[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）

作者
刘宇 崔燕红 郭师光 党习歌[印度]克里希纳·巴夫萨（Krishna Bhavsar） 纳雷什·库马尔（Naresh Kumar） 普拉塔普·丹蒂（Pratap Dangeti）
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911041741
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 ---------------------------自然语言处理Python进阶--------------------------- 这本书将从一个实用的角度让你从头开始理解和实现NLP解决方案,将从访问内置数据源和创建自己的数据源开始带你踏上一段旅程。到时候将可以编写复杂的NLP解决方案，包括文本规范化、预处理、词性标注、句法解析等。
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


---------------------------自然语言处理Python进阶---------------------------


译者序
前言
作者简介
审校者简介
第1章　语料库和WordNet 1
1.1　引言 1
1.2　访问内置语料库 1
1.3　下载外部语料库，加载并访问 3
1.4　计算布朗语料库中三种不同类别的特殊疑问词 5
1.5　探讨网络文本和聊天文本的词频分布 7
1.6　使用WordNet进行词义消歧 9
1.7　选择两个不同的同义词集，使用WordNet探讨上位词和下位词的概念 12
1.8　基于WordNet计算名词、动词、形容词和副词的平均多义性 15
第2章　针对原始文本，获取源数据和规范化 17
2.1　引言 17
2.2　字符串操作的重要性 17
2.3　深入实践字符串操作 19
2.4　在Python中读取PDF文件 21
2.5　在Python中读取Word文件 23
2.6　使用PDF、DOCX和纯文本文件，创建用户自定义的语料库 26
2.7　读取RSS信息源的内容 29
2.8　使用BeautifulSoup解析HTML 31
第3章　预处理 34
3.1　引言 34
3.2　分词——学习使用NLTK内置的分词器 34
3.3　词干提取——学习使用NLTK内置的词干提取器 36
3.4　词形还原——学习使用NLTK中的WordnetLemmatizer函数 38
3.5　停用词——学习使用停用词语料库及其应用 40
3.6　编辑距离——编写计算两个字符串之间编辑距离的算法 42
3.7　处理两篇短文并提取共有词汇 44
第4章　正则表达式 50
4.1　引言 50
4.2　正则表达式——学习使用*、+和？ 50
4.3　正则表达式——学习使用$和^，以及如何在单词内部（非开头与结尾处）进行模式匹配 52
4.4　匹配多个字符串和子字符串 54
4.5　学习创建日期正则表达式和一组字符集合或字符范围 56
4.6　查找句子中所有长度为5的单词，并进行缩写 58
4.7　学习编写基于正则表达式的分词器 59
4.8　学习编写基于正则表达式的词干提取器 60
第5章　词性标注和文法 63
5.1　引言 63
5.2　使用内置的词性标注器 63
5.3　编写你的词性标注器 65
5.4　训练你的词性标注器 70
5.5　学习编写你的文法 73
5.6　编写基于概率的上下文无关文法 76
5.7　编写递归的上下文无关文法 79
第6章　分块、句法分析、依存分析 82
6.1　引言 82
6.2　使用内置的分块器 82
6.3　编写你的简单分块器 84
6.4　训练分块器 87
6.5　递归下降句法分析 90
6.6　shift-reduce句法分析 93
6.7　依存句法分析和主观依存分析 95
6.8　线图句法分析 97
第7章　信息抽取和文本分类 101
7.1　引言 101
7.2　使用内置的命名实体识别工具 102
7.3　创建字典、逆序字典和使用字典 104
7.4　特征集合选择 109
7.5　利用分类器分割句子 113
7.6　文本分类 116
7.7　利用上下文进行词性标注 120
第8章　高阶自然语言处理实践 124
8.1　引言 124
8.2　创建一条自然语言处理管道 124
8.3　解决文本相似度问题 131
8.4　主题识别 136
8.5　文本摘要 140
8.6　指代消解 143
8.7　词义消歧 147
8.8　情感分析 150
8.9　高阶情感分析 153
8.10　创建一个对话助手或聊天机器人 157
第9章　深度学习在自然语言处理中的应用 163
9.1　引言 163
9.2　利用深度神经网络对电子邮件进行分类 168
9.3　使用一维卷积网络进行IMDB情感分类 175
9.4　基于双向LSTM的IMDB情感分类模型 179
9.5　利用词向量实现高维词在二维空间的可视化 183
第10章　深度学习在自然语言处理中的高级应用 188
10.1　引言 188
10.2　基于莎士比亚的著作使用LSTM技术自动生成文本 188
10.3　基于记忆网络的情景数据问答 193
10.4　使用循环神经网络LSTM进行语言建模以预测最优词 199
10.5　使用循环神经网络LSTM构建生成式聊天机器人 203




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4