大數(shù)據(jù)智能：互聯(lián)網(wǎng)時(shí)代的機(jī)器學(xué)習(xí)和自然語(yǔ)言處理技術(shù)

第1 章 深度學(xué)習(xí)——機(jī)器大腦的結(jié)構(gòu) 1
1.1 概述 3
1.1.1 可以做酸奶的面包機(jī)——通用機(jī)器的概念 3
1.1.2 連接主義 5
1.1.3 用機(jī)器設(shè)計(jì)機(jī)器 6
1.1.4 深度網(wǎng)絡(luò) 6
1.1.5 深度學(xué)習(xí)的用武之地 7
1.2 從人腦神經(jīng)元到人工神經(jīng)元 8
1.2.1 生物神經(jīng)元中的計(jì)算靈感 8
1.2.2 激活函數(shù) 9
1.3 參數(shù)學(xué)習(xí) 10
1.3.1 模型的評(píng)價(jià) 11
1.3.2 有監(jiān)督學(xué)習(xí) 11
1.3.3 梯度下降法 12
1.4 多層前饋網(wǎng)絡(luò) 13
1.4.1 多層前饋網(wǎng)絡(luò) 14
1.4.2 后向傳播算法計(jì)算梯度 16
1.5 逐層預(yù)訓(xùn)練 17
1.6 深度學(xué)習(xí)是終極神器嗎 19
1.6.1 深度學(xué)習(xí)帶來(lái)了什么 19
1.6.2 深度學(xué)習(xí)尚未做到什么 20
1.7 內(nèi)容回顧與推薦閱讀 21
XII 目 錄
1.8 參考文獻(xiàn) 21
第2 章 知識(shí)圖譜——機(jī)器大腦中的知識(shí)庫(kù) 23
2.1 什么是知識(shí)圖譜 25
2.2 知識(shí)圖譜的構(gòu)建 27
2.2.1 大規(guī)模知識(shí)庫(kù) 27
2.2.2 互聯(lián)網(wǎng)鏈接數(shù)據(jù) 28
2.2.3 互聯(lián)網(wǎng)網(wǎng)頁(yè)文本數(shù)據(jù) 29
2.2.4 多數(shù)據(jù)源的知識(shí)融合 29
2.3 知識(shí)圖譜的典型應(yīng)用 30
2.3.1 查詢理解（Query Understanding） 30
2.3.2 自動(dòng)問(wèn)答（Question Answering） 32
2.3.3 文檔表示（Document Representation） 33
2.4 知識(shí)圖譜的主要技術(shù) 34
2.4.1 實(shí)體鏈指（Entity Linking） 34
2.4.2 關(guān)系抽?。≧elation Extraction） 35
2.4.3 知識(shí)推理（Knowledge Reasoning） 37
2.4.4 知識(shí)表示（Knowledge Representation） 38
2.5 前景與挑戰(zhàn) 39
2.6 內(nèi)容回顧與推薦閱讀 40
2.7 參考文獻(xiàn) 41
第3 章 大數(shù)據(jù)系統(tǒng)——大數(shù)據(jù)背后的支撐技術(shù) 43
3.1 概述 45
3.2 高性能計(jì)算技術(shù) 46
3.2.1 超級(jí)計(jì)算機(jī)的組成 47
3.2.2 并行計(jì)算的系統(tǒng)支持 48
3.3 虛擬化和云計(jì)算技術(shù) 52
3.3.1 虛擬化技術(shù) 52
目 錄 XIII
3.3.2 云計(jì)算服務(wù) 54
3.4 基于分布式計(jì)算的大數(shù)據(jù)系統(tǒng) 55
3.4.1 Hadoop 生態(tài)系統(tǒng) 55
3.4.2 Spark 61
3.4.3 典型的大數(shù)據(jù)基礎(chǔ)架構(gòu) 63
3.5 大規(guī)模圖計(jì)算 63
3.5.1 分布式圖計(jì)算框架 64
3.5.2 高效的單機(jī)圖計(jì)算框架 65
3.6 NoSQL 66
3.6.1 MongoDB 簡(jiǎn)介 67
3.7 內(nèi)容回顧與推薦閱讀 69
3.8 參考文獻(xiàn) 70
第4 章 智能問(wèn)答——智能助手是如何煉成的 71
4.1 概述 73
4.2 問(wèn)答系統(tǒng)的主要組成 77
4.3 文本問(wèn)答系統(tǒng) 78
4.3.1 問(wèn)題理解 78
4.3.2 知識(shí)檢索 81
4.3.3 答案生成 83
4.4 社區(qū)問(wèn)答系統(tǒng) 84
4.4.1 社區(qū)問(wèn)答系統(tǒng)的結(jié)構(gòu) 85
4.4.2 相似問(wèn)題檢索 86
4.4.3 答案過(guò)濾 86
4.5 多媒體問(wèn)答系統(tǒng) 87
4.6 大型問(wèn)答系統(tǒng)案例：IBM 沃森問(wèn)答系統(tǒng) 89
4.6.1 沃森的總體結(jié)構(gòu) 89
4.6.2 問(wèn)題解析 90
4.6.3 知識(shí)儲(chǔ)備 90
XIV 目 錄
4.6.4 檢索和候選答案生成 91
4.6.5 可信答案確定 92
4.7 內(nèi)容回顧與推薦閱讀 93
4.8 參考文獻(xiàn) 94
第5 章 主題模型——機(jī)器的智能摘要利器 97
5.1 概述 99
5.2 主題模型出現(xiàn)的背景 100
5.3 **個(gè)主題模型潛在語(yǔ)義分析 102
5.4 **個(gè)正式的概率主題模型 104
5.5 **個(gè)正式的貝葉斯主題模型 105
5.6 LDA 的概要介紹 106
5.6.1 LDA 的延伸理解——主題模型廣義理解 109
5.6.2 模型求解 111
5.6.3 模型評(píng)估 112
5.6.4 模型選擇：主題數(shù)目的確定 113
5.7 主題模型的變形與應(yīng)用 114
5.7.1 基于LDA 的模型變種 114
5.7.2 基于LDA 的典型應(yīng)用 115
5.7.3 一個(gè)基于主題模型的新浪名人話題排行榜應(yīng)用 118
5.8 內(nèi)容回顧與推薦閱讀 122
5.9 參考文獻(xiàn) 123
第6 章 個(gè)性化推薦系統(tǒng)——如何了解電腦背后的TA 129
6.1 概述 131
6.1.1 推薦系統(tǒng)的發(fā)展歷史 132
6.1.2 推薦無(wú)處不在 133
6.1.3 從千人一面到千人千面 133
6.2 個(gè)性化推薦的基本問(wèn)題 134
6.2.1 推薦系統(tǒng)的輸入 135
目 錄 XV
6.2.2 推薦系統(tǒng)的輸出 137
6.2.3 個(gè)性化推薦的形式化 137
6.2.4 推薦系統(tǒng)的三大核心問(wèn)題 138
6.3 典型推薦算法淺析 139
6.3.1 推薦算法的分類 139
6.3.2 典型推薦算法介紹 140
6.3.3 基于矩陣分解的打分預(yù)測(cè) 146
6.3.4 推薦的可解釋性 151
6.3.5 推薦算法的評(píng)價(jià) 153
6.3.6 我們走了多遠(yuǎn) 156
6.4 參考文獻(xiàn) 160
第7 章 情感分析與意見(jiàn)挖掘——計(jì)算機(jī)如何了解人類情感 165
7.1 概述 167
7.2 情感分析的主要研究問(wèn)題 172
7.3 情感分析的主要方法 175
7.3.1 構(gòu)成情感和觀點(diǎn)的基本元素 175
7.3.2 情感極性與情感詞典 177
7.3.3 屬性－觀點(diǎn)對(duì) 182
7.3.4 情感分析 184
7.4 主要的情感詞典資源 188
7.5 內(nèi)容回顧與推薦閱讀 189
7.6 參考文獻(xiàn) 190
第8 章 面向社會(huì)媒體大數(shù)據(jù)的語(yǔ)言使用分析及應(yīng)用 195
8.1 概述 197
8.2 面向社會(huì)媒體的自然語(yǔ)言使用分析 197
8.2.1 詞匯的時(shí)空傳播與演化 198
8.2.2 語(yǔ)言使用與個(gè)體差異 200
XVI 目 錄
8.2.3 語(yǔ)言使用與社會(huì)地位 202
8.2.4 語(yǔ)言使用與群體分析 203
8.3 面向社會(huì)媒體的自然語(yǔ)言分析應(yīng)用 206
8.3.1 社會(huì)預(yù)測(cè) 206
8.3.2 霸凌現(xiàn)象定量分析 207
8.4 未來(lái)研究的挑戰(zhàn)與展望 208
8.5 參考文獻(xiàn) 209
后 記 214
國(guó)際學(xué)術(shù)組織、學(xué)術(shù)會(huì)議與學(xué)術(shù)論文 214
國(guó)內(nèi)學(xué)術(shù)組織、學(xué)術(shù)會(huì)議與學(xué)術(shù)論文 216
如何快速了解某個(gè)領(lǐng)域的研究進(jìn)展 217