[套装书]聊天机器人：入门、进阶与实战+基于深度学习的自然语言处理（2册）

作者

刘宇 崔燕红 郭师光 党习歌（以）约阿夫·戈尔德贝格（Yoav Goldberg）

丛书名

智能系统与技术丛书

出版社

机械工业出版社

ISBN

9781911059340

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 ---------------------------基于深度学习的自然语言处理--------------------------- 本书重点介绍了神经网络模型在自然语言处理中的应用。首先介绍有监督的机器学习和前馈神经网络的基本知识，如何将机器学习方法应用在自然语言处理中，以及词向量表示（而不是符号表示）的应用。然后介绍更多专门的神经网络结构，包括一维卷积神经网络、循环神经网络、条件生成模型和基于注意力的模型。最后讨论树形网络、结构化预测以及多任务学习的前景。

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 ---------------------------基于深度学习的自然语言处理--------------------------- 译者序 前言 致谢 第1章引言 11自然语言处理的挑战 12神经网络和深度学习 13自然语言处理中的深度学习 14本书的覆盖面和组织结构 15本书未覆盖的内容 16术语 17数学符号 注释 第一部分有监督分类与前馈神经网络 第2章学习基础与线性模型 21有监督学习和参数化函数 22训练集、测试集和验证集 23线性模型 231二分类 232对数线性二分类 233多分类 24表示 25独热和稠密向量表示 26对数线性多分类 27训练和最优化 271损失函数 272正则化 28基于梯度的最优化 281随机梯度下降 282实例 283其他训练方法 第3章从线性模型到多层感知器 31线性模型的局限性：异或问题 32非线性输入转换 33核方法 34可训练的映射函数 第4章前馈神经网络 41一个关于大脑的比喻 42数学表示 43表达能力 44常见的非线性函数 45损失函数 46正则化与丢弃法 47相似和距离层 48嵌入层 第5章神经网络训练 51计算图的抽象概念 511前向计算 512反向计算（导数、反向传播） 513软件 514实现流程 515网络构成 52实践经验 521优化算法的选择 522初始化 523重启与集成 524梯度消失与梯度爆炸 525饱和神经元与死神经元 526随机打乱 527学习率 528minibatch 第二部分处理自然语言数据 第6章文本特征构造 61NLP分类问题中的拓扑结构 62NLP问题中的特征 621直接可观测特征 622可推断的语言学特征 623核心特征与组合特征 624n元组特征 625分布特征 第7章NLP特征的案例分析 71文本分类：语言识别 72文本分类：主题分类 73文本分类：作者归属 74上下文中的单词：词性标注 75上下文中的单词：命名实体识别 76上下文中单词的语言特征：介词词义消歧 77上下文中单词的关系：弧分解分析 第8章从文本特征到输入 81编码分类特征 811独热编码 812稠密编码（特征嵌入） 813稠密向量与独热表示 82组合稠密向量 821基于窗口的特征 822可变特征数目：连续词袋 83独热和稠密向量间的关系 84杂项 841距离与位置特征 842补齐、未登录词和词丢弃 843特征组合 844向量共享 845维度 846嵌入的词表 847网络的输出 85例子：词性标注 86例子：弧分解分析 第9章语言模型 91语言模型任务 92语言模型评估：困惑度 93语言模型的传统方法 931延伸阅读 932传统语言模型的限制 94神经语言模型 95使用语言模型进行生成 96副产品：词的表示 第10章预训练的词表示 101随机初始化 102有监督的特定任务的预训练 103无监督的预训练 104词嵌入算法 1041分布式假设和词表示 1042从神经语言模型到分布式表示 1043词语联系 1044其他算法 105上下文的选择 1051窗口方法 1052句子、段落或文档 1053句法窗口 1054多语种 1055基于字符级别和子词的表示 106处理多字单元和字变形 107分布式方法的限制 第11章使用词嵌入 111词向量的获取 112词的相似度 113词聚类 114寻找相似词 115同中选异 116短文档相似度 117词的类比 118改装和映射 119实用性和陷阱 第12章案例分析:一种用于句子意义推理的前馈结构 121自然语言推理与 SNLI数据集 122文本相似网络 第三部分特殊的结构 第13章n元语法探测器：卷积神经网络 131基础卷积池化 1311文本上的一维卷积 1312向量池化 1313变体 132其他选择：特征哈希 133层次化卷积 第14章循环神经网络：序列和栈建模 141RNN抽象描述 142RNN的训练 143RNN常见使用模式 1431接收器 1432编码器 1433传感器 144双向RNN 145堆叠RNN 146用于表示栈的RNN 147文献阅读的注意事项 第15章实际的循环神经网络结构 151作为RNN的CBOW 152简单RNN 153门结构 1531长短期记忆网络 1532门限循环单元 154其他变体 155应用到RNN的丢弃机制 第16章通过循环网络建模 161接收器 1611情感分类器 1612主谓一致语法检查 162作为特征提取器的RNN 1621词性标注 1622RNNCNN文本分类 1623弧分解依存句法分析 第17章条件生成 171RNN生成器 172条件生成（编码器解码器） 1721序列到序列模型 1722应用 1723其他条件上下文 173无监督的句子相似性 174结合注意力机制的条件生成 1741计算复杂性 1742可解释性 175自然语言处理中基于注意力机制的模型 1751机器翻译 1752形态屈折 1753句法分析 第四部分其他主题 第18章用递归神经网络对树建模 181形式化定义 182扩展和变体 183递归神经网络的训练 184一种简单的替代——线性化树 185前景 第19章结构化输出预测 191基于搜索的结构化预测 1911基于线性模型的结构化预测 1912非线性结构化预测 1913概率目标函数（CRF） 1914近似搜索 1915重排序 1916参考阅读 192贪心结构化预测 193条件生成与结构化输出预测 194实例 1941基于搜索的结构化预测：一阶依存句法分析 1942基于NeuralCRF的命名实体识别 1943基于柱搜索的NERCRF近似 第20章级联、多任务与半监督学习 201模型级联 202多任务学习 2021多任务设置下的训练 2022选择性共享 2023作为多任务学习的词嵌入预训练 2024条件生成中的多任务学习 2025作为正则的多任务学习 2026注意事项 203半监督学习 204实例 2041眼动预测与句子压缩 2042弧标注与句法分析 2043介词词义消歧与介词翻译预测 2044条件生成：多语言机器翻译、句法分析以及图像描述生成 205前景 第21章结论 211我们学到了什么 212未来的挑战 参考文献

有问题微信扫码联系

• ※[套装书]聊天机器人：入门、进阶与实战+自然语言处理与深度学习：通过C语言模拟（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+面向自然语言处理的深度学习：用Python创建神经网络（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+Java自然语言处理（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+自然语言处理的认知方法（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+Python自然语言处理（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+基于深度学习的自然语言处理（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+TensorFlow自然语言处理（2册）
• ※[套装书]Python深度学习：基于PyTorch+Python编程从0到1（视频教学版）（2册）
• ※[套装书]Python深度学习：基于PyTorch+神经网络与PyTorch实战（2册）
• ※[套装书]Python深度学习：基于PyTorch+深度学习实践：基于Caffe的解析（2册）
• ※[套装书]聊天机器人：入门、进阶与实战+自然语言处理Python进阶（2册）

桂ICP备20004708号-4