seq2seq 167
9.4Attention機制 169
9.4.1序列模型RNN 169
9.4.2Attention機制的原理 170
9.4.3Self-Attention模型 171
9.4.4Transfomer模型介紹 171
9.5Bert——自然語言處理的新範式 173
9.5.1Bert結構 174
9.5.2預訓練任務 175
9.6聊天機器人實戰 177
9.6.1數據介紹和數據預處理 177
9.6.2實現seq2seq模型 179
9.7本章小結 182
第10章知識圖譜問答 183
10.1知識圖譜概述 184
10.2關繫抽取 186
10.3人物間關繫識別 189
10.3.1任務分析 189
10.3.2模型設計 190
10.3.3代碼實現及優化 191
10.4圖譜構建 196
10.4.1Neo4J簡介 197
10.4.2Neo4J創建圖譜示例 198
10.5基於深度學習的知識圖譜問答模塊 203
10.5.1數據構造 205
10.5.2查詢目標檢測 206
10.5.3查詢條件抽取 207
10.5.4基於知識圖譜查詢模塊實現 210
10.6本章小結 212
第11章自然語言推理 213
11.1自然語言推理介紹 213
11.2自然語言推理常見模型 215
11.2.1SIAMESE網絡 215
11.2.2BiMPM網絡 217
11.2.3Bert網絡 221
11.3多輪對話中的答案導向問題 223
11.4答案導向問題的實戰 224
11.4.1數據構造 224
11.4.2孿生網絡實戰 226
11.4.3BiMPM網絡實戰 232
11.4.4Bert網絡實戰 236
11.4.5模型結果比較 237
11.5本章小結 238
第12章實體語義理解 239
12.1實體語義理解簡介 239
12.2現有語義理解繫統分析 242
12.2.1Time-NLPY/Time-NLP/FNLP 242
12.2.2HeidelTime 244
12.2.3知識驅動方法與數據驅動方法 246
12.3實體語義理解的技術方案 247
12.4實體語義理解實戰 248
12.5數值解析實戰 257
12.6時間解析實戰 262
12.6.1時間信息的中間表示 262
12.6.2時長解析 263
12.6.3日期和時間點 265
12.6.4時間段 268
12.6.5時間信息的推理計算 270
12.7本章小結 273

這是一部講解如何基於NLP技術和人機交互技術實現聊天機器人的著作。 兩位作者聊天機器人領域均有多年大型項目的實戰經驗，這本書不僅講解了NLP和人機交互的核心技術，而且從技術、算法、實戰3個維度講解聊天機器人的原理、實現與工程實踐。 本書有3個特點： 前瞻性強，專注於NLP和人機交互的前沿技術，以及會話式AI技術在熱門場景中的工程實踐。 實戰性強，每章都提供實戰代碼，大部分代碼簡單修改後便可在實際場景中使用；數據集並非簡單構造，而是具有真實性。 對比性強，結合應用場景，對比不同技術的優劣，既能指導讀者進行技術選型，又能加深讀者對不同技術的理解。 本書一共12章，分為三大部分： 第壹部分 基礎篇（第1-2章） 首先繫統介紹了人機交互技術和聊天機器人技術的推薦基礎，然後講解了深度學習工具的使用以及NLP開發環境的搭建 第二部分 算法篇（第3-8章） 這部分是核心內容，主要講解中文自然語言處理的各等