自然語言處理

自然語言處理是人工智慧的重要分支，本書是一本自然語言處理的入門教材，主要面向高年級本科生和低年級研究生。
 
本著理論結合實踐的基本原則，本書共分為11章，其中第1章概述了自然語言處理的研究內容、發展歷程、技術特色和當前現狀，是概述性的一章。第2章是自然語言處理的程式設計基礎，對Python語言及其相關模組進行了介紹。第3章是自然語言處理的演算法基礎，主要對常見的機器學習演算法（分類演算法、聚類演算法、模型評估方法、概率圖模型、集成學習、人工神經網路等）進行了講解。第4～5章從統計學方法入手講解了自然語言處理的兩個基礎任務：分詞和關鍵字抽取。第6章則講解了當前流行的詞向量技術，尤其是Word2vec和大規模預訓練模型BERT。第7～11章分別對當前自然語言處理的熱門研究領域展開講解，包括文本分類、資訊抽取、機器閱讀理解、文本生成和摘要抽取、對話和聊天系統等。
    
本書除了可以作為高等院校電腦、大資料和人工智慧及其相關專業的本科生和研究生教材，也可供對自然語言處理技術感興趣的研究人員和工程技術人員閱讀參考。

前言
第1章 自然語言處理概述
1.1 自然語言處理的定義
1.2 自然語言處理的應用領域
1.3 自然語言處理的發展歷程
1.4 自然語言處理的研究現狀和發展趨勢
1.5 自然語言處理的知識和技術儲備
本章小結

第2章 自然語言處理程式設計基礎
2.1 Python基礎
2.1.1 Python語言概述
2.1.2 Python基礎知識
2.2 NumPy和Pandas的使用
2.2.1 NumPy的使用
2.2.2 Pandas的使用
2.3 深度學習框架PyTorch
2.3.1 PyTorch簡介及環境搭建
2.3.2 PyTorch入門
本章小結

第3章 機器學習演算法基礎
3.1 分類演算法
3.1.1 樸素貝葉斯模型
3.1.2 決策樹模型
3.1.3 支援向量機模型
3.1.4 邏輯回歸模型
3.2 聚類演算法
3.2.1 原型聚類
3.2.2 密度聚類
3.2.3 層次聚類
3.3 模型評估與選擇
3.3.1 經驗誤差與過擬合
3.3.2 評估方法
3.3.3 性能度量
3.4 概率圖模型
3.4.1 隱瑪律可夫模型（HMM）
3.4.2 條件隨機場模型
3.4.3 LDA模型
3.5 集成學習
3.5.1 個體與集成
3.5.2 XGboost模型
3.5.3 Bagging和隨機森林
3.6 人工神經網路與深度學習
3.6.1 人工神經網路與深度學習概述
3.6.2 BP神經網路
3.6.3 卷積神經網路（CNN）
3.6.4 迴圈神經網路（RNN）與LSTM
本章小結

第4章 中文分詞
4.1 基於詞表的分詞演算法
4.1.1 正向 匹配演算法
4.1.2 逆向 匹配演算法
4.1.3 雙向 匹配演算法
4.1.4 案例實現
4.2 基於統計模型的分詞演算法
4.2.1 N-gram模型
4.2.2 基於N-gram模型的分詞演算法
4.2.3 案例實現
4.3 基於序列標注的分詞演算法
4.3.1 序列標注下的隱瑪律可夫模型
4.3.2 基於隱瑪律可夫模型進行中文分詞
4.3.3 維特比（Viterbi）演算法
4.3.4 其他基於序列標注的分詞演算法
4.3.5 案例實現
4.4 中文分詞工具
4.4.1 常見的中文分詞工具
4.4.2 Jieba分詞
4.4.3 案例實現
本章小結

第5章 關鍵字提取
5.1 TextRank關鍵字提取演算法
5.1.1 PageRank演算法
5.1.2 TextRank演算法
5.1.3 案例實現
5.2 TE-IDF關鍵字提取演算法
5.2.1 評估詞的重要性的常見指標
5.2.2 TF-IDF演算法
5.2.3 案例實現
本章小結

第6章 訓向量技術
6.1 詞向量技術發展歷程
6.1.1 詞向量概述
6.1.2 詞向量的發展歷程
6.2 Word2vec
6.2.1 Word2vec的基本原理
6.2.2 Word2vec的兩種訓練模型
6.2.3 Word2vec的兩種優化方法
6.2.4 案例實現
6.3 注意力機制
6.3.1 Encoder-Decoder樞架
6.3.2 注意力機制概述
6.3.3 注意力機制的發展
6.4 BERT預訓練模型
6.4.1 Transformer模型
6.4.2 BERT模型
6.4.3 案例實現
本章小結

第7章 文本分類
7.1 文本分類概述
7.2 基於樸素貝葉斯的文本分類方法
7.2.1 基於樸素貝葉斯演算法的文本分類流程
7.2.2 案例實現
7.3 基於深度學習的文本分類
7.3.1 基於卷積神經網路的文本分類
7.3.2 案例實現
7.4 開放領域文本分類
7.4.1 開放領域文本分類簡介
7.4.2 案例實現
本章小結

第8章 文本資訊抽取
8.1 命名實體識別
8.1.1 命名實體識別概述
8.1.2 基於LSTM的命名實體識別
8.1.3 細細微性命名實體識別
8.2 實體關係抽取
8.2.1 關係抽取概述
8.2.2 基於卷積神經網路的關係抽取演算法
8.2.3 實體關係的聯合抽取演算法
8.3 事件抽取
8.3.1 事件抽取概述
8.3.2 事件檢測
8.3.3 事件元素抽取
本章小結

第9章 機器閱讀理解
9.1 機器閱讀理解概述
9.2 抽取式閱讀理解
9.2.1 抽取式閱讀理解概述
9.2.2 基於BiDAF的抽取式閱讀理解案例
9.2.3 基於預訓練模型的抽取式閱讀理解
9.3 選擇式閱讀理解
9.3.1 選擇式閱讀理解概述
9.3.2 基於Co-Match的選擇式閱讀理解案例
9.3.3 基於預訓練模型的選擇式閱讀理解
本章小結

第10章 文本生成與文本摘要
10.1 文本生成與文本摘要概述
10.2 抽取式文本摘要
10.2.1 傳統方法
10.2.2 基於RNN的抽取式文本摘要
10.2.3 基於預訓練模型的抽取式文本摘要
10.3 生成式文本摘要
10.3.1 早期的Seq2Seg模型
10.3.2 Seq2Seq+Atention模型
10.3.3 指標生成網路
10.3.4 預訓練模型+微調
10.4 文本摘要案例
10.4.1 文本摘要常用資料集
10.4.2 使用TextRank進行簡單的抽取式摘要
10.4.3 使用預訓練模型進行文本摘要
本章小結

第11章 對話系統
11.1 任務型對話系統
……