會(huì)話式AI：自然語言處理與人機(jī)交互

定　價(jià)：￥79.00

作　者：	杜振東，涂銘著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能系統(tǒng)與技術(shù)叢書
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

京東 (￥65.20)

ISBN：	9787111664192	出版時(shí)間：	2020-09-01	包裝：	平裝
開本：	16開	頁數(shù)：	284	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　這是一部講解如何基于NLP技術(shù)和人機(jī)交互技術(shù)實(shí)現(xiàn)聊天機(jī)器人的著作。兩位作者聊天機(jī)器人領(lǐng)域均有多年大型項(xiàng)目的實(shí)戰(zhàn)經(jīng)驗(yàn)，這本書不僅講解了NLP和人機(jī)交互的核心技術(shù)，而且從技術(shù)、算法、實(shí)戰(zhàn)3個(gè)維度講解聊天機(jī)器人的原理、實(shí)現(xiàn)與工程實(shí)踐。本書有3個(gè)特點(diǎn)：前瞻性強(qiáng)，專注于NLP和人機(jī)交互的前沿技術(shù)，以及會(huì)話式AI技術(shù)在熱門場(chǎng)景中的工程實(shí)踐。實(shí)戰(zhàn)性強(qiáng)，每章都提供實(shí)戰(zhàn)代碼，大部分代碼簡(jiǎn)單修改后便可在實(shí)際場(chǎng)景中使用；數(shù)據(jù)集并非簡(jiǎn)單構(gòu)造，而是具有真實(shí)性。對(duì)比性強(qiáng)，結(jié)合應(yīng)用場(chǎng)景，對(duì)比不同技術(shù)的優(yōu)劣，既能指導(dǎo)讀者進(jìn)行技術(shù)選型，又能加深讀者對(duì)不同技術(shù)的理解。本書一共12章，分為三大部分：第壹部分基礎(chǔ)篇（第1-2章）首先系統(tǒng)介紹了人機(jī)交互技術(shù)和聊天機(jī)器人技術(shù)的必備基礎(chǔ)，然后講解了深度學(xué)習(xí)工具的使用以及NLP開發(fā)環(huán)境的搭建第二部分算法篇（第3-8章）這部分是核心內(nèi)容，主要講解中文自然語言處理的各種算法，包括分詞技術(shù)、數(shù)據(jù)預(yù)處理、詞向量技術(shù)、序列標(biāo)注與中文 NER、文本深度學(xué)習(xí)、循環(huán)神經(jīng)網(wǎng)絡(luò)等。第三部分實(shí)戰(zhàn)篇（第9-12章）主要講解了語言模型與對(duì)話生成、知識(shí)圖譜問答、自然語言推理、實(shí)體語義理解這4種人機(jī)交互方面的高階技術(shù)，涵蓋信息抽取、槽位填充、語義理解、聊天機(jī)器人、問答系統(tǒng)、多輪對(duì)話技術(shù)等知識(shí)點(diǎn)。

作者簡(jiǎn)介

　　作者簡(jiǎn)介杜振東國(guó)家標(biāo)準(zhǔn)委人工智能技術(shù)專家和AIIA（中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟）技術(shù)專家。擁有8年機(jī)器學(xué)習(xí)與文本挖掘相關(guān)技術(shù)經(jīng)驗(yàn)，6年中文自然語言處理相關(guān)項(xiàng)目實(shí)戰(zhàn)經(jīng)驗(yàn)，擅長(zhǎng)PyTorch、TensorFlow等主流深度學(xué)習(xí)框架，擅長(zhǎng)運(yùn)用NLP前沿技術(shù)解決真實(shí)項(xiàng)目的難題。在意圖識(shí)別、新聞推薦、多輪人機(jī)交互領(lǐng)域有數(shù)年實(shí)戰(zhàn)經(jīng)驗(yàn)。參與百萬級(jí)用戶金融資訊新聞推薦項(xiàng)目，作為算法主要負(fù)責(zé)人及整體框架設(shè)計(jì)者，主導(dǎo)全新智能新聞推薦系統(tǒng)的落地，并優(yōu)化線上推薦算法，相較原有系統(tǒng)精度提高10%。曾在AIIA和國(guó)家人工智能標(biāo)準(zhǔn)化總體組參與了多個(gè)人工智能標(biāo)準(zhǔn)的制定和人工智能報(bào)告的撰寫。涂銘數(shù)據(jù)架構(gòu)師和人工智能技術(shù)專家，曾就職于阿里，現(xiàn)就職于騰訊。對(duì)大數(shù)據(jù)、自然語言處理、圖像識(shí)別、Python、Java等相關(guān)技術(shù)有深入的研究，積累了豐富的實(shí)踐經(jīng)驗(yàn)。在工業(yè)領(lǐng)域曾參與了燃煤優(yōu)化、設(shè)備故障診斷以及正泰光伏電池片和組件EL圖像檢測(cè)項(xiàng)目；在自然語言處理方面，曾擔(dān)任導(dǎo)購(gòu)機(jī)器人項(xiàng)目的架構(gòu)師，主導(dǎo)開發(fā)機(jī)器人的語義理解、短文本相似度匹配、上下文理解，以及通過自然語言檢索產(chǎn)品庫，在項(xiàng)目中構(gòu)建了NoSQL+文本檢索等大數(shù)據(jù)架構(gòu)，也同時(shí)負(fù)責(zé)問答對(duì)的整理和商品屬性的提取，帶領(lǐng)NLP團(tuán)隊(duì)構(gòu)建了語義解析層。合著有暢銷書《Python自然語言處理實(shí)戰(zhàn)：核心技術(shù)與算法》和《深度學(xué)習(xí)與圖像識(shí)別：原理與實(shí)踐》。

圖書目錄

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