會(huì)話式AI：自然語言處理與人機(jī)交互

前言
第1章　人機(jī)交互導(dǎo)論 1
1.1　圖靈測(cè)試 1
1.1.1　圖靈測(cè)試相關(guān)背景 1
1.1.2　圖靈測(cè)試的定義 2
1.1.3　圖靈測(cè)試引發(fā)的思考 3
1.2　專家系統(tǒng) 3
1.2.1　專家系統(tǒng)的定義 3
1.2.2　專家系統(tǒng)的框架 4
1.2.3　專家系統(tǒng)的發(fā)展 6
1.3　人機(jī)交互 6
1.3.1　人機(jī)交互簡(jiǎn)介 6
1.3.2　人機(jī)交互模塊的發(fā)展 7
1.3.3　自然語言理解 9
1.3.4　對(duì)話管理 10
1.3.5　自然語言生成 10
1.4　機(jī)器人形態(tài) 11
1.4.1　聊天機(jī)器人 12
1.4.2　任務(wù)型機(jī)器人 13
1.4.3　面向FAQ的問答機(jī)器人 13
1.4.4　面向KB的問答機(jī)器人 14
1.5　本章小結(jié) 14
第2章　人機(jī)對(duì)話前置技術(shù) 15
2.1　深度學(xué)習(xí)框架 15
2.1.1　Theano 15
2.1.2　TensorFlow 16
2.1.3　Keras 17
2.1.4　PyTorch 17
2.2　搭建NLP開發(fā)環(huán)境 18
2.2.1　下載和安裝Anaconda 18
2.2.2　conda的使用 21
2.2.3　中文分詞工具——Jieba 22
2.2.4　PyTorch的下載與安裝 24
2.2.5　Jupyter Notebook遠(yuǎn)程訪問 25
2.3　TorchText的安裝與介紹 26
2.4　本章小結(jié) 29
第3章　中文分詞技術(shù) 30
3.1　分詞的概念和分類 30
3.2　規(guī)則分詞 31
3.2.1　正向最大匹配 31
3.2.2　逆向最大匹配 32
3.2.3　雙向最大匹配 33
3.3　統(tǒng)計(jì)分詞 35
3.4　混合分詞 44
3.5　Jieba分詞 44
3.6　準(zhǔn)確率評(píng)測(cè) 47
3.6.1　混淆矩陣 48
3.6.2　中文分詞中的P、R、F1計(jì)算 49
3.7　本章小結(jié) 51
第4章　數(shù)據(jù)預(yù)處理 52
4.1　數(shù)據(jù)集介紹 52
4.2　數(shù)據(jù)預(yù)處理 53
4.3　TorchText預(yù)處理 55
4.3.1　torchtext.data 55
4.3.2　torchtext.datasets 56
4.3.3　構(gòu)建詞表 57
4.3.4　構(gòu)建迭代器 58
4.4　本章小結(jié) 60
第5章　詞向量實(shí)戰(zhàn) 61
5.1　詞向量的由來 61
5.1.1　one-hot模型 61
5.1.2　神經(jīng)網(wǎng)絡(luò)詞向量模型 63
5.2　word2vec 67
5.2.1　初探word2vec 67
5.2.2　深入CBOW模型 68
5.2.3　Skip-gram模型介紹 69
5.2.4　word2vec模型本質(zhì) 70
5.3　glove 71
5.3.1　初探glove 71
5.3.2　glove模型原理 72
5.4　word2vec實(shí)戰(zhàn) 74
5.4.1　預(yù)處理模塊 74
5.4.2　模型框架 78
5.4.3　模型訓(xùn)練 79
5.4.4　模型評(píng)估 82
5.5　glove實(shí)戰(zhàn) 83
5.5.1　預(yù)處理模塊 83
5.5.2　模型框架 85
5.5.3　模型訓(xùn)練 86
5.5.4　模型評(píng)估 87
5.6　本章小結(jié) 87
第6章　序列標(biāo)注與中文NER實(shí)戰(zhàn) 88
6.1　序列標(biāo)注任務(wù) 88
6.1.1　任務(wù)定義及標(biāo)簽體系 88
6.1.2　任務(wù)特點(diǎn)及對(duì)比 90
6.1.3　任務(wù)應(yīng)用場(chǎng)景 92
6.2　序列標(biāo)注的技術(shù)方案 94
6.2.1　隱馬爾可夫模型 94
6.2.2　條件隨機(jī)場(chǎng) 94
6.2.3　循環(huán)神經(jīng)網(wǎng)絡(luò) 96
6.2.4　Bert 97
6.3　序列標(biāo)注實(shí)戰(zhàn) 99
6.3.1　中文NER數(shù)據(jù)集 99
6.3.2　數(shù)據(jù)預(yù)處理 100
6.3.3　模型訓(xùn)練框架 102
6.3.4　模型評(píng)估 103
6.4　BiLSTM 104
6.4.1　參數(shù)介紹 104
6.4.2　BiLSTM模型框架 104
6.4.3　模型效果評(píng)估 106
6.5　BiLSTM-CRF 107
6.5.1　參數(shù)介紹 107
6.5.2　BiLSTM-CRF模型框架 107
6.5.3　模型評(píng)價(jià) 112
6.6　本章小結(jié) 112
第7章　文本分類技術(shù) 113
7.1　TFIDF與樸素貝葉斯 113
7.1.1　TFIDF 113
7.1.2　樸素貝葉斯 115
7.1.3　實(shí)戰(zhàn)案例之新聞分類 116
7.2　TextCNN 118
7.2.1　TextCNN網(wǎng)絡(luò)結(jié)構(gòu)解析 118
7.2.2　實(shí)戰(zhàn)案例之新聞分類 121
7.3　FastText 129
7.3.1　模型架構(gòu) 129
7.3.2　層次softmax 130
7.3.3　n-gram子詞特征 130
7.3.4　安裝與實(shí)例解析 131
7.4　后臺(tái)運(yùn)行 134
7.5　本章小結(jié) 134
第8章　循環(huán)神經(jīng)網(wǎng)絡(luò) 135
8.1　RNN 135
8.1.1　序列數(shù)據(jù) 135
8.1.2　神經(jīng)網(wǎng)絡(luò)需要記憶 136
8.1.3　RNN基本概念 136
8.1.4　RNN的輸入輸出類型 138
8.1.5　雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 139
8.1.6　深層循環(huán)神經(jīng)網(wǎng)絡(luò) 140
8.1.7　RNN的問題 141
8.1.8　RNN PyTorch實(shí)現(xiàn) 141
8.2　LSTM 143
8.2.1　LSTM網(wǎng)絡(luò)結(jié)構(gòu)解析 143
8.2.2　LSTM PyTorch實(shí)現(xiàn) 147
8.3　GRU 149
8.3.1　GRU網(wǎng)絡(luò)結(jié)構(gòu)解析 149
8.3.2　GRU PyTorch實(shí)現(xiàn) 151
8.4　TextRNN 152
8.4.1　基本概念 152
8.4.2　實(shí)戰(zhàn)案例之新聞分類 153
8.5　TextRCNN 154
8.5.1　基本概念 154
8.5.2　實(shí)戰(zhàn)案例之新聞分類 155
8.6　實(shí)戰(zhàn)案例之詩歌生成 155
8.6.1　數(shù)據(jù)預(yù)處理 156
8.6.2　模型結(jié)構(gòu) 158
8.6.3　模型訓(xùn)練 158
8.6.4　詩歌生成 159
8.7　本章小結(jié) 161
第9章　語言模型與對(duì)話生成 162
9.1　自然語言生成介紹 162
9.2　序列生成模型 163
9.2.1　seq2seq的基本框架 164
9.2.2　Encoder-Decoder框架的缺點(diǎn) 165
9.3　經(jīng)典的seq2seq框架 166
9.3.1　基于RNN的seq2seq 166
9.3.2　基于CNN的seq2seq 167
9.4　Attention機(jī)制 169
9.4.1　序列模型RNN 169
9.4.2　Attention機(jī)制的原理 170
9.4.3　Self-Attention模型 171
9.4.4　Transfomer模型介紹 171
9.5　Bert——自然語言處理的新范式 173
9.5.1　Bert結(jié)構(gòu) 174
9.5.2　預(yù)訓(xùn)練任務(wù) 175
9.6　聊天機(jī)器人實(shí)戰(zhàn) 1