作者：王刚,郭蕴,
页数：232
出版社：机械工业出版社
出版日期：2021
ISBN：9787111692591
电子书格式：pdf/epub/txt
内容简介
本书面向初学者介绍了自然语言处理的基础知识，包括词法分析、句法分析、基于机器学习的文本分析、深度学习与神经网络、词嵌入与词向量以及自然语言处理与卷积神经网络、循环神经网络技术及应用。本书深入浅出，案例丰富，可作为高校人工智能、大数据、计算机及相关专业本科生的教材，也可供对自然语言处理有兴趣的技术人员作为参考书。
本书特色
用通俗易懂的语言、丰富的案例带你进入自然语言处理的大门
目录
前言
第1章 自然语言处理概述1
11 自然语言处理的基本概念1
111 什么是自然语言处理1
112 自然语言处理的层次2
113 自然语言处理的发展历程3
12 自然语言处理技术面临的困难6
121 歧义6
122 知识的获取、表达及运用7
123 计算问题8
13 自然语言处理的主要研究任务和应用8
131 自然语言处理的主要研究任务8
132 自然语言处理的典型应用10
14 搭建自然语言处理开发环境11
141 Anaconda11
142 scikit-learn15
143 Jupyter Notebook15
15 本章小结16
16 习题17
第2章 词法分析18
21 什么是词法分析18
22 分词19
221 中文分词简介19
222 基于词典的分词方法20
223 基于统计的分词方法21
224 实例—使用N-gram语言模型进行语法纠正24
225 中文分词工具简介27
226 实例—使用jieba进行高频词提取30
23 关键词提取32
231 TF-IDF算法32
232 TextRank算法33
233 实例—提取文本关键词34
24 词性标注40
241 词性标注简介40
242 隐马尔可夫模型41
243 Viterbi算法43
244 最大熵模型44
25 命名实体识别46
251 命名实体识别简介46
252 条件随机场模型47
253 实例—使用jieba进行日期识别48
26 本章小结52
27 习题53
第3章 句法分析54
31 什么是句法分析54
32 句法分析树库及性能评测56
321 句法分析语料库56
322 句法分析模型的性能评测59
33 概率上下文无关文法59
34 依存句法分析62
341 基于图模型的依存句法分析63
342 基于转移模型的依存句法分析63
35 中文句法分析工具简介65
36 实例—中文句法分析66
37 本章小结68
38 习题68
第4章 基于机器学习的文本分类69
41 机器学习简介69
411 scikit-learn简介71
412 机器学习基本概念72
413 机器学习问题分类73
42 朴素贝叶斯分类器76
43 逻辑回归分类器80
44 支持向量机分类器84
45 文本聚类89
46 实例—垃圾邮件分类94
47 本章小结99
48 习题99
第5章 深度学习与神经网络101
51 深度学习与神经网络简介101
52 人工神经网络102
521 生物神经元102
522 感知器103
523 激活函数105
524 神经网络110
53 前馈神经网络110
531 前馈神经网络的结构110
532 前向传播111
533 损失函数112
534 反向传播算法113
535 优化方法114
54 深度学习框架116
541 TensorFlow116
542 Keras118
543 PyTorch119
544 PaddlePaddle120
55 实例—使用MLP实现手写数字识别122
551 数据准备122
552 创建MLP122
553 模型训练123
554 模型评价124
56 本章小结125
57 习题126
第6章 词嵌入与词向量127
61 文本向量化127
62 One-Hot编码128
63 词嵌入130
631 什么是词嵌入130
632 词嵌入的实现131
633 语义信息132
64 Word2Vec133
641 Word2Vec简介133
642 Word2Vec的应用134
643 使用gensim包训练词向量136
65 Doc2Vec138
651 PV-DM139
652 PV-DBOW140
66 实例—利用Doc2Vec计算文档相似度140
661 准备语料库140
662 定义和训练模型141
663 分析文本相似度142
67 本章小结145
68 习题145
第7章 卷积神经网络与自然语言处理146
71 卷积神经网络简介146
711 深层神经网络用于图像处理存在的问题146
712 什么是卷积148
713 填充150
714 步长151
715 什么是卷积神经网络151
72 应用卷积神经网络解决自然语言处理问题152
721 NLP中的卷积层152
722 NLP中的池化层154
723 NLP中CNN的基本架构155
73 CNN在应用中的超参数选择156
731 激活函数156
732 卷积核的大小和个数156
733 dropout层156
734 softmax分类器157
74 实例—使用CNN实现新闻文本分类158
741 准备数据158
742 定义和训练模型163
75 本章小结165
76 习题166
第8章 循环神经网络与自然语言处理167
81 循环神经网络的基本结构168
82 循环神经网络应用于自然语言处理170
821 序列到类别170
822 同步序列到序列171
823 异步序列到序列172
83 循环神经网络的训练173
831 随时间反向传播算法173
832 权重的更新174
833 梯度消失与梯度爆炸175
84 长短期记忆网络175
841 细胞状态177
842 门控机制177
85 门控循环单元网络181
86 更深的网络184
861 堆叠循环神经网络184
862 双向循环神经网络185
87 实例—使用LSTM网络实现文本情感分析186
871 数据准备186
872 构建和训练模型187
88 本章小结190
89 习题191
第9章 序列到序列模型与注意力机制192
91 序列到序列模型192
911 什么是序列到序列模型192
912 编码–解码架构193
913 编码器194
914 解码器195
915 模型训练197
92 注意力机制198
921 什么是注意力机制198
922 计算语义
第1章 自然语言处理概述1
11 自然语言处理的基本概念1
111 什么是自然语言处理1
112 自然语言处理的层次2
113 自然语言处理的发展历程3
12 自然语言处理技术面临的困难6
121 歧义6
122 知识的获取、表达及运用7
123 计算问题8
13 自然语言处理的主要研究任务和应用8
131 自然语言处理的主要研究任务8
132 自然语言处理的典型应用10
14 搭建自然语言处理开发环境11
141 Anaconda11
142 scikit-learn15
143 Jupyter Notebook15
15 本章小结16
16 习题17
第2章 词法分析18
21 什么是词法分析18
22 分词19
221 中文分词简介19
222 基于词典的分词方法20
223 基于统计的分词方法21
224 实例—使用N-gram语言模型进行语法纠正24
225 中文分词工具简介27
226 实例—使用jieba进行高频词提取30
23 关键词提取32
231 TF-IDF算法32
232 TextRank算法33
233 实例—提取文本关键词34
24 词性标注40
241 词性标注简介40
242 隐马尔可夫模型41
243 Viterbi算法43
244 最大熵模型44
25 命名实体识别46
251 命名实体识别简介46
252 条件随机场模型47
253 实例—使用jieba进行日期识别48
26 本章小结52
27 习题53
第3章 句法分析54
31 什么是句法分析54
32 句法分析树库及性能评测56
321 句法分析语料库56
322 句法分析模型的性能评测59
33 概率上下文无关文法59
34 依存句法分析62
341 基于图模型的依存句法分析63
342 基于转移模型的依存句法分析63
35 中文句法分析工具简介65
36 实例—中文句法分析66
37 本章小结68
38 习题68
第4章 基于机器学习的文本分类69
41 机器学习简介69
411 scikit-learn简介71
412 机器学习基本概念72
413 机器学习问题分类73
42 朴素贝叶斯分类器76
43 逻辑回归分类器80
44 支持向量机分类器84
45 文本聚类89
46 实例—垃圾邮件分类94
47 本章小结99
48 习题99
第5章 深度学习与神经网络101
51 深度学习与神经网络简介101
52 人工神经网络102
521 生物神经元102
522 感知器103
523 激活函数105
524 神经网络110
53 前馈神经网络110
531 前馈神经网络的结构110
532 前向传播111
533 损失函数112
534 反向传播算法113
535 优化方法114
54 深度学习框架116
541 TensorFlow116
542 Keras118
543 PyTorch119
544 PaddlePaddle120
55 实例—使用MLP实现手写数字识别122
551 数据准备122
552 创建MLP122
553 模型训练123
554 模型评价124
56 本章小结125
57 习题126
第6章 词嵌入与词向量127
61 文本向量化127
62 One-Hot编码128
63 词嵌入130
631 什么是词嵌入130
632 词嵌入的实现131
633 语义信息132
64 Word2Vec133
641 Word2Vec简介133
642 Word2Vec的应用134
643 使用gensim包训练词向量136
65 Doc2Vec138
651 PV-DM139
652 PV-DBOW140
66 实例—利用Doc2Vec计算文档相似度140
661 准备语料库140
662 定义和训练模型141
663 分析文本相似度142
67 本章小结145
68 习题145
第7章 卷积神经网络与自然语言处理146
71 卷积神经网络简介146
711 深层神经网络用于图像处理存在的问题146
712 什么是卷积148
713 填充150
714 步长151
715 什么是卷积神经网络151
72 应用卷积神经网络解决自然语言处理问题152
721 NLP中的卷积层152
722 NLP中的池化层154
723 NLP中CNN的基本架构155
73 CNN在应用中的超参数选择156
731 激活函数156
732 卷积核的大小和个数156
733 dropout层156
734 softmax分类器157
74 实例—使用CNN实现新闻文本分类158
741 准备数据158
742 定义和训练模型163
75 本章小结165
76 习题166
第8章 循环神经网络与自然语言处理167
81 循环神经网络的基本结构168
82 循环神经网络应用于自然语言处理170
821 序列到类别170
822 同步序列到序列171
823 异步序列到序列172
83 循环神经网络的训练173
831 随时间反向传播算法173
832 权重的更新174
833 梯度消失与梯度爆炸175
84 长短期记忆网络175
841 细胞状态177
842 门控机制177
85 门控循环单元网络181
86 更深的网络184
861 堆叠循环神经网络184
862 双向循环神经网络185
87 实例—使用LSTM网络实现文本情感分析186
871 数据准备186
872 构建和训练模型187
88 本章小结190
89 习题191
第9章 序列到序列模型与注意力机制192
91 序列到序列模型192
911 什么是序列到序列模型192
912 编码–解码架构193
913 编码器194
914 解码器195
915 模型训练197
92 注意力机制198
921 什么是注意力机制198
922 计算语义
