[套装书]聊天机器人：入门、进阶与实战+多语自然语言处理：从原理到实践（2册）

作者
刘宇 崔燕红 郭师光 党习歌(美)Daniel M. Bikel Imed Zitouni
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911051010
简要
简介
内容简介书籍计算机书籍 ---------------------------聊天机器人：入门、进阶与实战--------------------------- 本书是一本建立在零基础的，以介绍对话机器人领域为目的，通过书中的内容介绍让更多对对话机器人感兴趣的初级读者，可以由浅入深，了解和学习对话机器人的发展现状，用途，原理和技术。 主要内容： 第一部分 数学与统计学基础 数学与统计学是现代机器学习理论的基础，本书会对机器学习中重点涉及的数学与统计学知识做一下整理，方便读者了解和掌握，以便可以顺利的过渡到后面专业知识的理解。 第二部分 自然语言处理模型与技术 对话机器人是以自然语言处理为发展的一个专业领域，基础的自然语言处理模型与技术对于学习后面的专业知识是必要的。本书通过先介绍自然语言处理模型，然后对依赖这个模型所扩展出的自然语言处理技术做详细介绍。使得初学者可以从数学理论到模型，从模型到技术的理论结合实际的方式，学好本书的内容 第三部分 对话机器人的核心技术 在对话机器人的核心技术章节，我们先介绍 1.对话机器人的发展综述。 2.自然语言理解NLU的部分，让读者可以更加清晰的认识到Intent (目的)识别和 Entities （命名实体）识别的重要性。为了更加了解一句话中各个实体间的形容和被形容关系，我们引入句法树和依存句法分析的概念。这样机器人就可以简单的弄清一句话说的是什么，和各个实体间的关系。 3.为了让机器像人类一样可以有更多的知识积累和进行简单的逻辑推理，我们接下来要介绍知识图谱。这里我们重点介绍知识图谱的模型，知识抽取，知识图谱数据库的搭建和存储，以及在简单的了解到Intent和各个实体间关系后，如何根据知识图谱进行推理计算和理解 4.在对句子有了一定的深入理解后，我们需要介绍预测会话和答复生成。在机器理解了问题的内容后，如何给出精确的答复。这里会介绍用于客服机器人的Question to Question 的匹配来得到预先准备好的标准答案。也会介绍通话自然语言理解利用知识图谱得到生成答案，以及通过互联网检索的方式，得到置信度较高的问题答案。最后还会了解如何存储我们学到的问题和答案的配对。 5.在机器学会了一问一答后，我们需要介绍 1.根据上下文理解的对话生成。 . 2.多轮对话的控制和生成。 3.多主题多轮对话的切换。 6.人机对话过程中的情感计算 1.设计情感计算的对话场景 2.情感计算的建模与识别 3.根据情感计算生成带情感色彩的回复 第四部分 对话机器人实战 本书的第四个部分会详细分以下三个方面阐述 1.实战对话机器人的架构 2.对话机器人的开发流程和方案 3.对话机器人的开发案例 在对话机器人的开发案例里面，我们会介绍： 1.垂直领域的客服机器人 2.开放领域的知识问答类型机器人 3.闲聊型的情感机器人 第五部分 附录 附录里会有我们总结的机器学习的模型列表，自然语言模型列表，深度学习的模型列表以及每一章的实战代码 ---------------------------多语自然语言处理：从原理到实践--------------------------- 本书全面阐述了自然语言处理的多个方面，既包括形态学、文档分割、句法、语义分析、语言模型、蕴涵推理、情感分析等理论部分，也包括实体检测、关系识别、机器翻译、信息检索、自动文摘、问答系统、对话系统、多引擎处理等实践部分。本书内容丰富，不仅引用了很多最新的文献，而且还展示了从广泛的研究和产业实践中总结出来的实用解决方案。 本书可供广大的自然语言处理研究者和开发者参考。
目录



---------------------------聊天机器人：入门、进阶与实战---------------------------


推荐序一
推荐序二
前言
第1章概率统计与应用数学的基础知识
1.1概率的定义
1.2条件概率与贝叶斯公式
1.3随机变量与分布函数
1.4概率分布与参数估计
1.5随机过程与马尔可夫模型
1.6信息熵
1.7本章小结
第2章语言模型与多元文法
2.1词袋模型
2.2N-Gram模型
2.2.1N-Gram简介
2.2.2N-Gram算法
2.2.3N-Gram用途
2.3数据平滑
2.3.1加法平滑方法
2.3.2Good-Turing估计法
2.3.3组合平滑方法
第3章序列标注模型
3.1中文分词
3.1.1条件随机场
3.1.2条件随机场进行中文分词
3.2词性标注
3.2.1词性标注的标准
3.2.2利用隐马尔可夫进行词性标注
3.3命名实体识别
3.3.1利用条件随机场模型进行命名实体识别
3.3.2命名实体识别在对话系统中的作用
3.4序列标注模型
3.5本章小结
第4章文本分析
4.1关键词抽取
4.1.1词频-逆文档频次算法
4.1.2Text Rank
4.2文本分类
4.2.1贝叶斯文本分类模型
4.2.2决策树文本分类模型
4.2.3SVM文本分类模型
4.3主题模型
4.3.1基础知识回顾
4.3.2吉布斯采样
4.3.3隐狄利克雷分配模型
4.4本章小结
第5章深度学习模型
5.1基于深度学习的自然语言模型
5.1.1神经网络自然语言模型与词向量
5.1.2A Neural Probabilistic Language Model
5.1.3CBOW和Skip-Gram
5.1.4Huffman编码与Huffman tree
5.1.5CBOW-Hierarchical Softmax
5.1.6Skip-Gram-Hierarchical Softmax
5.1.7FastText
5.1.8词的全局向量表示
5.2卷积网络CNN
5.2.1卷积网络CNN理论
5.2.2利用CNN进行文本分类
5.3循环网络RNN
5.3.1循环网络RNN（LSTM，GRU）理论
5.3.2利用RNN 进行情感分析
5.3.3Sequence-to-Sequence with Attention Model
5.4Transformer
5.4.1ResNet（Residual Network）残差网络模型
5.4.2Attention is all you need（Transformer）
5.5预训练模型
5.5.1Embeddings from Language Models（ELMo）
5.5.2BERT
第6章对话机器人的发展综述
6.1对话机器人发展史
6.1.1对话机器人的近况
6.1.2开放域
6.1.3垂直领域
6.1.4对话机器人的未来发展趋势
6.2人工智能在对话机器人中的应用
6.2.1深度学习在机器人方面的应用
6.2.2强化学习在机器人方面的应用
6.2.3知识图谱在机器人方面的应用
第7章自然语言理解与知识图谱
7.1知识图谱的表示：三元组模型
7.2知识抽取
7.2.1知识抽取-命名实体识别
7.2.2利用CRF模型识别 NER
7.2.3利用BiLSTM+CRF模型进行命名实体识别
7.3知识抽取-实体关系抽取：Relation Extraction
7.4知识图谱的构建
第8章答案生成与多轮对话
8.1预测会话与答案生成
8.1.1信息检索：利用搜索来预测答案
8.1.2句型模板匹配标准问题生成答案
8.1.3根据知识图谱推理得到答案
8.2多轮对话
8.2.1多轮对话概述
8.2.2任务型多轮对话的控制和生成
8.2.3多主题多轮对话
第9章对话系统的工程架构
9.1对话系统的工程技术
9.1.1常用技术
9.1.2对话系统的分类
9.1.3主要系统软件介绍
9.1.4系统运维相关
9.2对话系统的架构实现
9.2.1阿里小蜜
9.2.2百度对话系统
9.2.3垂直领域对话系统的架构
9.2.4开放领域对话系统的架构
9.3本章小结
第10章实战场景之一——客服机器人
10.1客服机器人架构
10.1.1功能需求
10.1.2系统逻辑架构图
10.2客服机器人设计
10.2.1FAQ的设计
10.2.2导购机器人的设计
10.2.3实例分析
10.3本章小结
第11章实战场景之二——开放域的QA问答
11.1开放领域问答机器人的架构
11.2开放领域问答机器人的开发流程和方案
11.3开放领域问答机器人的开发案例
第12章实战场景之三——聊天机器人
12.1Seq2Seq以及Attention机制
12.2Beam Search
12.3基于Seq2Seq的聊天机器人开发流程
12.3.1语料准备
12.3.2定义Encoder和Decoder
12.3.3模型训练和评估模块
12.3.4模型预测和Beam Search模块
12.4本章小结


---------------------------多语自然语言处理：从原理到实践---------------------------



出版者的话
译者序
前言
关于作者
第一部分理论
第1章找出词的结构
1-1词及其部件
1-1-1词元
1-1-2词形
1-1-3词素
1-1-4类型学
1-2问题和挑战
1-2-1不规则性
1-2-2歧义性
1-2-3能产性
1-3形态模型
1-3-1查词典
1-3-2有限状态形态
1-3-3基于合一的形态
1-3-4函数式形态
1-3-5形态归纳
1-4总结
第2章找出文档的结构
2-1概述
2-1-1句子边界检测
2-1-2主题边界检测
2-2方法
2-2-1生成序列分类方法
2-2-2判别性局部分类方法
2-2-3判别性序列分类方法
2-2-4混合方法
2-2-5句子分割的全局建模扩展
2-3方法的复杂度
2-4方法的性能
2-5特征
2-5-1同时用于文本与语音的特征
2-5-2只用于文本的特征
2-5-3语音特征
2-6处理阶段
2-7讨论
2-8总结
第3章句法
3-1自然语言分析
3-2树库：句法分析的数据驱动方法
3-3句法结构的表示
3-3-1使用依存图的句法分析
3-3-2使用短语结构树的句法分析
3-4分析算法
3-4-1移进归约分析
3-4-2超图和线图分析
3-4-3最小生成树和依存分析
3-5分析中的歧义消解模型
3-5-1概率上下文无关文法
3-5-2句法分析的生成模型
3-5-3句法分析的判别模型
3-6多语言问题：什么是词元
3-6-1词元切分、实例和编码
3-6-2分词
3-6-3形态学
3-7总结
第4章语义分析
4-1概述
4-2语义解释
4-2-1结构歧义
4-2-2词义
4-2-3实体与事件消解
4-2-4谓词 论元结构
4-2-5意义表示
4-3系统范式
4-4词义
4-4-1资源
4-4-2系统
4-4-3软件
4-5谓词 论元结构
4-5-1资源
4-5-2系统
4-5-3软件
4-6意义表示
4-6-1资源
4-6-2系统
4-6-3软件
4-7总结
4-7-1词义消歧
4-7-2谓词 论元结构
4-7-3意义表示
第5章语言模型
5-1概述
5-2n元模型
5-3语言模型评价
5-4参数估计
5-4-1最大似然估计和平滑
5-4-2贝叶斯参数估计
5-4-3大规模语言模型
5-5语言模型适应
5-6语言模型的类型
5-6-1基于类的语言模型
5-6-2变长语言模型
5-6-3判别式语言模型
5-6-4基于句法的语言模型
5-6-5最大熵语言模型
5-6-6因子化语言模型
5-6-7其他基于树的语言模型
5-6-8基于主题的贝叶斯语言模型
5-6-9神经网络语言模型
5-7特定语言建模问题
5-7-1形态丰富语言的建模
5-7-2亚词单元的选择
5-7-3形态类别建模
5-7-4无分词语言
5-7-5口语与书面语言
5-8多语言和跨语言建模
5-8-1多语言建模
5-8-2跨语言建模
5-9总结
第6章文本蕴涵识别
6-1概述
6-2文本识别蕴涵任务
6-2-1问题定义
6-2-2RTE的挑战
6-2-3评估文本蕴涵系统性能
6-2-4文本蕴涵解决方案的应用
6-2-5其他语言中的RTE研究
6-3文本蕴涵识别的框架
6-3-1要求
6-3-2分析
6-3-3有用的组件
6-3-4通用模型
6-3-5实现
6-3-6对齐
6-3-7推理
6-3-8训练
6-4案例分析
6-4-1抽取语篇约束
6-4-2基于编辑距离的RTE
6-4-3基于转换的方法
6-4-4逻辑表示及推理
6-4-5独立于蕴涵学习对齐
6-4-6在RTE中利用多对齐
6-4-7自然逻辑
6-4-8句法树核
6-4-9使用有限依存上下文的全局相似度
6-4-10RTE的潜在对齐推理
6-5RTE的进一步研究
6-5-1改进分析器
6-5-2发明或解决新问题
6-5-3开发知识库
6-5-4更好的RTE评价
6-6有用资源
6-6-1文献
6-6-2知识库
6-6-3自然语言处理包
6-7总结
第7章多语情感与主观性分析
7-1概述
7-2定义
7-3英语中的情感及主观性分析
7-3-1词典
7-3-2语料库
7-3-3工具
7-4词级和短语级标注
7-4-1基于字典的方法
7-4-2基于语料库的方法
7-5句子级标注
7-5-1基于字典
7-5-2基于语料库
7-6文档级标注
7-6-1基于字典
7-6-2基于语料库
7-7什么有效，什么无效
7-7-1最佳情况：已有人工标注的语料库
7-7-2次优情形：基于语料库的跨语言映射
7-7-3第三优情形：孳衍词典
7-7-4第四优情形：翻译词典
7-7-5各种可行方法的比较
7-8总结
第二部分实践
第8章实体检测和追踪
8-1概述
8-2提及检测
8-2-1数据驱动的分类
8-2-2搜索提及
8-2-3提及检测特征
8-2-4提及检测实验
8-3共指消解
8-3-1Bell树的构建
8-3-2共指模型：链接和引入模型
8-3-3最大熵链接模型
8-3-4共指消解实验
8-4总结
第9章关系和事件
9-1概述
9-2关系与事件
9-3关系类别
9-4将关系抽取视为分类
9-4-1算法
9-4-2特征
9-4-3分类器
9-5关系抽取的其他方法
9-5-1无监督和半监督方法
9-5-2核方法
9-5-3实体和关系检测的联合方法
9-6事件
9-7事件抽取方法
9-8超句
9-9事件匹配
9-10事件抽取的未来方向
9-11总结
第10章机器翻译
10-1机器翻译现状
10-2机器翻译评测
10-2-1人工评测
10-2-2自动评测
10-2-3WER、BLEU、METEOR等
10-3词对齐
10-3-1共现
10-3-2IBM模型1
10-3-3期望最大化
10-3-4对齐模型
10-3-5对称化
10-3-6作为机器学习问题的词对齐
10-4基于短语的翻译模型
10-4-1模型
10-4-2训练
10-4-3解码
10-4-4立方剪枝
10-4-5对数线性模型和参数调节
10-4-6控制模型的大小
10-5基于树的翻译模型
10-5-1层次短语翻译模型
10-5-2线图解码
10-5-3基于句法的模型
10-6语言学挑战
10-6-1译词选择
10-6-2形态学
10-6-3词序
10-7工具和数据资源
10-7-1基本工具
10-7-2机器翻译系统
10-7-3平行语料
10-8未来的方向
10-9总结
第11章跨语言信息检索
11-1概述
11-2文档预处理
11-2-1文档句法和编码
11-2-2词元化
11-2-3规范化
11-2-4预处理最佳实践
11-3单语信息检索
11-3-1文档表示
11-3-2索引结构
11-3-3检索模型
11-3-4查询扩展
11-3-5文档先验模型
11-3-6模型选择的最佳实践
11-4CLIR
11-4-1基于翻译的方法
11-4-2机器翻译
11-4-3中间语言文档表示
11-4-4最佳实践
11-5多语言信息检索
11-5-1语言识别
11-5-2MLIR的索引建立
11-5-3翻译查询串
11-5-4聚合模型
11-5-5最佳实践
11-6信息检索的评价
11-6-1建立实验环境
11-6-2相关性评估
11-6-3评价指标
11-6-4已有数据集
11-6-5最佳实践
11-7工具、软件和资源
11-8总结
第12章多语自动文摘
12-1概述
12-2自动文摘方法
12-2-1传统方法
12-2-2基于图的方法
12-2-3学习如何做摘要
12-2-4多语自动摘要
12-3评测
12-3-1人工评价
12-3-2自动评价
12-3-3自动文摘评测系统的近期发展
12-3-4多语自动文摘的自动评测方法
12-4如何搭建自动文摘系统
12-4-1材料
12-4-2工具
12-4-3说明
12-5评测竞赛和数据集
12-5-1评测竞赛
12-5-2数据集
12-6总结
第13章问答系统
13-1概述和历史
13-2架构
13-3源获取和预处理
13-4问题分析
13-5搜索及候选抽取
13-5-1非结构化资源搜索
13-5-2非结构化源文本的候选抽取
13-5-3结构化源文本的候选抽取
13-6回答评分
13-6-1方法概述
13-6-2证据结合
13-6-3扩展到列表型问题
13-7跨语言问答
13-8案例研究
13-9评测
13-9-1评测任务
13-9-2判断答案正确性
13-9-3性能度量
13-10当前和未来的挑战
13-11总结和进一步阅读
第14章提炼
14-1概述
14-2示例
14-3相关性和冗余性
14-4Rosetta Consortium 提炼系统
14-4-1文档和语料库准备
14-4-2索引
14-4-3查询回答
14-5其他提炼方法
14-5-1系统架构
14-5-2相关度
14-5-3冗余
14-5-4多模态提炼
14-5-5跨语言提炼
14-6评测和指标
14-7总结
第15章口语对话系统
15-1概述
15-2口语对话系统
15-2-1语音识别和理解
15-2-2语音生成
15-2-3对话管理器
15-2-4语音用户接口
15-3对话形式
15-4自然语言呼叫路由选择
15-5三代对话应用
15-6持续的改进循环
15-7口语句子的转录和标注
15-8口语对话系统的本地化
15-8-1呼叫流程本地化
15-8-2提示本地化
15-8-3文法的本地化
15-8-4源端数据
15-8-5训练
15-8-6测试
15-9总结
第16章聚合自然语言处理引擎
16-1概述
16-2聚合语音和NLP引擎架构的期望属性
16-2-1灵活的分布式组件化
16-2-2计算效率
16-2-3数据操作功能
16-2-4鲁棒性处理
16-3聚合的架构
16-3-1UIMA
16-3-2GATE
16-3-3InfoSphere Streams
16-4案例研究
16-4-1GALE 互操作性演示系统
16-4-2跨语言自动语言开发系统
16-4-3实时翻译服务
16-5经验教训
16-5-1分割涉及延迟和精度之间的权衡
16-5-2联合优化与互操作性
16-5-3数据模型需要使用约定
16-5-4性能评估的挑战
16-5-5引擎的前向波训练
16-6总结
16-7UIMA样本代码
索引



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4