作者: 杜振东 涂铭
出版社: 机械工业出版社
出版年: 2020年09月
ISBN: 9787111664192
～～滚到底部有网盘下载链接～～
内容简介
这是一部讲解如何基于NLP技术和人机交互技术实现聊天机器人的著作。
两位作者聊天机器人领域均有多年大型项目的实战经验，这本书不仅讲解了NLP和人机交互的核心技术，而且从技术、算法、实战3个维度讲解聊天机器人的原理、实现与工程实践。
本书有3个特点：
前瞻性强，专注于NLP和人机交互的前沿技术，以及会话式AI技术在热门场景中的工程实践。
实战性强，每章都提供实战代码，大部分代码简单修改后便可在实际场景中使用；数据集并非简单构造，而是具有真实性。
对比性强，结合应用场景，对比不同技术的优劣，既能指导读者进行技术选型，又能加深读者对不同技术的理解。
本书一共12章，分为三大部分：
第壹部分 基础篇（第1-2章）
显示全部信息
两位作者聊天机器人领域均有多年大型项目的实战经验，这本书不仅讲解了NLP和人机交互的核心技术，而且从技术、算法、实战3个维度讲解聊天机器人的原理、实现与工程实践。
本书有3个特点：
前瞻性强，专注于NLP和人机交互的前沿技术，以及会话式AI技术在热门场景中的工程实践。
实战性强，每章都提供实战代码，大部分代码简单修改后便可在实际场景中使用；数据集并非简单构造，而是具有真实性。
对比性强，结合应用场景，对比不同技术的优劣，既能指导读者进行技术选型，又能加深读者对不同技术的理解。
本书一共12章，分为三大部分：
第壹部分 基础篇（第1-2章）
显示全部信息
目录
前言
第1章 人机交互导论 1
1.1 图灵测试 1
1.1.1 图灵测试相关背景 1
1.1.2 图灵测试的定义 2
1.1.3 图灵测试引发的思考 3
1.2 专家系统 3
1.2.1 专家系统的定义 3
1.2.2 专家系统的框架 4
1.2.3 专家系统的发展 6
1.3 人机交互 6
1.3.1 人机交互简介 6
1.3.2 人机交互模块的发展 7
1.3.3 自然语言理解 9
1.3.4 对话管理 10
1.3.5 自然语言生成 10
1.4 机器人形态 11
1.4.1 聊天机器人 12
1.4.2 任务型机器人 13
1.4.3 面向FAQ的问答机器人 13
1.4.4 面向KB的问答机器人 14
1.5 本章小结 14
第2章 人机对话前置技术 15
2.1 深度学习框架 15
2.1.1 Theano 15
2.1.2 TensorFlow 16
2.1.3 Keras 17
2.1.4 PyTorch 17
2.2 搭建NLP开发环境 18
2.2.1 下载和安装Anaconda 18
2.2.2 conda的使用 21
2.2.3 中文分词工具——Jieba 22
2.2.4 PyTorch的下载与安装 24
2.2.5 Jupyter Notebook远程访问 25
2.3 TorchText的安装与介绍 26
2.4 本章小结 29
第3章 中文分词技术 30
3.1 分词的概念和分类 30
3.2 规则分词 31
3.2.1 正向匹配 31
3.2.2 逆向匹配 32
3.2.3 双向匹配 33
3.3 统计分词 35
3.4 混合分词 44
3.5 Jieba分词 44
3.6 准确率评测 47
3.6.1 混淆矩阵 48
3.6.2 中文分词中的P、R、F1计算 49
3.7 本章小结 51
第4章 数据预处理 52
4.1 数据集介绍 52
4.2 数据预处理 53
4.3 TorchText预处理 55
4.3.1 torchtext.data 55
4.3.2 torchtext.datasets 56
4.3.3 构建词表 57
4.3.4 构建迭代器 58
4.4 本章小结 60
第5章 词向量实战 61
5.1 词向量的由来 61
5.1.1 one-hot模型 61
5.1.2 神经网络词向量模型 63
5.2 word2vec 67
5.2.1 初探word2vec 67
5.2.2 深入CBOW模型 68
5.2.3 Skip-gram模型介绍 69
5.2.4 word2vec模型本质 70
5.3 glove 71
5.3.1 初探glove 71
5.3.2 glove模型原理 72
5.4 word2vec实战 74
5.4.1 预处理模块 74
5.4.2 模型框架 78
5.4.3 模型训练 79
5.4.4 模型评估 82
5.5 glove实战 83
5.5.1 预处理模块 83
5.5.2 模型框架 85
5.5.3 模型训练 86
5.5.4 模型评估 87
5.6 本章小结 87
第6章 序列标注与中文NER实战 88
6.1 序列标注任务 88
6.1.1 任务定义及标签体系 88
6.1.2 任务特点及对比 90
6.1.3 任务应用场景 92
6.2 序列标注的技术方案 94
6.2.1 隐马尔可夫模型 94
6.2.2 条件随机场 94
6.2.3 循环神经网络 96
6.2.4 Bert 97
6.3 序列标注实战 99
6.3.1 中文NER数据集 99
6.3.2 数据预处理 100
6.3.3 模型训练框架 102
6.3.4 模型评估 103
6.4 BiLSTM 104
6.4.1 参数介绍 104
6.4.2 BiLSTM模型框架 104
6.4.3 模型效果评估 106
6.5 BiLSTM-CRF 107
6.5.1 参数介绍 107
6.5.2 BiLSTM-CRF模型框架 107
6.5.3 模型评价 112
6.6 本章小结 112
第7章 文本分类技术 113
7.1 TFIDF与朴素贝叶斯 113
7.1.1 TFIDF 113
7.1.2 朴素贝叶斯 115
7.1.3 实战案例之新闻分类 116
7.2 TextCNN 118
7.2.1 TextCNN网络结构解析 118
7.2.2 实战案例之新闻分类 121
7.3 FastText 129
7.3.1 模型架构 129
7.3.2 层次softmax 130
7.3.3 n-gram子词特征 130
7.3.4 安装与实例解析 131
7.4 后台运行 134
7.5 本章小结 134
第8章 循环神经网络 135
8.1 RNN 135
8.1.1 序列数据 135
8.1.2 神经网络需要记忆 136
8.1.3 RNN基本概念 136
8.1.4 RNN的输入输出类型 138
8.1.5 双向循环神经网络 139
8.1.6 深层循环神经网络 140
8.1.7 RNN的问题 141
8.1.8 RNN PyTorch实现 141
8.2 LSTM 143
8.2.1 LSTM网络结构解析 143
8.2.2 LSTM PyTorch实现 147
8.3 GRU 149
8.3.1 GRU网络结构解析 149
8.3.2 GRU PyTorch实现 151
8.4 TextRNN 152
8.4.1 基本概念 152
8.4.2 实战案例之新闻分类 153
8.5 TextRCNN 154
8.5.1 基本概念 154
8.5.2 实战案例之新闻分类 155
8.6 实战案例之诗歌生成 155
8.6.1 数据预处理 156
8.6.2 模型结构 158
8.6.3 模型训练 158
8.6.4 诗歌生成 159
8.7 本章小结 161
第9章 语言模型与对话生成 162
9.1 自然语言生成介绍 162
9.2 序列生成模型 163
9.2.1 seq2seq的基本框架 164
9.2.2 Encoder-Decoder框架的缺点 165
9.3 经典的seq2seq框架 166
9.3.1 基于RNN的seq2seq 166
9.3.2 基于CNN的seq2seq 167
9.4 Attention机制 169
9.4.1 序列模型RNN 169
9.4.2 Attention机制的原理 170
9.4.3 Self-Attention模型 171
9.4.4 Transfomer模型介绍 171
9.5 Bert——自然语言处理的新范式 173
9.5.1 Bert结构 174
9.5.2 预训练任务 175
9.6 聊天机器人实战 177
9.6.1 数据介绍和数据预处理 177
9.6.2 实现seq2seq模型 179
9.7 本章小结 182
第10章 知识图谱问答 183
10.1 知识图谱概述 184
10.2 关系抽取 186
10.3 人物间关系识别 189
10.3.1 任务分析 189
10.3.2 模型设计 190
10.3.3 代码实现及优化 191
10.4 图谱构建 196
10.4.1 Neo4J简介 197
10.4.2 Neo4J创建图谱示例 198
10.5 基于深度学习的知识图谱问答模块 203
10.5.1 数据构造 205
10.5.2 查询目标检测 206
10.5.3 查询条件抽取 207
10.5.4 基于知识图谱查询模块实现 210
10.6 本章小结 212
第11章 自然语言推理 213
11.1 自然语言推理介绍 213
11.2 自然语言推理常见模型 215
11.2.1 SIAMESE网络 215
11.2.2 BiMPM网络 217
11.2.3 Bert网络 221
11.3 多轮对话中的答案导向问题 223
11.4 答案导向问题的实战 224
11.4.1 数据构造 224
11.4.2 孪生网络实战 226
11.4.3 BiMPM网络实战 232
11.4.4 Bert网络实战 236
11.4.5 模型结果比较 237
11.5 本章小结 238
第12章 实体语义理解 239
12.1 实体语义理解简介 239
12.2 现有语义理解系统分析 242
12.2.1 Time-NLPY/Time-NLP/FNLP 242
12.2.2 HeidelTime 244
12.2.3 知识驱动方法与数据驱动方法 246
12.3 实体语义理解的技术方案 247
12.4 实体语义理解实战 248
12.5 数值解析实战 257
12.6 时间解析实战 262
12.6.1 时间信息的中间表示 262
12.6.2 时长解析 263
12.6.3 日期和时间点 265
12.6.4 时间段 268
12.6.5 时间信息的推理计算 270
12.7 本章小结 273
显示部分信息
第1章 人机交互导论 1
1.1 图灵测试 1
1.1.1 图灵测试相关背景 1
1.1.2 图灵测试的定义 2
1.1.3 图灵测试引发的思考 3
1.2 专家系统 3
1.2.1 专家系统的定义 3
1.2.2 专家系统的框架 4
1.2.3 专家系统的发展 6
1.3 人机交互 6
1.3.1 人机交互简介 6
1.3.2 人机交互模块的发展 7
1.3.3 自然语言理解 9
1.3.4 对话管理 10
1.3.5 自然语言生成 10
1.4 机器人形态 11
1.4.1 聊天机器人 12
1.4.2 任务型机器人 13
1.4.3 面向FAQ的问答机器人 13
1.4.4 面向KB的问答机器人 14
1.5 本章小结 14
第2章 人机对话前置技术 15
2.1 深度学习框架 15
2.1.1 Theano 15
2.1.2 TensorFlow 16
2.1.3 Keras 17
2.1.4 PyTorch 17
2.2 搭建NLP开发环境 18
2.2.1 下载和安装Anaconda 18
2.2.2 conda的使用 21
2.2.3 中文分词工具——Jieba 22
2.2.4 PyTorch的下载与安装 24
2.2.5 Jupyter Notebook远程访问 25
2.3 TorchText的安装与介绍 26
2.4 本章小结 29
第3章 中文分词技术 30
3.1 分词的概念和分类 30
3.2 规则分词 31
3.2.1 正向匹配 31
3.2.2 逆向匹配 32
3.2.3 双向匹配 33
3.3 统计分词 35
3.4 混合分词 44
3.5 Jieba分词 44
3.6 准确率评测 47
3.6.1 混淆矩阵 48
3.6.2 中文分词中的P、R、F1计算 49
3.7 本章小结 51
第4章 数据预处理 52
4.1 数据集介绍 52
4.2 数据预处理 53
4.3 TorchText预处理 55
4.3.1 torchtext.data 55
4.3.2 torchtext.datasets 56
4.3.3 构建词表 57
4.3.4 构建迭代器 58
4.4 本章小结 60
第5章 词向量实战 61
5.1 词向量的由来 61
5.1.1 one-hot模型 61
5.1.2 神经网络词向量模型 63
5.2 word2vec 67
5.2.1 初探word2vec 67
5.2.2 深入CBOW模型 68
5.2.3 Skip-gram模型介绍 69
5.2.4 word2vec模型本质 70
5.3 glove 71
5.3.1 初探glove 71
5.3.2 glove模型原理 72
5.4 word2vec实战 74
5.4.1 预处理模块 74
5.4.2 模型框架 78
5.4.3 模型训练 79
5.4.4 模型评估 82
5.5 glove实战 83
5.5.1 预处理模块 83
5.5.2 模型框架 85
5.5.3 模型训练 86
5.5.4 模型评估 87
5.6 本章小结 87
第6章 序列标注与中文NER实战 88
6.1 序列标注任务 88
6.1.1 任务定义及标签体系 88
6.1.2 任务特点及对比 90
6.1.3 任务应用场景 92
6.2 序列标注的技术方案 94
6.2.1 隐马尔可夫模型 94
6.2.2 条件随机场 94
6.2.3 循环神经网络 96
6.2.4 Bert 97
6.3 序列标注实战 99
6.3.1 中文NER数据集 99
6.3.2 数据预处理 100
6.3.3 模型训练框架 102
6.3.4 模型评估 103
6.4 BiLSTM 104
6.4.1 参数介绍 104
6.4.2 BiLSTM模型框架 104
6.4.3 模型效果评估 106
6.5 BiLSTM-CRF 107
6.5.1 参数介绍 107
6.5.2 BiLSTM-CRF模型框架 107
6.5.3 模型评价 112
6.6 本章小结 112
第7章 文本分类技术 113
7.1 TFIDF与朴素贝叶斯 113
7.1.1 TFIDF 113
7.1.2 朴素贝叶斯 115
7.1.3 实战案例之新闻分类 116
7.2 TextCNN 118
7.2.1 TextCNN网络结构解析 118
7.2.2 实战案例之新闻分类 121
7.3 FastText 129
7.3.1 模型架构 129
7.3.2 层次softmax 130
7.3.3 n-gram子词特征 130
7.3.4 安装与实例解析 131
7.4 后台运行 134
7.5 本章小结 134
第8章 循环神经网络 135
8.1 RNN 135
8.1.1 序列数据 135
8.1.2 神经网络需要记忆 136
8.1.3 RNN基本概念 136
8.1.4 RNN的输入输出类型 138
8.1.5 双向循环神经网络 139
8.1.6 深层循环神经网络 140
8.1.7 RNN的问题 141
8.1.8 RNN PyTorch实现 141
8.2 LSTM 143
8.2.1 LSTM网络结构解析 143
8.2.2 LSTM PyTorch实现 147
8.3 GRU 149
8.3.1 GRU网络结构解析 149
8.3.2 GRU PyTorch实现 151
8.4 TextRNN 152
8.4.1 基本概念 152
8.4.2 实战案例之新闻分类 153
8.5 TextRCNN 154
8.5.1 基本概念 154
8.5.2 实战案例之新闻分类 155
8.6 实战案例之诗歌生成 155
8.6.1 数据预处理 156
8.6.2 模型结构 158
8.6.3 模型训练 158
8.6.4 诗歌生成 159
8.7 本章小结 161
第9章 语言模型与对话生成 162
9.1 自然语言生成介绍 162
9.2 序列生成模型 163
9.2.1 seq2seq的基本框架 164
9.2.2 Encoder-Decoder框架的缺点 165
9.3 经典的seq2seq框架 166
9.3.1 基于RNN的seq2seq 166
9.3.2 基于CNN的seq2seq 167
9.4 Attention机制 169
9.4.1 序列模型RNN 169
9.4.2 Attention机制的原理 170
9.4.3 Self-Attention模型 171
9.4.4 Transfomer模型介绍 171
9.5 Bert——自然语言处理的新范式 173
9.5.1 Bert结构 174
9.5.2 预训练任务 175
9.6 聊天机器人实战 177
9.6.1 数据介绍和数据预处理 177
9.6.2 实现seq2seq模型 179
9.7 本章小结 182
第10章 知识图谱问答 183
10.1 知识图谱概述 184
10.2 关系抽取 186
10.3 人物间关系识别 189
10.3.1 任务分析 189
10.3.2 模型设计 190
10.3.3 代码实现及优化 191
10.4 图谱构建 196
10.4.1 Neo4J简介 197
10.4.2 Neo4J创建图谱示例 198
10.5 基于深度学习的知识图谱问答模块 203
10.5.1 数据构造 205
10.5.2 查询目标检测 206
10.5.3 查询条件抽取 207
10.5.4 基于知识图谱查询模块实现 210
10.6 本章小结 212
第11章 自然语言推理 213
11.1 自然语言推理介绍 213
11.2 自然语言推理常见模型 215
11.2.1 SIAMESE网络 215
11.2.2 BiMPM网络 217
11.2.3 Bert网络 221
11.3 多轮对话中的答案导向问题 223
11.4 答案导向问题的实战 224
11.4.1 数据构造 224
11.4.2 孪生网络实战 226
11.4.3 BiMPM网络实战 232
11.4.4 Bert网络实战 236
11.4.5 模型结果比较 237
11.5 本章小结 238
第12章 实体语义理解 239
12.1 实体语义理解简介 239
12.2 现有语义理解系统分析 242
12.2.1 Time-NLPY/Time-NLP/FNLP 242
12.2.2 HeidelTime 244
12.2.3 知识驱动方法与数据驱动方法 246
12.3 实体语义理解的技术方案 247
12.4 实体语义理解实战 248
12.5 数值解析实战 257
12.6 时间解析实战 262
12.6.1 时间信息的中间表示 262
12.6.2 时长解析 263
12.6.3 日期和时间点 265
12.6.4 时间段 268
12.6.5 时间信息的推理计算 270
12.7 本章小结 273
显示部分信息
