Python自然语言处理实战

近年来，基于深度学习的人工智能掀起了学习热潮。Python是最广泛使用的自然语言处理(NLP)语言。本书从NLP的概述开始，介绍了将文本分成句子、词干提取和词形还原、删除停用词和词性标注的方法，以帮助您准备数据。然后，您将学习提取和表示语法信息的方法，例如依存分析和指代消解，发现使用词袋、TF-IDF、词嵌入和BERT表示语义的不同方法，并使用关键字、SVM、LSTM和其他技术开发文本分类技能。随着学习的深入，您还将了解如何从文本中提取信息、实施无监督和有监督的主题建模技术，以及对短文本（如推文）进行主题建模。此外，本书还向您展示了如何使用NLTK和Rasa开发聊天机器人并可视化文本数据。读完这本NLP书籍，您将掌握使用一组强大的工具进行文本处理工具的技能。可以说，本书是深度学习和自然语言处理的入门教程，同时也引领读者登堂入室，进入机会与挑战并存的人工智能领域。这本NLP书籍适于AI工程师、机器学习工程师、数据科学家和深度学习爱好者阅读。

译者序
原书前言
第1章学习NLP基础知识
1.1技术要求
1.2将文本分成句子
1.3将句子切分成单词——分词
1.4词性标注
1.5词干提取
1.6组合相似词——词形还原
1.7删除停用词
第2章玩转语法
2.1技术要求
2.2计数名词——复数名词和单数名词
2.3获取依存句法
2.4将句子拆分为从句
2.5提取名词块
2.6提取实体和关系
2.7提取句子的主语和宾语
2.8寻找引用——指代消解
第3章表示文本——捕获语义
3.1技术要求
3.2将文档放入词袋中
3.3构建n-gram模型
3.4用TF-IDF表示文本
3.5使用词嵌入
3.6训练您自己的嵌入模型
3.7表示短语——phrase2vec
3.8使用BERT代替词嵌入
3.9语义搜索入门
第4章文本分类
4.1技术要求
4.2准备好数据集和评估基准
4.3使用关键词执行基于规则的文本分类
4.4使用K-means聚类句子——无监督文本分类
4.5使用SVM进行有监督的文本分类
4.6使用LSTM进行有监督的文本分类
第5章信息提取入门
5.1技术要求
5.2使用正则表达式
5.3寻找相似的字符串：Levenshtein距离
5.4使用spaCy执行命名体识别
5.5用spaCy训练您自己的NER模型
5.6发现情感分析
5.7使用LSTM的短文本情感分析：Twitter
5.8使用BERT进行情感分析
第6章主题建模
6.1技术要求
6.2使用sklearn进行LDA主题建模
6.3使用gensim进行LDA主题建模
6.4NMF主题建模
6.5使用BERT进行K-means主题建模
6.6短文本主题建模
第7章构建聊天机器人
7.1技术要求
7.2使用关键字匹配构建一个基本的聊天机器人
7.3构建一个基本的Rasa聊天机器人
7.4使用Rasa创建问答对
7.5使用Rasa创建和可视化对话路径
7.6为Rasa聊天机器人创建操作
第8章可视化文本数据
8.1技术要求
8.2可视化依存句法
8.3可视化词性
8.4可视化NER
8.5构建词云
8.6可视化主题
附录
附录AspaCy词性标签列表
附录BNLTK词性标签列表
附录C停用词列表
附录DspaCy命名实体标签