深入理解自然语言处理(从深度学习到大模型应用)

本书从自然语言处理 （NLP）的任务视角分门别 类地介绍深度学习与大模型 在现阶段各NLP任务中的应 用。以任务视角是指以一个 个场景项目为视角，这样可 以让读者获得更多的实战经 验。本书的每章都有核心模 型的先验链条，这对读者理 解和掌握NLP模型非常有帮 助。 本书内容丰富，讲解深 入浅出，适合有一定机器学 习基础的NLP入门和进阶人 员阅读，也适合NLP领域的 从业人员作为解决具体业务 问题的参考书，还适合高等 院校人工智能等相关专业作 为教材。

宋文峰， 毕业于中山大学，获计算机硕士学位。先后担任百度、联想和趣头条等互联网大厂的算法团队负责人。熟悉自然语言处理的相关算法和模型，有多年的算法开发、推荐系统开发和自然语言处理项目经验。业余时间兼职自然语言处理讲师，从事相关课程的讲授工作，积累了丰富的经验。

第1章 分词和词性标注 1.1 为什么要学习分词 1.2 分词的传统算法 1.2.1 正向最大匹配 1.3 Trie权 1.2.3 反向最大匹配 1.2.4 最短路径 1.2.5 分词工具jieba的实现流程 1.3 深度学习在分词中的应用 1.3.1 Bi-LSTM模型 1.3.2 基于词向量的分词 1.3.3 简易融合语料分词 1.3.4 分词的多标准集成学习 1.3.5 分词的多标准融合学习 1.3.6 分词的多标准融合学习2 1.4 为什么要学习已经过时的模型 1.5 BERT之后的中文分词还有必要用吗 1.6 如何他词性无注 1.7 大模型时代的分词和词性标注 1.8 小结 第2章 文本分类 2.1 文本分类的应用 2.2 文本分类的词向量方法 2.2.1 Word2vec模型 2.2.2 fastText模型 2.2.3 Doc2vec模型 2.2.4 softmax加速 2.3 文本分类的深度学习方法 2.3.1 LSTM简介 2.3.2 Tree-LSTM简介 2.3.3 DCNN模型 2.3.4 TextCNN模型 2.3.5 胶囊网络应用于文本分类 2.3.6 层级注意力网络HAN 2.4 分类任务数据集 2.5 大模型时代的文本分类 2.5.1 使用BERT进行文本分类 2.5.2 使用ChatGPT进行文本分类 2.6 小结 第3章 命名实体识别 3.1 什么是NER 3.1.1 中文NER的难点 3.1.2 NER的主要应用场景 3.1.3 NER的评估方法 3.2 传统的NER方法 3.2.1 HanLP的中文人名的NER实现 3.2.2 HanLP的其他NER识别 3.3 深度学习在NER中的应用 3.3.1 使用深度学习处理NER问题的原因 3.3.2 Bi-LSTM+CRF模型 3.3.3 CharNER模型 3.3.4 Bi-LSTM+CNN模型 3.3.5 ID-CNN模型 3.3.6 序列标注的半监督多任务模型 3.3.7 LatticeLSTM模型 3.3.8 PLTE模型 3.4 大模型时代的命名实体识别 3.4.1 使用ChatGPT提示词进行实体识别 3.4.2 使用ChatGPTAPI进行实体识别 3.5 小结 第4章 神经机器翻译 4.1 神经机器翻译的发展 4.2 评估指标 4.2.1 BLEU指标 4.2.2 Rouge-L指标 4.3 神经机器翻译概述 4.4 注意力机制 4.4.1 注意力机制简介 4.4.2 注意力机制的具体应用 4.5 NMT经典模型——Transformer 4.6 NMT前沿研究 4.6.1 NMT的新方向1：多语言交叉翻译 …… 第5章 文本纠错 第6章 机器阅读理解 第7章 句法分析 第8章 文本摘要 第9章 信息检索和问答系统