Python中文自然語言處理基礎(chǔ)與實(shí)戰(zhàn)

第 1章 緒論　1
1．1　自然語言處理概述　1
1．1．1　NLP的發(fā)展歷程　2
1．1．2　NLP研究內(nèi)容　3
1．1．3　NLP的幾個(gè)應(yīng)用場景　4
1．1．4　NLP與人工智能技術(shù)　5
1．1．5　學(xué)習(xí)NLP的難點(diǎn)　6
1．2　NLP基本流程　6
1．2．1　語料獲取　6
1．2．2　語料預(yù)處理　7
1．2．3　文本向量化　7
1．2．4　模型構(gòu)建　7
1．2．5　模型訓(xùn)練　7
1．2．6　模型評價(jià)　8
1．3　NLP的開發(fā)環(huán)境　8
1．3．1　Anaconda安裝　8
1．3．2　Anaconda應(yīng)用介紹　9
小結(jié)　14
課后習(xí)題　14
第　2章 語料庫　16
2．1　語料庫概述　16
2．1．1　語料庫簡介　16
2．1．2　語料庫的用途　17
2．2　語料庫的種類與構(gòu)建原則　17
2．2．1　語料庫的種類　17
2．2．2　語料庫的構(gòu)建原則　18
2．3　NLTK　19
2．3．1　NLTK簡介　19
2．3．2　安裝步驟　19
2．3．3　NLTK中函數(shù)的使用　21
2．4　語料庫的獲取　23
2．4．1　獲取NLTK語料庫　23
2．4．2　獲取網(wǎng)絡(luò)在線語料庫　30
2．5　任務(wù)：語料庫的構(gòu)建與應(yīng)用　32
2．5．1　構(gòu)建作品集語料庫　32
2．5．2　武俠小說語料庫分析　33
小結(jié)　35
實(shí)訓(xùn)　35
實(shí)訓(xùn)1　構(gòu)建語料庫　35
實(shí)訓(xùn)2　《七劍下天山》語料庫分析　36
課后習(xí)題　36
第3章　正則表達(dá)式　38
3．1　正則表達(dá)式的概念　38
3．1．1　正則表達(dá)式函數(shù)　38
3．1．2　正則表達(dá)式的元字符　40
3．2　任務(wù)：正則表達(dá)式的應(yīng)用　43
3．2．1　《西游記》字符過濾　43
3．2．2　自動提取人名與電話號碼　44
3．2．3　提取網(wǎng)頁標(biāo)簽信息　45
小結(jié)　46
實(shí)訓(xùn)　46
實(shí)訓(xùn)1　過濾《三國志》中的字符　46
實(shí)訓(xùn)2　提取地名與郵編　46
實(shí)訓(xùn)3　提取網(wǎng)頁標(biāo)簽中的文本　46
課后習(xí)題　47
第4章　中文分詞技術(shù)　48
4．1　中文分詞簡介　48
4．2　基于規(guī)則分詞　48
4．2．1　正向最大匹配法　49
4．2．2　逆向最大匹配法　49
4．2．3　雙向最大匹配法　50
4．3　基于統(tǒng)計(jì)分詞　51
4．3．1　n元語法模型　51
4．3．2　隱馬爾可夫模型相關(guān)概念　55
4．4　中文分詞工具jieba　62
4．4．1　基本步驟　63
4．4．2　分詞模式　63
4．5　任務(wù)：中文分詞的應(yīng)用　64
4．5．1　HMM中文分詞　64
4．5．2　提取新聞文本中的高頻詞　68
小結(jié)　69
實(shí)訓(xùn)　70
實(shí)訓(xùn)1　使用HMM進(jìn)行中文分詞　70
實(shí)訓(xùn)2　提取文本中的高頻詞　70
課后習(xí)題　70
第5章　詞性標(biāo)注與命名實(shí)體識別　72
5．1　詞性標(biāo)注　72
5．1．1　詞性標(biāo)注簡介　72
5．1．2　詞性標(biāo)注規(guī)范　73
5．1．3　jieba詞性標(biāo)注　74
5．2　命名實(shí)體識別　77
5．2．1　命名實(shí)體識別簡介　77
5．2．2　CRF模型　78
5．3　任務(wù)：中文命名實(shí)體識別　82
5．3．1　sklearn-crfsuite庫簡介　83
5．3．2　命名實(shí)體識別流程　83
小結(jié)　90
實(shí)訓(xùn)　中文命名實(shí)體識別　90
課后習(xí)題　91
第6章　關(guān)鍵詞提取　92
6．1　關(guān)鍵詞提取技術(shù)簡介　92
6．2　關(guān)鍵詞提取算法　93
6．2．1　TF-IDF算法　93
6．2．2　TextRank算法　94
6．2．3　LSA與LDA算法　96
6．3　任務(wù)：自動提取文本關(guān)鍵詞　103
小結(jié)　109
實(shí)訓(xùn)　109
實(shí)訓(xùn)1　文本預(yù)處理　109
實(shí)訓(xùn)2　使用TF-IDF算法提取關(guān)鍵詞　109
實(shí)訓(xùn)3　使用TextRank算法提取關(guān)鍵詞　110
實(shí)訓(xùn)4　使用LSA算法提取關(guān)鍵詞　110
課后習(xí)題　110
第7章　文本向量化　112
7．1　文本向量化簡介　112
7．2　文本離散表示　113
7．2．1　獨(dú)熱表示　113
7．2．2　BOW模型　113
7．2．3　TF-IDF表示　114
7．3　文本分布式表示　114
7．3．1　Word2Vec模型　114
7．3．2　Doc2Vec模型　118
7．4　任務(wù)：文本相似度計(jì)算　120
7．4．1　Word2Vec詞向量的訓(xùn)練　121
7．4．2　Doc2Vec段落向量的訓(xùn)練　122
7．4．3　計(jì)算文本的相似度　124
小結(jié)　128
實(shí)訓(xùn)　128
實(shí)訓(xùn)1　實(shí)現(xiàn)基于Word2Vec模型的新聞?wù)Z料詞向量訓(xùn)練　128
實(shí)訓(xùn)2　實(shí)現(xiàn)基于Doc2Vec模型的新聞?wù)Z料段落向量訓(xùn)練　128
實(shí)訓(xùn)3　使用Word2Vec模型和Doc2Vec模型計(jì)算新聞文本的相似度　129
課后習(xí)題　129
第8章　文本分類與文本聚類　131
8．1　文本挖掘簡介　131
8．2　文本分類常用算法　132
8．3　文本聚類常用算法　133
8．4　文本分類與文本聚類的步驟　135
8．5　任務(wù)：垃圾短信分類　136
8．6　任務(wù)：新聞文本聚類　141
小結(jié)　144
實(shí)訓(xùn)　144
實(shí)訓(xùn)1　基于樸素貝葉斯的新聞分類　144
實(shí)訓(xùn)2　食品種類安全問題聚類分析　145
課后習(xí)題　145
第9章　文本情感分析　147
9．1　文本情感分析簡介　147
9．1．1　文本情感分析的主要內(nèi)容　147
9．1．2　文本情感分析的常見應(yīng)用　148
9．2　情感分析的常用方法　149
9．2．1　基于情感詞典的方法　149
9．2．2　基于文本分類的方法　150
9．2．3　基于LDA主題模型的方法　151
9．3　任務(wù)：基于情感詞典的情感分析　151
9．4　任務(wù)：基于文本分類的情感分析　154
9．4．1　基于樸素貝葉斯分類的情感分析　154
9．4．2　基于SnowNLP庫的情感分析　156
9．5　任務(wù)：基于LDA主題模型的情感分析　157
9．5．1　數(shù)據(jù)處理　157
9．5．2　模型訓(xùn)練　158
9．5．3　結(jié)果分析　159
小結(jié)　160
實(shí)訓(xùn)　160
實(shí)訓(xùn)1　基于詞典的豆瓣評論文本情感分析　160
實(shí)訓(xùn)2　基于樸素貝葉斯算法的豆瓣評論文本情感分析　160
實(shí)訓(xùn)3　基于SnowNLP的豆瓣評論文本情感分析　161
實(shí)訓(xùn)4　基于LDA主題模型的豆瓣評論文本情感分析　161
課后習(xí)題　161
第　10章 NLP中的深度學(xué)習(xí)技術(shù)　163
10．1　循環(huán)神經(jīng)網(wǎng)絡(luò)概述　163
10．2　RNN結(jié)構(gòu)　164
10．2．1　多對一結(jié)構(gòu)　164
10．2．2　等長的多對多結(jié)構(gòu)　164
10．2．3　非等長結(jié)構(gòu)（Seq2Seq模型）　169
10．3　深度學(xué)習(xí)工具　171
10．3．1　TensorFlow簡介　171
10．3．2　基于TensorFlow的深度學(xué)習(xí)庫Keras　172
10．4　任務(wù)：基于LSTM的文本分類與情感分析　172
10．4．1　文本分類　172
10．4．2　情感分析　181
10．5　任務(wù)：基于Seq2Seq的機(jī)器翻譯　185
10．5．1　語料預(yù)處理　185
10．5．2　構(gòu)建模型　188
10．5．3　定義優(yōu)化器和損失函數(shù)　191
10．5．4　訓(xùn)練模型　191
10．5．5　翻譯　194
小結(jié)　195
實(shí)訓(xùn)　195
實(shí)訓(xùn)1　實(shí)現(xiàn)基于LSTM模型的新聞分類　195
實(shí)訓(xùn)2　實(shí)現(xiàn)基于LSTM模型的攜程網(wǎng)評論情感分析　196
實(shí)訓(xùn)3　實(shí)現(xiàn)基于Seq2Seq和GPU的機(jī)器翻譯　196
課后習(xí)題　197
第　11章 智能問答系統(tǒng)　198
11．1　智能問答系統(tǒng)簡介　198
11．2　智能問答系統(tǒng)的主要組成部分　198
11．2．1　問題理解　199
11．2．2　知識檢索　199
11．2．3　答案生成　200
11．3　任務(wù)：基于Seq2Seq模型的聊天機(jī)器人　201
11．3．1　讀取語料庫　201
11．3．2　文本預(yù)處理　202
11．3．3　模型構(gòu)建　206
11．3．4　模型訓(xùn)練　211
11．3．5　模型評價(jià)　218
小結(jié)　218
實(shí)訓(xùn)　基于Seq2Seq模型的聊天機(jī)器人　218
課后習(xí)題　219
第　12章 基于TipDM大數(shù)據(jù)挖掘建模平臺實(shí)現(xiàn)垃圾短信分類　220
12．1　平臺簡介　220
12．1．1　實(shí)訓(xùn)庫　221
12．1．2　數(shù)據(jù)連接　222
12．1．3　實(shí)訓(xùn)數(shù)據(jù)　222
12．1．4　我的實(shí)訓(xùn)　223
12．1．5　系統(tǒng)算法　223
12．1．6　個(gè)人算法　225
12．2　實(shí)現(xiàn)垃圾短信分類　226
12．2．1　數(shù)據(jù)源配置　227
12．2．2　文本預(yù)處理　229
12．2．3　樸素貝葉斯分類模型　234
小結(jié)　235
實(shí)訓(xùn)　實(shí)現(xiàn)基于樸素貝葉斯的新聞分類　235
課后習(xí)題　236