目 录
第1章 自然语言处理基础 1
1．1 什么是自然语言处理 1
1．1．1 自然语言处理的概念 1
1．1．2 自然语言处理的研究任务 3
1．2 自然语言处理的发展历程 4
1．3 自然语言处理相关知识的构成 6
1．3．1 基础术语 6
1．3．2 知识结构 7
1．4 探讨自然语言处理的几个层面 8
1．5 自然语言处理与人工智能 10
第2章 Python基础 11
2．1 搭建Python开发环境 11
2．1．1 Python的科学计算发行版―Anaconda 11
2．1．2 Anaconda的下载与安装 13
2．2 正则表达式在自然语言处理中的基本应用 17
2．2．1 匹配字符串 18
2．2．2 使用转义符 20
2．2．3 抽取文本中的数字 21
2．3 Numpy使用详解 22
2．3．1 创建数组 22
2．3．2 获取Numpy中数组的维度 24
2．3．3 获取本地数据 24
2．3．4 正确读取数据 25
2．3．5 Numpy数组索引 25
2．3．6 Numpy数组切片 26
2．3．7 数组比较 26
2．3．8 替代值 27
2．3．9 数据类型的转换 28
2．3．10 Numpy的统计计算方法 29
第3章 语料库基础 30
3．1 语料库基础概述 30
3．2 自然语言工具包NLTK 31
3．2．1 NLTK概述 31
3．2．2 安装NLTK 32
3．2．3 使用NLTK 33
3．2．4 在Python NLTK下使用Stanford NLP 37
3．3 获取语料库 41
3．3．1 访问网站 41
3．3．2 编写程序 42
3．3．3 通过NLTK获取 43
3．4 综合案例：走进《红楼梦》 46
3．4．1 数据采集和预处理 46
3．4．2 构建本地语料库 47
3．4．3 语料操作 47
第4章 词法分析 51
4．1 中文分词 51
4．1．1 中文分词介绍 51
4．1．2 规则分词 52
4．1．3 统计分词 58
4．1．4 混合分词 67
4．1．5 中文分词工具―Jieba 67
4．2 词性标注 70
4．2．1 词性标注概述 70
4．2．2 词性标注规范 71
4．2．3 Jieba分词中的词性标注 72
4．3 命名实体识别 73
4．3．1 命名实体识别概述 73
4．3．2 基于CRF的命名实体识别 75
4．3．3 日期识别实战 77
4．3．4 地名识别实战 81
第5章 词向量与关键词提取 90
5．1 词向量算法word2vec 90
5．1．1 神经网络语言模型 91
5．1．2 C＆W模型 92
5．1．3 CBOW模型和Skip-gram模型 93
5．2 关键词提取技术概述 94
5．3 TF-IDF算法 95
5．4 TextRank算法 96
5．5 LSA/LSI/LDA算法 98
5．5．1 LSA/LSI算法 98
5．5．2 LDA算法 99
5．6 提取文本关键词 100
第6章 句法分析 108
6．1 句法分析概述 108
6．1．1 句法分析的基本概念 108
6．1．2 句法分析的基本方法 109
6．2 句法分析的数据集与评测方法 109
6．2．1 句法分析的数据集 110
6．2．2 句法分析的评测方法 111
6．3 句法分析的常用方法 111
6．3．1 基于PCFG的句法分析 112
6．3．2 基于最大间隔马尔可夫网络的句法分析 113
6．3．3 基于CRF的句法分析 114
6．3．4 基于移进-归约的句法分析模型 114
6．4 使用Stanford Parser的PCFG算法进行句法分析 115
6．4．1 Stanford Parser 115
6．4．2 基于PCFG的中文句法分析实战 116
第7章 语义分析 119
7．1 词义消歧 119
7．1．1 基于规则的词义消歧 120
7．1．2 基于统计的词义消歧 121
7．1．3 基于实例的词义消歧 122
7．1．4 基于词典的词义消歧 122
7．2 语义角色标注 124
7．2．1 格语法 124
7．2．2 基于统计机器学习技术的语义角色标注 125
7．3 深层语义推理 126
7．3．1 命题逻辑和谓词逻辑 126
7．3．2 语义网络 127
7．3．3 概念依存理论 129
第8章 情感分析 130
8．1 情感分析的应用领域 130
8．2 情感分析的基本方法 131
8．2．1 词法分析 132
8．2．2 机器学习方法 132
8．2．3 混合分析 132
8．3 实战―电影评论情感分析 133
8．3．1 模型选择 134
8．3．2 载入数据 136
8．3．3 辅助函数 138
8．3．4 模型设置 138
8．3．5 调参配置 140
8．3．6 训练过程 140
第9章 机器学习与自然语言处理 141
9．1 几种常用的机器学习方法 141
9．1．1 文本分类 141
9．1．2 特征提取 142
9．1．3 标注 142
9．1．4 搜索与排序 143
9．1．5 推荐系统 144
9．1．6 序列学习 145
9．2 无监督学习的文本聚类 146
9．3 文本分类实战：中文垃圾邮件分类 148
9．3．1 实现代码 148
9．3．2 评价指标 151
9．4 文本聚类实战：用k-means对豆瓣读书数据聚类 153
第10章 深度学习与自然语言处理 157
10．1 词嵌入算法 157
10．1．1 词向量 157
10．1．2 word2vec 158
10．1．3 词向量模型 159
10．1．4 CBOW和Skip-gram 161
10．2 训练词向量实践 161
10．3 RNN 166
10．3．1 简单RNN 166
10．3．2 LSTM网络 168
10．3．3 Attention机制 172
10．4 seq2seq模型与实战 173
10．4．1 seq2seq模型 173
10．4．2 实战seq2seq问答机器人 174
第11章 机器翻译与写作 194
11．1 机器翻译 194
11．1．1 机器翻译的意义 194
11．1．2 经典的神经网络机器翻译模型 195
11．1．3 机器翻译译文质量评价 200
11．1．4 机器翻译面临的挑战 202
11．2 机器写作 203
11．2．1 什么是机器写作 203
11．2．2 艺术写作 204
11．2．3 当代写作 207
第12章 智能问答与对话 212
12．1 智能问答 212
12．2 智能对话系统 212
12．2．1 对话系统的基本过程 213
12．2．2 对话系统的常见场景 213
12．3 问答系统的主要组成 214
12．4 不同类型的问答系统 215
12．4．1 文本问答系统 216
12．4．2 阅读理解型文本问答系统 220
12．4．3 社区问答系统 223
12．4．4 IBM的“沃森”问答系统 225
12．5 前景与挑战 226
第13章 个性化推荐 227
13．1 推荐系统是什么 227
13．2 个性化推荐的基本问题 227
13．2．1 推荐系统的输入 228
13．2．2 推荐系统的输出 228
13．2．3 推荐的基本形式 229
13．2．4 推荐系统的三大核心 230
13．3 推荐的可解释性 230
13．4 前景与挑战 232
13．4．1 推荐系统面临的问题 232
13．4．2 推荐系统的新方向 233
第14章 行业应用 235
14．1 智慧医疗 235
14．1．1 智慧医疗的产生与概念 235
14．1．2 智慧医疗中的人工智能 237
14．1．3 前景与挑战 239
14．2 智慧司法 240
14．2．1 智慧司法是什么 240
14．2．2 研究与应用方向 241
14．2．3 期望与挑战 247
14．3 智能金融 248
14．3．1 了解智能金融 248
14．3．2 智能金融技术的应用 252
14．3．3 智能金融的前景与挑战 254
展开
