自然语言处理(普通高等教育人工智能专业系列教材)

自然语言处理是人工智 能的重要分支，本书是一本 自然语言处理的入门教材， 主要面向高年级本科生和低 年级研究生。本着理论结合 实践的基本原则，本书共分 为11章，其中第1章概述了 自然语言处理的研究内容、 发展历程、技术特色和当前 现状，是概述性的一章。第 2章是自然语言处理的编程 基础，对Python语言及其相 关模块进行了介绍。第3章 是自然语言处理的算法基础 ，主要对常见的机器学习算 法（分类算法、聚类算法、 模型评估方法、概率图模型 、集成学习、人工神经网络 等）进行了讲解。第4～5章 从统计学方法入手讲解了自 然语言处理的两个基础任务 ：分词和关键词抽取。第6 章则讲解了当前流行的词向 量技术，尤其是Word2vec 和大规模预训练模型BERT 。第7～11章分别对当前自 然语言处理的热门研究领域 展开讲解，包括文本分类、 信息抽取、机器阅读理解、 文本生成和摘要抽取、对话 和聊天系统等。 本书除了可以作为高等 院校计算机、大数据和人工 智能及其相关专业的本科生 和研究生教材，也可供对自 然语言处理技术感兴趣的研 究人员和工程技术人员阅读 参考。

前言 第1章 自然语言处理概述 1.1 自然语言处理的定义 1.2 自然语言处理的应用领域 1.3 自然语言处理的发展历程 1.4 自然语言处理的研究现状和发展趋势 1.5 自然语言处理的知识和技术储备 本章小结 第2章 自然语言处理编程基础 2.1 Python基础 2.1.1 Python语言概述 2.1.2 Python基础知识 2.2 NumPy和Pandas的使用 2.2.1 NumPy的使用 2.2.2 Pandas的使用 2.3 深度学习框架PyTorch 2.3.1 PyTorch简介及环境搭建 2.3.2 PyTorch入门 本章小结 第3章 机器学习算法基础 3.1 分类算法 3.1.1 朴素贝叶斯模型 3.1.2 决策树模型 3.1.3 支持向量机模型 3.1.4 逻辑回归模型 3.2 聚类算法 3.2.1 原型聚类 3.2.2 密度聚类 3.2.3 层次聚类 3.3 模型评估与选择 3.3.1 经验误差与过拟合 3.3.2 评估方法 3.3.3 性能度量 3.4 概率图模型 3.4.1 隐马尔可夫模型（HMM） 3.4.2 条件随机场模型 3.4.3 LDA模型 3.5 集成学习 3.5.1 个体与集成 3.5.2 XGboost模型 3.5.3 Bagging和随机森林 3.6 人工神经网络与深度学习 3.6.1 人工神经网络与深度学习概述 3.6.2 BP神经网络 3.6.3 卷积神经网络（CNN） 3.6.4 循环神经网络（RNN）与LSTM 本章小结 第4章 中文分词 4.1 基于词表的分词算法 4.1.1 正向最大匹配算法 4.1.2 逆向最大匹配算法 4.1.3 双向最大匹配算法 4.1.4 案例实现 4.2 基于统计模型的分词算法 4.2.1 N-gram模型 4.2.2 基于N-gram模型的分词算法 4.2.3 案例实现 4.3 基于序列标注的分词算法 4.3.1 序列标注下的隐马尔可夫模型 4.3.2 基于隐马尔可夫模型进行中文分词 4.3.3 维特比（Viterbi）算法 4.3.4 其他基于序列标注的分词算法 4.3.5 案例实现 4.4 中文分词工具 4.4.1 常见的中文分词工具 4.4.2 Jieba分词 4.4.3 案例实现 本章小结 第5章 关键词提取 5.1 TextRank关键词提取算法 5.1.1 PageRank算法 5.1.2 TextRank算法 5.1.3 案例实现 5.2 TE-IDF关键词提取算法 5.2.1 评估词的重要性的常见指标 5.2.2 TF-IDF算法 5.2.3 案例实现 本章小结 第6章 训向量技术 6.1 词向量技术发展历程 6.1.1 词向量概述 6.1.2 词向量的发展历程 6.2 Word2vec 6.2.1 Word2vec的基本原理 6.2.2 Word2vec的两种训练模型 6.2.3 Word2vec的两种优化方法 6.2.4 案例实现 6.3 注意力机制 6.3.1 Encoder-Decoder枢架 6.3.2 注意力机制概述 6.3.3 注意力机制的发展 6.4 BERT预训练模型 6.4.1 Transformer模型 6.4.2 BERT模型 6.4.3 案例实现 本章小结 第7章 文本分类 7.1 文本分类概述 7.2 基于朴素贝叶斯的文本分类方法 7.2.1 基于朴素贝叶斯算法的文本分类流程 7.2.2 案例实现 7.3 基于深度学习的文本分类 7.3.1 基于卷积神经网络的文本分类 7.3.2 案例实现 7.4 开放领域文本分类 7.4.1 开放领域文本分类简介 7.4.2 案例实现 本章小结 第8章 文本信息抽取 8.1 命名实体识别 8.1.1 命名实体识别概述 8.1.2 基于LSTM的命名实体识别 8.1.3 细粒度命名实体识别 8.2 实体关系抽取 8.2.1 关系抽取概述 8.2.2 基于卷积神经网络的关系抽取算法 8.2.3 实体关系的联合抽取算法 8.3 事件抽取 8.3.1 事件抽取概述 8.3.2 事件检测 8.3.3 事件元素抽取 本章小结 第9章 机器阅读理解 9.1 机器阅读理解概述 9.2 抽取式阅读理解 9.2.1 抽取式阅读理解概述 9.2.2 基于BiDAF的抽取式阅读理解案例 9.2.3 基于预训练模型的抽取式阅读理解 9.3 选择式阅读理解 9.3.1 选择式阅读理解概述 9.3.2 基于Co-Match的选择式阅读理解案例 9.3.3 基于预训练模型的选择式阅读理解 本章小结 第10章 文本生成与文本摘要 10.1 文本生成与文本摘要概述 10.2 抽取式文本摘要 10.2.1 传统方法 10.2.2 基于RNN的抽取式文本摘要 10.2.3 基于预训练模型的抽取式文本摘要 10.3 生成式文本摘要 10.3.1 早期的Seq2Seg模型 10.3.2 Seq2Seq+Atention模型 10.3.3 指针生成网络 10.3.4 预训练模型+微调 10.4 文本摘要案例 10.4.1 文本摘要常用数据集 10.4.2 使用TextRank进行简单的抽取式摘要 10.4.3 使用预训练模型进行文本摘要 本章小结 第11章 对话系统 11.1 任务型对话系统 11.1.