人工智能產(chǎn)品經(jīng)理：人機(jī)對話系統(tǒng)設(shè)計邏輯探究

第1章 緒論 / 1
1.1 人工智能與未來 / 2
1.1.1 DeepMind 與強(qiáng)化學(xué)習(xí) / 3
1.1.2 生物與算法 / 4
1.1.3 被撼動的自由主義 / 5
1.1.4 被取代的工作 / 8
1.1.5 新的社會契約 / 12
1.2 人機(jī)對話的意義 / 14
1.3 人機(jī)交互的變遷 / 15
1.4 需求、風(fēng)口、周期 / 16
1.4.1 需求與風(fēng)口 / 16
1.4.2 周期三段論 / 17
1.4.3 周期中的產(chǎn)品經(jīng)理 / 19
1.4.4 人工智能周期 / 20

第2章 產(chǎn)品經(jīng)理與系統(tǒng)設(shè)計 / 22
2.1 產(chǎn)品經(jīng)理與技術(shù) / 23
2.1.1 產(chǎn)品經(jīng)理的技術(shù)了解層級 / 23
2.1.2 技術(shù)型產(chǎn)品經(jīng)理的定位 / 25
2.1.3 技術(shù)型產(chǎn)品經(jīng)理的價值 / 27
2.1.4 技術(shù)型產(chǎn)品經(jīng)理的思維能力 / 29
2.2 系統(tǒng)與系統(tǒng)思維 / 33
2.2.1 系統(tǒng)之美 / 33
2.2.2 優(yōu)秀軟件系統(tǒng)的特征 / 35
2.2.3 系統(tǒng)設(shè)計的基本問題 / 38
2.3 平臺設(shè)計通用工作流程 / 39

第3章 人工智能技術(shù) / 42
3.1 機(jī)器學(xué)習(xí) / 43
3.1.1 機(jī)器學(xué)習(xí)簡介 / 43
3.1.2 k-近鄰（kNN）算法 / 45
3.1.3 ID3 決策樹算法 / 46
3.1.4 樸素貝葉斯分類算法 / 47
3.1.5 邏輯回歸算法 / 50
3.1.6 支持向量機(jī)（SVM） / 53
3.1.7 AdaBoost 元算法 / 55
3.1.8 線性回歸及樹回歸算法 / 58
3.1.9 K 均值聚類算法 / 61
3.1.10 Apriori 及FP-growth 算法 / 63
3.1.11 PCA 與SVD / 64
3.1.12 主題模型 LDA / 66
3.2 深度學(xué)習(xí) / 68
3.2.1 深度學(xué)習(xí)與機(jī)器學(xué)習(xí) / 68
3.2.2 感知機(jī)模型與前饋神經(jīng)網(wǎng)絡(luò) / 69
3.2.3 深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 / 72
3.2.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN） / 79
3.2.5 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）與LSTM / 84
3.3 自然語言處理 / 87
3.3.1 自然語言處理簡介 / 87
3.3.2 熵 / 88
3.3.3 形式語言 / 90
3.3.4 語言模型 / 91
3.3.5 馬爾可夫模型（MM） / 93
3.3.6 隱馬爾可夫模型（HMM） / 94
3.3.7 最大熵模型（MEM） / 96
3.3.8 最大熵馬爾可夫模型（MEMM）與條件隨機(jī)場（CRF） / 96
3.3.9 詞法分析 / 98
3.3.10 句法分析 / 100
3.3.11 語義分析 / 102

第4章 智能交互技術(shù) / 104
4.1 智能搜索 / 105
4.1.1 搜索命中方式 / 107
4.1.2 SMT 與詞義相似度 / 109
4.1.3 詞向量與 word2vec / 109
4.1.4 利用DNN 優(yōu)化搜索結(jié)果 / 113
4.1.5 利用 CNN 計算語義相關(guān)性 / 116
4.1.6 利用 RNN 構(gòu)建語言模型 / 118
4.1.7 基于知識圖譜的知識推理 / 120
4.1.8 知識圖譜的局限 / 122
4.1.9 其他智能搜索技術(shù) / 123
4.2 對話交互 / 124
4.2.1 對話交互概述 / 124
4.2.2 自然語言理解與填槽 / 125
4.2.3 開放域上下文理解 / 127
4.2.4 自然語言生成與 seq2seq / 128
4.2.5 人機(jī)對話與強(qiáng)化學(xué)習(xí) / 132
4.3 問答匹配技術(shù)的發(fā)展 / 134

第5章 Bot Framework 設(shè)計探究 / 138
5.1 多輪對話初探 / 139
5.2 對話系統(tǒng)與語義表示 / 140
5.2.1 對話系統(tǒng)的組成 / 140
5.2.2 語義表示的三種方式 / 141
5.2.3 Bot Framework 的產(chǎn)生 / 145
5.3 Bot Framework 設(shè)計 / 148
5.3.1 國內(nèi)外開放Bot Framework 一覽 / 148
5.3.2 Bot Framework 的組成 / 150
5.3.3 意圖（Intent） / 150
5.3.4 實體（Entity） / 158
5.3.5 訓(xùn)練（Training） / 163
5.3.6 基于分布語義的平臺設(shè)計 / 173
5.3.7 基于對話流/圖設(shè)計的 Bot Framework / 174
5.4 基于Bot Framework 的多輪對話 / 180
5.4.1 基于分布語義的人機(jī)對話 / 181
5.4.2 基于模型論語義的人機(jī)對話 / 182
5.4.3 基于框架語義的人機(jī)對話 / 183
5.4.4 Bot Framework 下的人機(jī)對話邏輯 / 184
5.4.5 尋找設(shè)計與對話邏輯的最優(yōu)解 / 194

第6章 對話服務(wù)管理與數(shù)據(jù)分析平臺 / 212
6.1 人機(jī)對話平臺基本模型 / 213
6.2 對話服務(wù)管理 / 215
6.2.1 服務(wù)部署與模擬測試 / 215
6.2.2 發(fā)布上線與版本管理 / 218
6.2.3 特殊類型對話服務(wù)管理 / 220
6.3 對話數(shù)據(jù)分析平臺 / 221