1.本書教你用深度學習和神經網絡打造更智能的搜索引擎，通過簡單易懂的示例解釋搜索和深度學習技術，大部分示例配有Java代碼。
2.書中介紹了搜索引擎面臨的主要挑戰及其常見解決方法，以及深度學習所能提供的幫助。
3.此外還闡釋了幾種深度學習技術及其在搜索環境中的適用範圍，以及Lucene和Deeplearning4j庫的用法。
4.最後討論了更為復雜的應用場景，例如由深度學習驅動的機器翻譯和圖像搜索。
5.提供源代碼、本書部分彩圖下載。

本書讀者應具備一定的Java編程基礎，但不需要具備深度學習和搜索引擎開發背景。

● 第一部分：搜索、機器學習和深度學習的基本概念；使用神經網絡模型從數據中生成同義詞
● 第二部分：使用循環神經網絡來生成用戶輸入查詢的替代查詢；借助深度神經網絡的幫助，在用戶輸入查詢時提供更好的建議；使用詞嵌入提供相關性更強的搜索結果；文檔嵌入在排序函數和內容推薦中的使用
● 第三部分：由深度學習驅動的機器翻譯和圖像搜索；深度學習模型調優和處理連續傳入的數據流

本書是市面上少見的將搜索與深度學習相結合的書，討論了使用（深度）神經網絡來幫助建立有效的搜索引擎的方法。閱讀本書無須具備開發搜索引擎的背景，也不需要具備有關機器學習或深度學習的預備知識，因為本書將介紹所有相關的基礎知識和實用技巧。書中研究了搜索引擎的幾個組成部分，不僅針對它們的工作方式提供了一些見解，還為在不同環境中使用神經網絡提供了指導。讀完本書，你將深入理解搜索引擎面臨的主要挑戰、這些挑戰的常見解決方法以及深度學習所能提供的幫助。你將清晰地理解幾種深度學習技術以及它們在搜索環境中的適用範圍，並深入了解Lucene和Deeplearning4j庫。書中示例代碼用Java編寫。

托馬索·泰奧菲利（Tommaso Teofili）

Red Hat公司高級軟件工程師，曾擔任Adobe公司軟件工程師，對開源和人工智能充滿熱情。他是Apache軟件基金會的成員，參與了許多項目，涉及信息檢索、自然語言處理和分布式計算等主題。


【譯者簡介】

李軍

電子科技大學計算機應用技術碩士，《IDA Pro代碼破解揭密》合作譯者，現從事電力繫統自動化工作。

天舒

曾就讀於四川大學電氣工程及自動化專業，英國曼徹斯特大學電力繫統工程碩士，現從事電力繫統自動化工作。

第 一部分 當搜索遇上深度學習
第 1章 神經搜索2
1．1 神經網絡及深度學習3
1．2 什麼是機器學習5
1．3 深度學習能為搜索做什麼7
1．4 學習深度學習的路線圖9
1．5 檢索有用的信息10
1．5．1 文本、詞素、詞項和搜索基礎11
1．5．2 相關性優先18
1．5．3 經典檢索模型19
1．5．4 精確率與召回率20
1．6 未解決的問題20
1．7 打開搜索引擎的黑盒子21
1．8 利用深度學習解決問題22
1．9 索引26
1．10 神經網絡訓練26
1．11 神經搜索的前景28
1．12 總結29
第 2章 生成同義詞30
2．1 同義詞擴展介紹31
2．1．1 為什麼要使用同義詞32
2．1．2 基於詞彙表的同義詞匹配33
2．2 語境的重要性42
2．3 前饋神經網絡43
2．3．1 前饋神經網絡如何工作：權重和激活函數44
2．3．2 簡述反向傳播45
2．4 使用word2vec46
2．4．1 在Deeplearning4j中設置word2vec53
2．4．2 基於word2vec的同義詞擴展54
2．5 評價和比較57
2．6 用於生產繫統時的考慮58
2．7 總結61
第二部分 將神經網絡用於搜索引擎
第3章 從純檢索到文本生成64
3．1 信息需求與查詢：彌補差距65
3．1．1 生成可選查詢65
3．1．2 數據準備67
3．1．3 生成數據的小結73
3．2 學習序列73
3．3 循環神經網絡75
3．3．1 循環神經網絡內部結構和動態77
3．3．2 長期依賴80
3．3．3 LSTM網絡81
3．4 用於無監督文本生成的LSTM網絡81
3．5 從無監督文本生成到監督文本生成92
3．6 生產繫統的考慮因素95
3．7 總結96
第4章 更靈敏的查詢建議97
4．1 生成查詢建議98
4．1．1 編寫查詢時的建議98
4．1．2 基於字典的建議算法99
4．2 Lucene Lookup API99
4．3 分析後的建議算法102
4．4 使用語言模型108
4．5 基於內容的建議算法111
4．6 神經語言模型112
4．7 基於字符的神經語言建議模型114
4．8 調優LSTM 語言模型117
4．9 使用詞嵌入使建議多樣化125
4．10 總結127
第5章 用詞嵌入對搜索結果排序128
5．1 排序的重要性128
5．2 檢索模型130
5．2．1 TF-IDF與向量空間模型132
5．2．2 在Lucene中對文檔進行排序134
5．2．3 概率模型137
5．3 神經信息檢索138
5．4 從單詞到文檔向量139
5．5 評價和比較144
5．6 總結149
第6章 用於排序和推薦的文檔嵌入150
6．1 從詞嵌入到文檔嵌入150
6．2 在排序中使用段向量154
6．3 文檔嵌入及相關內容157
6．3．1 搜索、推薦和相關內容157
6．3．2 使用高頻詞項查找相似內容159
6．3．3 使用段向量檢索相似內容166
6．3．4 從編碼器-解碼器模型用向量檢索相似內容169
6．4 總結170
第三部分 延伸
第7章 跨語言搜索172
7．1 為講多種語言的用戶提供服務172
7．1．1 翻譯文檔與查詢174
7．1．2 跨語言搜索175
7．1．3 在Lucene上進行多語言查詢176
7．2 統計機器翻譯178
7．2．1 對齊180
7．2．2 基於短語的翻譯181
7．3 使用並行語料庫181
7．4 神經機器翻譯184
7．4．1 編碼器-解碼器模型184
7．4．2 DL4J中用於機器翻譯的編碼器-解碼器187
7．5 多語言的單詞和文檔嵌入194
7．6 總結199
第8章 基於內容的圖像搜索200
8．1 圖像內容和搜索201
8．2 回顧：基於文本的圖像檢索203
8．3 理解圖像204
8．3．1 圖像表示206
8．3．2 特征提取208
8．4 圖像表示的深度學習215
8．4．1 卷積神經網絡216
8．4．2 圖像搜索224
8．4．3 局部敏感散列228
8．5 處理未標記的圖像231
8．6 總結235
第9章 性能一瞥236
9．1 深度學習的性能與約定237
9．2 索引協同工作251
9．3 使用數據流254
9．4 總結259
展望未來260