Python自然语言处理实战

1.自然语言处理（NLP）已在Web搜索、广告和客户服务等各个领域中得到广泛应用。借助深度学习，我们可以增强NLP在这些领域的性能。 2.基于Python3.5，使用Python，可以利用深度学习模型执行各种NLP任务，以及应对当今的各种NLP挑战。 3.内容全面，全面讲解NLP前沿技术，构建多种实用应用程序。 4.提供包含本书截图/图表彩色图像的PDF文件下载。 5.提供本书的示例代码文件下载。 阅读本书后，你将学会将神经网络融入各种跨平台的语言应用程序中，使用NLTK和TensorFlow执行NLP任务并训练模型，以及通过强大的深度学习架构（例如CNN和RNN）增强NLP模型。 进行词语的语义嵌入以对实体进行分类和查找 通过训练将词语转换为向量，以执行算术运算 训练深度学习模型以检测推文和新闻的分类 使用搜索和RNN模型实现问答模型 使用CNN为各种文本分类数据集训练模型 实现深层生成模型WaveNet，以产生自然语音 将语音转换为文本并将文本转换为语音 使用DeepSpeech训练模型，将语音转换为文本

本书介绍自然语言处理和深度学习的核心概念，例如CNN、RNN、语义嵌入和Word2vec等。读者将学习如何使用神经网络执行自然语言处理任务，以及如何在自然语言处理应用程序中训练和部署神经网络。读者会在各种应用领域中使用RNN和CNN，例如文本分类和序列标记，这对于情绪分析、客服聊天机器人和异常检测的应用至关重要。读者还将掌握使用Python流行的深度学习库TensorFlow在语言应用程序中实现深度学习的实用知识。

 

第1章起步1
1.1NLP中的基本概念和术语1
1.1.1文本语料库1
1.1.2段落2
1.1.3句子2
1.1.4短语和单词2
1.1.5n元语法2
1.1.6词袋2
1.2NLP技术的应用3
1.2.1情感分析3
1.2.2命名实体识别4
1.2.3实体链接5
1.2.4文本翻译6
1.2.5自然语言推理6
1.2.6语义角色标记6
1.2.7关系提取7
1.2.8SQL查询生成或语义解析8
1.2.9机器阅读理解8
1.2.10文字蕴含10
1.2.11指代消解10
1.2.12搜索11
1.2.13问答和聊天机器人11
1.2.14文本转语音12
1.2.15语音转文本13
1.2.16说话人识别14
1.2.17口语对话系统14
1.2.18其他应用14
1.3小结15
第2章使用NLTK进行文本分类和词性标注16
2.1安装NLTK及其模块16
2.2文本预处理及探索性分析18
2.2.1分词18
2.2.2词干提取19
2.2.3去除停用词20
2.2.4探索性分析20
2.3词性标注24
2.3.1词性标注定义24
2.3.2词性标注的应用25
2.3.3训练词性标注器25
2.4训练影评情感分类器29
2.5训练词袋分类器32
2.6小结34
第3章深度学习和TensorFlow35
3.1深度学习35
3.1.1感知器35
3.1.2激活函数36
3.1.3神经网络38
3.1.4训练神经网络40
3.1.5卷积神经网络43
3.1.6递归神经网络44
3.2TensorFlow45
3.2.1通用图形处理单元45
3.2.2安装46
3.2.3Hello world!47
3.2.4两数相加47
3.2.5TensorBoard48
3.2.6Keras库49
3.3小结49
第4章使用浅层模型进行语义嵌入50
4.1词向量50
4.1.1经典方法50
4.1.2Word2vec51
4.1.3连续词袋模型52
4.1.4跳字模型53
4.2从单词到文档嵌入59
4.3Sentence2vec59
4.4Doc2vec60
4.5小结63
第5章使用LSTM进行文本分类64
5.1文本分类数据64
5.2主题建模65
5.3用于文本分类的深度学习元架构68
5.3.1嵌入层68
5.3.2深层表示68
5.3.3全连接部分68
5.4使用RNN识别YouTube视频垃圾评论69
5.5使用CNN对新闻主题分类73
5.6使用GloVe嵌入进行迁移学习76
5.7多标签分类79
5.7.1二元关联80
5.7.2用于多标签分类的深度学习80
5.7.3用于文档分类的attention网络81
5.8小结83
第6章使用CNN进行搜索和去重84
6.1数据84
6.2模型训练85
6.2.1文本编码86
6.2.2建立CNN模型87
6.2.3训练89
6.2.4推理91
6.3小结92
第7章使用字符级LSTM进行命名实体识别93
7.1使用深度学习实现NER93
7.1.1数据94
7.1.2模型95
7.1.3代码详解96
7.1.4不同预训练词嵌入的影响98
7.1.5改进空间105
7.2小结105
第8章使用GRU进行文本生成和文本摘要106
8.1使用RNN进行文本生成106
8.2文本摘要112
8.2.1提取式摘要112
8.2.2抽象式摘要114
8.2.3近期新抽象式文本摘要123
8.3小结125
第9章使用记忆网络完成问答任务和编写聊天机器人127
9.1QA任务127
9.2用于QA任务的记忆网络128
9.2.1记忆网络管道概述128
9.2.2使用TensorFlow写一个记忆网络129
9.3拓展记忆网络以进行对话建模134
9.3.1对话数据集134
9.3.2使用TensorFlow编写一个聊天机器人137
9.3.3记忆网络相关文献146
9.4小结146
第10章使用基于attention的模型进行机器翻译147
10.1机器翻译概述147
10.1.1统计机器翻译147
10.1.2神经机器翻译150
10.2小结163
第11章使用DeepSpeech进行语音识别164
11.1语音识别概述164
11.2建立用于语音识别的RNN模型165
11.2.1语音信号表示165
11.2.2用于语音数字识别的LSTM模型167
11.2.3TensorBoard可视化168
11.2.4使用DeepSpeech架构的语音转文本模型169
11.2.5语音识别近期新技术178
11.3小结179
第12章使用Tacotron进行文本转语音180
12.1TTS领域概述181
12.1.1自然性与可懂性181
12.1.2TTS系统表现的评估方式181
12.1.3传统技术——级联模型和参数模型182
12.1.4关于频谱图和梅尔标度的一些提醒182
12.2深度学习中的TTS185
12.2.1WaveNet简介186
12.2.2Tacotron186
12.3利用Keras的Tacotron实现191
12.3.1数据集192
12.3.2数据准备192
12.3.3架构实现196
12.3.4训练与测试200
12.4小结201
第13章部署训练好的模型202
13.1性能提升202
13.1.1量化权重202
13.1.2MobileNets203
13.2TensorFlow Serving205
13.2.1导出训练好的模型206
13.2.2把导出模型投入服务207
13.3在云上部署207
13.3.1Amazon Web Services207
13.3.2Google Cloud Platform210
13.4在移动设备上部署213
13.4.1iPhone213
13.4.2Android213
13.5小结213