自然语言处理实战:从入门到项目实践电子书

版权声明

O'Reilly Media, Inc.介绍

业界评论

献词

本书赞誉

前言

为什么要写这本书

写作理念

内容范围

目标读者

你将学到什么

本书结构

如何阅读本书

排版约定

使用示例代码

O'Reilly 在线学习平台（O'Reilly Online Learning）

联系我们

更多信息

致谢

更多信息

第一部分 基础

第 1 章 自然语言处理概要

1.1 真实世界中的自然语言处理

自然语言处理任务

1.2 什么是语言

1.2.1 语言的基本模块

1.2.2 为什么自然语言处理很困难

1.3 机器学习、深度学习和自然语言处理：概述

1.4 自然语言处理方法

1.4.1 基于启发式的自然语言处理

1.4.2 用于自然语言处理的机器学习

1.4.3 用于自然语言处理的深度学习

1.4.4 为什么深度学习还不是自然语言处理的灵丹妙药

1.5 自然语言处理演练：对话智能体

1.6 小结

第 2 章 自然语言处理流水线

2.1 数据获取

2.2 文本提取和清洗

2.2.1 HTML 解析和清洗

2.2.2 Unicode 规范化

2.2.3 拼写更正

2.2.4 特定于系统的错误更正

2.3 预处理

2.3.1 预备步骤

2.3.2 常用步骤

2.3.3 其他预处理步骤

2.3.4 高级处理

2.4 特征工程

2.4.1 经典自然语言处理/机器学习流水线

2.4.2 深度学习流水线

2.5 建模

2.5.1 从简单的启发式开始

2.5.2 构建自己的模型

2.5.3 构建最终模型

2.6 评估

2.6.1 内在评估

2.6.2 外在评估

2.7 建模之后的阶段

2.7.1 部署

2.7.2 监控

2.7.3 模型更新

2.8 使用其他语言

2.9 案例研究

2.10 小结

第 3 章 文本表示

3.1 向量空间模型

3.2 基本的向量化方法

3.2.1 独热编码

3.2.2 词袋

3.2.3 n-gram 袋

3.2.4 TF-IDF

3.3 分布式表示

3.3.1 词嵌入

3.3.2 词语之上

3.4 词和字符之上的分布式表示

3.5 通用文本表示

3.6 可视化嵌入

3.7 人工特征表示

3.8 小结

第二部分 核心

第 4 章 文本分类

4.1 应用程序

4.2 文本分类流水线

4.2.1 不使用文本分类流水线的简单分类器

4.2.2 使用现成的文本分类 API

4.3 一个流水线，多个分类器

4.3.1 朴素贝叶斯分类器

4.3.2 逻辑回归

4.3.3 SVM

4.4 在文本分类中使用神经嵌入

4.4.1 词嵌入

4.4.2 子词嵌入和 fastText

4.4.3 文档嵌入

4.5 用于文本分类的深度学习

4.5.1 用于文本分类的 CNN

4.5.2 用于文本分类的 LSTM

4.5.3 使用大型预训练语言模型进行文本分类

4.6 解释文本分类模型

用 Lime 解释分类器预测

4.7 无数据或少数据学习和新领域适应

4.7.1 无训练数据

4.7.2 少训练数据：主动学习和领域适应

4.8 案例研究：企业工单系统

4.9 实用建议

4.10 小结

第 5 章 信息提取

5.1 信息提取应用程序

5.2 信息提取任务

5.3 信息提取的通用流水线

5.4 关键词提取

5.4.1 实现关键词提取

5.4.2 实用建议

5.5 命名实体识别

5.5.1 构建命名实体识别系统

5.5.2 命名实体识别：使用现有库

5.5.3 命名实体识别：使用主动学习

5.5.4 实用建议

5.6 命名实体消歧与链接

命名实体链接：使用 Azure API

5.7 关系提取

5.7.1 关系提取的方法

5.7.2 关系提取：使用 IBM 沃森 API

5.8 其他高级信息提取任务

5.8.1 时间信息提取

5.8.2 事件提取

5.8.3 模板填充

5.9 案例研究

5.10 小结

第 6 章 聊天机器人

6.1 聊天机器人的应用

一个简单的 FAQ 机器人

6.2 聊天机器人的分类

6.2.1 目标导向对话式

6.2.2 闲聊式

6.3 构建对话系统的流水线

6.4 对话系统原理

PizzaStop 聊天机器人

6.5 深入对话系统的组件

6.5.1 对话行为分类

6.5.2 识别插槽

6.5.3 生成响应

6.5.4 带有代码演练的对话示例

6.6 其他对话流水线

6.6.1 端到端方法

6.6.2 用于对话生成的深度强化学习

6.6.3 人工监督

6.7 Rasa NLU

6.8 案例研究：食谱推荐

6.8.1 利用现有框架

6.8.2 开放式生成聊天机器人

6.9 小结

第 7 章 主题简介

7.1 搜索和信息检索

7.1.1 搜索引擎组件

7.1.2 常见企业搜索流水线

7.1.3 一个配置搜索引擎的例子

7.1.4 案例研究：书店搜索

7.2 主题建模

7.2.1 一个构建主题模型的例子

7.2.2 下一步是什么

7.3 文本摘要

7.3.1 摘要用例

7.3.2 一个设置摘要器的示例

7.3.3 实用建议

7.4 文本推荐系统

7.4.1 一个图书推荐系统示例

7.4.2 实用建议

7.5 机器翻译

7.5.1 一个使用机器翻译 API 的示例

7.5.2 实用建议

7.6 问答系统

7.6.1 开发自定义问答系统

7.6.2 寻找更有深度的答案

7.7 小结

第三部分 应用

第 8 章 社交媒体

8.1 应用

8.2 独特的挑战

8.3 用于社交平台数据的自然语言处理

8.3.1 词云

8.3.2 用于 SMTD 的分词器

8.3.3 热门话题

8.3.4 理解 Twitter 的情绪

8.3.5 SMTD 的预处理

8.3.6 SMTD 的文本表示

8.3.7 社交媒体渠道的客户支持

8.4 模因与虚假新闻

8.4.1 识别模因

8.4.2 虚假新闻

8.5 小结

第 9 章 电子商务与零售

9.1 电子商务目录

9.1.1 评论分析

9.1.2 产品搜索

9.1.3 产品推荐

9.2 电子商务中的搜索

9.3 构建电子商务目录

9.3.1 属性提取

9.3.2 产品分类与分类树

9.3.3 产品浓缩

9.3.4 产品去重和匹配

9.4 评论分析

9.4.1 情感分析

9.4.2 方面级情感分析

9.4.3 将总体评分与“方面”联系起来

9.4.4 理解“方面”

9.5 电子商务推荐

案例研究：替代品和补充品

9.6 小结

第 10 章 医疗、金融和法律

10.1 医疗

10.1.1 健康和医疗记录

10.1.2 患者优先级和计费

10.1.3 药物安全监视

10.1.4 临床决策支持系统

10.1.5 健康助理

10.1.6 电子健康记录

10.1.7 心理健康监测

10.1.8 医疗信息提取与分析

10.2 金融与法律

10.2.1 自然语言处理在金融领域中的应用

10.2.2 自然语言处理与法律行业

基于 LexNLP 的法律实体提取

10.3 小结

第四部分 综合

第 11 章 端到端自然语言处理系统

11.1 重温自然语言处理流水线：部署自然语言处理软件

示例场景

11.2 构建和维护成熟的系统

11.2.1 寻找更好的特征

11.2.2 迭代现有模型

11.2.3 代码和模型再现性

11.2.4 故障排除和可解释性

11.2.5 监控

11.2.6 尽量减少技术债务

11.2.7 自动化机器学习

11.3 数据科学过程

11.3.1 KDD 过程

11.3.2 微软 TDSP

11.4 让人工智能在组织中取得成功

11.4.1 团队

11.4.2 正确的问题和正确的期望

11.4.3 数据和时间

11.4.4 好的流程

11.4.5 其他方面

11.5 展望未来

11.6 结语

关于作者

关于封面

看完了