动手学自然语言处理

本书介绍自然语言处理的原理和方法及其代码实现，是一本着眼于自然语言处理教学实践的图书。 本书分为3个部分。第一部分介绍基础技术，包括文本规范化、文本表示、文本分类、文本聚类。第二部分介绍自然语言的序列建模，包括语言模型、序列到序列模型、预训练语言模型、序列标注。第三部分介绍自然语言的结构建模，包括成分句法分析、依存句法分析、语义分析、篇章分析。本书将自然语言处理的理论与实践相结合，提供所介绍方法的代码示例，能够帮助读者掌握理论知识并进行动手实践。 本书适合作为高校自然语言处理课程的教材，也可作为相关行业的研究人员和开发人员的参考资料。

屠可伟，上海科技大学信息科学与技术学院长聘副教授、研究员、博士生导师。研究方向包括自然语言处理、机器学习等，主要研究将符号、统计和神经方法相结合用于语言结构的表示、学习与利用。发表论文100余篇，主要发表在ACL、EMNLP、AAAI 等人工智能领域顶级会议。担任多个顶级会议程序委员会委员和领域主席。曾获ACL 2023杰出论文奖，以及SemEval 2022和SemEval 2023最佳系统论文奖。 王新宇，上海科技大学博士，长期从事自然语言处理研究工作，在ACL、EMNLP、NAACL等顶级会议上发表论文10余篇，担任ACL、NAACL会议的领域主席以及ACL滚动审查（ACL Rolling Review）执行编辑。曾获得中国中文信息学会优秀博士学位论文提名、SemEval 2022最佳系统论文奖等荣誉。 曲彦儒，伊利诺伊大学厄巴纳-香槟分校博士生，长期从事自然语言处理研究工作，在ACL、NAACL、AAAI、ICLR等会议上发表了多篇论文。 俞勇，上海交通大学ACM班创办人，国家级教学名师，上海交通大学特聘教授。2018年创办伯禹人工智能学院，在上海交通大学ACM班人工智能专业课程体系的基础上，对人工智能课程体系进行创新，致力于培养卓越的人工智能算法工程师和研究员。

第 1章　初探自然语言处理　1 1.1　自然语言处理是什么　1 1.2　自然语言处理的应用　2 1.3　自然语言处理的难点　3 1.4　自然语言处理的方法论　4 1.5　小结　5 第 一部分 基础 第 2章　文本规范化　8 2.1　分词　8 2.1.1　基于空格与标点符号的分词　8 2.1.2　基于正则表达式的分词　9 2.1.3　词间不含空格的语言的分词　12 2.1.4　基于子词的分词　13 2.2　词规范化　17 2.2.1　大小写折叠　17 2.2.2　词目还原　18 2.2.3　词干还原　19 2.3　分句　19 2.4　小结　20 第3章　文本表示　22 3.1　词的表示　22 3.2　稀疏向量表示　24 3.3　稠密向量表示　25 3.3.1　word2vec　25 3.3.2　上下文相关词嵌入　30 3.4　文档表示　30 3.4.1　词-文档共现矩阵　31 3.4.2　TF-IDF加权　31 3.4.3　文档的稠密向量表示　33 3.5　小结　33 第4章　文本分类　35 4.1　基于规则的文本分类　35 4.2　基于机器学习的文本分类　36 4.2.1　朴素贝叶斯　36 4.2.2　逻辑斯谛回归　42 4.3　分类结果评价　45 4.4　小结　47 第5章　文本聚类　49 5.1　k均值聚类算法　49 5.2　基于高斯混合模型的最大期望值算法　53 5.2.1　高斯混合模型　53 5.2.2　最大期望值算法　53 5.3　无监督朴素贝叶斯模型　57 5.4　主题模型　60 5.5　小结　61 第二部分 序列 第6章　语言模型　64 6.1　概述　64 6.2　n元语法模型　66 6.3　循环神经网络　67 6.3.1　循环神经网络　67 6.3.2　长短期记忆　73 6.3.3　多层双向循环神经网络　76 6.4　注意力机制　80 多头注意力　83 6.5　Transformer模型　85 6.6　小结　91 第7章　序列到序列模型　93 7.1　基于神经网络的序列到序列模型　93 7.1.1　循环神经网络　94 7.1.2　注意力机制　96 7.1.3　Transformer　98 7.2　学习　101 7.3　解码　106 7.3.1　贪心解码　106 7.3.2　束搜索解码　107 7.3.3　其他解码问题与解决技巧　110 7.4　指针网络　111 7.5　序列到序列任务的延伸　112 7.6　小结　113 第8章　预训练语言模型　114 8.1　ELMo：基于语言模型的上下文相关词嵌入　114 8.2　BERT：基于Transformer的双向编码器表示　115 8.2.1　掩码语言模型　115 8.2.2　BERT模型　116 8.2.3　预训练　116 8.2.4　微调与提示　117 8.2.5　BERT代码演示　117 8.2.6　BERT模型扩展　121 8.3　GPT：基于Transformer的生成式预训练语言模型　122 8.3.1　GPT模型的历史　122 8.3.2　GPT-2训练演示　123 8.3.3　GPT的使用　125 8.4　基于编码器-解码器的预训练语言模型　128 8.5　基于HuggingFace的预训练语言模型使用　129 8.5.1　文本分类　129 8.5.2　文本生成　130 8.5.3　问答　130 8.5.4　文本摘要　131 8.6　小结　131 第9章　序列标注　133 9.1　序列标注任务　133 9.1.1　词性标注　133 9.1.2　中文分词　134 9.1.3　命名实体识别　134 9.1.4　语义角色标注　135 9.2　隐马尔可夫模型　135 9.2.1　模型　135 9.2.2　解码　136 9.2.3　输入序列的边际概率　137 9.2.4　单个标签的边际概率　138 9.2.5　监督学习　139 9.2.6　无监督学习　139 9.2.7　部分代码实现　141 9.3　条件随机场　146 9.3.1　模型　146 9.3.2　解码　147 9.3.3　监督学习　148 9.3.4　无监督学习　149 9.3.5　部分代码实现　149 9.4　神经序列标注模型　154 9.4.1　神经softmax　154 9.4.2　神经条件随机场　154 9.4.3　代码实现　155 9.5　小结　156 第三部分 结构 第 10章　 成分句法分析　160 10.1　成分结构　160 10.2　成分句法分析概述　161 10.2.1　歧义性与打分　161 10.2.2　解码　162 10.2.3　学习　162 10.2.4　评价指标　163 10.3　基于跨度的成分句法分析　163 10.3.1　打分　164 10.3.2　解码　165 10.3.3　学习　170 10.4　基于转移的成分句法分析　173 10.4.1　状态与转移　173 10.4.2　转移的打分　174 10.4.3　解码　175 10.4.4　学习　176 10.5　基于上下文无关文法的成分句法分析　177 10.5.1　上下文无关文法　177 10.5.2　解码和学习　178 10.6　小结　179 第 11章　依存句法分析　181 11.1　依存结构　181 11.1.1　投射性　182 11.1.2　与成分结构的关系　182 11.2　依存句法分析概述　184 11.2.1　打分、解码和学习　184 11.2.2　评价指标　184 11.3　基于图的依存句法分析　185 11.3.1　打分　185 11.3.2　解码　186 11.3.3　Eisner算法　186 11.3.4　MST算法　191 11.3.5　高阶方法　194 11.3.6　监督学习　194 11.4　基于转移的依存句法分析　195 11.4.1　状态与转移　196 11.4.2　打分、解码与学习　196 11.5　小结　198 第 12章　语义分析　200 12.1　显式和隐式的语义表示　200 12.2　词义表示　201 12.2.1　WordNet　201 12.2.2　词义消歧　203 12.3　语义表示　204 12.3.1　专用和通用的语义表示　204 12.3.2　一阶逻辑　205 12.3.3　语义图　205 12.4　语义分析　206 12.4.1　基于句法的语义分析　206 12.4.2　基于神经网络的语义分析　207 12.4.3　弱监督学习　209 12.5　语义角色标注　209 12.5.1　语义角色标注标准　209 12.5.2　语义角色标注方法　211 12.6　信息提取　211 12.7　小结　212 第 13章　篇章分析　213 13.1　篇章　213 13.1.1　连贯性关系　213 13.1.2　篇章结构　214 13.1.3　篇章分析　215 13.2　共指消解　215 13.2.1　提及检测　216 13.2.2　提及聚类　216 13.3　小结　220 总结与展望　221 参考文献　223 中英文术语对照表　228 附　　录　234