幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

自然語言處理導論(高等院校智能工程系列教材)

  • 作者：編者:沈穎//丁寧//酈煬寧//李映輝|責編:劉星寧//閭洪慶
  • 出版社：機械工業
  • ISBN：9787111736257
  • 出版日期：2023/11/01
  • 裝幀：平裝
  • 頁數：401
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    《自然語言處理導論》主要介紹自然語言處理理論與技術，旨在讓更多人了解和學習自然語言處理技術，讓人工智慧更好地為我們服務。
    《自然語言處理導論》共16章，包括自然語言理解基礎和具體任務探索兩部分，主要講述了自然語言處理文本表示、分析、挖掘、推理等方面的相關概念、方法、技術和近期研究進展；詳細介紹了文本分類、情感計算、知識抽取等基礎方法；全面講述了自動文摘、問答系統、機器翻譯、社會計算、內容生成和跨模態計算等具體任務；最後討論了深度學習前沿問題。
    《自然語言處理導論》致力於幫助高等院校電腦相關專業學生牢固掌握自然語言處理的基本理論與技術，掌握如何分析文本信息、解決問題、完成相關研究的方法，以及了解自然語言處理的典型應用場景。
作者介紹
編者:沈穎//丁寧//酈煬寧//李映輝|責編:劉星寧//閭洪慶
目錄
前言
第1章  緒論
  1.1  基本概念
    1.1.1  語言學與語音學
    1.1.2  自然語言
    1.1.3  自然語言處理
  1.2  自然語言處理的發展歷程
    1.2.1  自然語言處理的發展歷史
    1.2.2  自然語言處理的研究現狀
    1.2.3  自然語言處理的發展前景
  1.3  自然語言處理的基本方法
    1.3.1  理性主義方法
    1.3.2  經驗主義方法
    1.3.3  對比分析
  1.4  自然語言處理的研究內容
    1.4.1  文本分類
    1.4.2  信息抽取
    1.4.3  文本摘要
    1.4.4  智能問答
第2章  語言模型
  2.1  語言模型概述
  2.2  n-gram統計語言模型
    2.2.1  何為n-gram模型
    2.2.2  n-gram語言模型評估詞序列
    2.2.3  n-gram統計語言模型的應用
    2.2.4  n-gram模型中n對性能的影響
    2.2.5  n-gram模型小結
  思考題
  參考文獻
第3章  神經網路和神經語言模型
  3.1  人工神經網路和神經語言模型
    3.1.1  人工神經網路
    3.1.2  神經語言模型
  3.2  卷積神經網路
    3.2.1  卷積神經網路結構
    3.2.2  卷積神經網路的文本處理
  3.3  循環神經網路
  3.4  遞歸神經網路
    3.4.1  遞歸神經網路的前向計算
    3.4.2  遞歸神經網路的訓練方法
  思考題
  參考文獻
第4章  詞和語義向量
  4.1  離散分佈表示
    4.1.1  獨熱表示法
    4.1.2  詞袋表示法
  4.2  分散式表示
    4.2.1  Word2vec
    4.2.2  矩陣分解
    4.2.3  GloVe

  4.3  文本特徵選擇法
    4.3.1  基於文檔頻率的特徵提取法
    4.3.2  χ2統計量
    4.3.3  信息增益法
    4.3.4  互信息法
  4.4  特徵權重計算方法
    4.4.1  布爾權重
    4.4.2  絕對詞頻
    4.4.3  TF-IDF
  思考題
  參考文獻
第5章  預訓練語言模型
  5.1  Transformer
  5.2  ELMo
  5.3  GPT
  5.4  BERT
  5.5  后BERT時代
  思考題
  參考文獻
第6章  序列標注
  6.1  馬爾可夫模型
  6.2  條件隨機場、維特比演算法
    6.2.1  條件隨機場的原理解析
    6.2.2  條件隨機場的特性
  6.3  序列標注任務
    6.3.1  自動分詞
    6.3.2  漢語自動分詞中的基本問題
    6.3.3  歧義切分問題
    6.3.4  未登錄詞問題
  6.4  漢語分詞方法
    6.4.1  基於詞頻度統計的分詞方法
    6.4.2  N-最短路徑方法
    6.4.3  基於詞的n元語法模型的分詞方法
    6.4.4  由字構詞的漢語分詞方法
    6.4.5  基於詞感知機的漢語分詞方法
    6.4.6  基於字的生成式模型和區分式模型相結合的漢語分詞方法
    6.4.7  其他分詞方法
  6.5  詞性標注
    6.5.1  詞性標注概述
    6.5.2  基於規則的詞性標注方法
    6.5.3  基於統計模型的詞性標注方法
    6.5.4  統計方法與規則方法相結合的詞性標注方法
    6.5.5  詞性標注的一致性檢查
    6.5.6  技術評測
  6.6  命名實體識別
    6.6.1  基於條件隨機場的命名實體識別方法
    6.6.2  基於多特徵的命名實體識別方法
    6.6.3  基於神經網路的命名實體識別方法
  思考題
  參考文獻

第7章  語義分析
  7.1  詞義消歧
    7.1.1  有監督的詞義消歧方法
    7.1.2  基於詞典的詞義消歧方法
    7.1.3  無監督的詞義消歧方法
    7.1.4  詞義消歧系統評價
  7.2  語義角色標注
    7.2.1  語義角色標注基本方法
    7.2.2  語義角色標注的領域適應性問題
  7.3  雙語聯合語義角色標注方法
    7.3.1  基本思路
    7.3.2  雙語聯合語義角色標注方法系統實現
  思考題
  參考文獻
第8章  文本分類
  8.1  文本分類概述
  8.2  傳統分類器設計
    8.2.1  樸素貝葉斯分類器
    8.2.2  基於支持向量機的分類器
    8.2.3  KNN法
    8.2.4  線性最小二乘擬合法
    8.2.5  決策樹分類器
  8.3  基於神經網路方法
    8.3.1  文本分析中的循環神經網路方法
    8.3.2  文本分析中的遞歸神經網路方法
  8.4  文本分類性能評測
  思考題
  參考文獻
第9章  情感計算
  9.1  文檔或句子級情感計算方法
    9.1.1  情感詞典方法
    9.1.2  基於傳統機器學習的監督情感分類
    9.1.3  深度神經網路方法
  9.2  屬性級情感分析
    9.2.1  意見挖掘和屬性抽取
    9.2.2  針對特定目標的情感分析
    9.2.3  立場檢測
  9.3  其他情感分析任務
    9.3.1  諷刺識別
    9.3.2  多模態情感分析
  思考題
  參考文獻
第10章  知識抽取
  10.1  知識抽取概述
  10.2  命名實體識別
    10.2.1  命名實體識別概述
    10.2.2  基於詞典及規則的方法
    10.2.3  基於機器學習的有監督方法
    10.2.4  基於深度學習的方法
  10.3  實體鏈接

    10.3.1  實體鏈接概述
    10.3.2  通用解決框架
    10.3.3  實體鏈接數據集
  10.4  關係抽取
    10.4.1  關係抽取概述
    10.4.2  有監督關係抽取
    10.4.3  遠程監督
    10.4.4  實體關係聯合抽取
    10.4.5  小樣本關係抽取
    10.4.6  開放域關係抽取
  10.5  事件抽取
    10.5.1  事件抽取概述
    10.5.2  基於模式匹配的方法
    10.5.3  基於機器學習的方法
    10.5.4  基於深度學習的方法
    10.5.5  事件抽取數據集
  思考題
  參考文獻
第11章  統計機器翻譯和神經機器翻譯
  11.1  機器翻譯概述
    11.1.1  機器翻譯的發展
    11.1.2  機器翻譯方法
    11.1.3  機器翻譯研究現狀
  11.2  基於HMM的詞對位模型
  11.3  基於短語的翻譯模型
  11.4  基於最大熵的翻譯模型
    11.4.1  對位模板與最大近似
    11.4.2  特徵函數
    11.4.3  參數訓練
  11.5  基於層次短語的翻譯模型
    11.5.1  概述
    11.5.2  模型描述和參數訓練
    11.5.3  解碼方法
  11.6  樹翻譯模型
    11.6.1  樹到串的翻譯模型
    11.6.2  樹到樹的翻譯模型
    11.6.3  串到樹的翻譯模型
  11.7  樹模型的相關改進
  11.8  基於謂詞論元結構轉換的翻譯模型
  11.9  集外詞翻譯
    11.9.1  數字和時間表示的識別與翻譯
    11.9.2  普通集外詞的翻譯
  11.10  統計翻譯系統實現
  11.11  譯文質量評估方法
    11.11.1  概述
    11.11.2  技術指標
    11.11.3  相關評測
  思考題
  參考文獻
第12章  問答系統與多輪對話

  12.1  引言
    12.1.1  什麼是問答系統
    12.1.2  從問答到對話的擴展
  12.2  第一代：基於模板規則的問答系統
  12.3  第二代：基於信息檢索的問答系統
    12.3.1  問題理解
    12.3.2  答案檢索
  12.4  第三代：基於資料庫的問答系統
    12.4.1  問題理解
    12.4.2  資料庫的湧現
    12.4.3  FAQ問答系統
    12.4.4  特定領域問答系統（任務型）
    12.4.5  閱讀理解型問答系統
  12.5  第四代：基於知識庫的問答系統
    12.5.1  知識庫
    12.5.2  語義分析範式
    12.5.3  信息提取範式
    12.5.4  對比信息提取範式與語義分析範式
    12.5.5  數據集
  12.6  多模態問答系統
    12.6.1  多模態任務概述
    12.6.2  視覺問答系統
    12.6.3  視頻問答系統
  12.7  多輪對話系統與大語言模型
    12.7.1  多輪對話系統組成
    12.7.2  對話理解
    12.7.3  對話管理
    12.7.4  基於大語言模型的對話系統
  12.8  前景與挑戰
  思考題
  參考文獻
第13章  基於深度學習的社會計算
  13.1  基於深度學習的社會聯繫模型
    13.1.1  基於淺層嵌入的模型
    13.1.2  基於深度神經網路的模型
  13.2  基於深度學習的推薦系統
    13.2.1  社交媒體中的推薦系統
    13.2.2  基於淺層嵌入的推薦模型
    13.2.3  基於深度神經網路的推薦模型
  思考題
  參考文獻
第14章  自動文摘與信息抽取
  14.1  自動文摘技術概要
  14.2  抽取式自動文摘
    14.2.1  句子重要性評估
    14.2.2  基於約束的摘要生成方法
  14.3  壓縮式自動文摘
    14.3.1  句子壓縮方法
    14.3.2  基於句子壓縮的自動文摘
  14.4  生成式自動文摘

  14.5  基於查詢的自動文摘
    14.5.1  基於語言模型的相關性計算方法
    14.5.2  基於關鍵詞重合度的相關性計算方法
    14.5.3  基於圖模型的相關性計算方法
  14.6  跨語言和多語言自動文摘
    14.6.1  跨語言自動文摘
    14.6.2  多語言自動文摘
  14.7  摘要質量評估方法和相關評測
    14.7.1  摘要質量評估方法
    14.7.2  相關評測活動
  思考題
  參考文獻
第15章  內容生成和跨模態計算
  15.1  自然語言生成和圖像描述
    15.1.1  自然語言生成
    15.1.2  圖像中的自然語言描述示例
    15.1.3  圖像描述技術
  15.2  圖像描述的深度學習框架
    15.2.1  端到端框架
    15.2.2  組合框架
    15.2.3  其他框架
  15.3  評估指標和基準
  思考題
  參考文獻
第16章  深度學習時代下自然語言處理的前沿研究
  16.1  組合型泛化
  16.2  自然語言處理中的無監督學習
  16.3  自然語言處理中的強化學習
  16.4  自然語言處理中的元學習
  16.5  弱可解釋性與強可解釋性
  思考題
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032