機器閱讀理解：算法與實踐

序一

序二

前言

第一篇　基礎(chǔ)篇

第1章　機器閱讀理解與關(guān)鍵支撐技術(shù) 2

1.1　機器閱讀理解任務 2

1.1.1　機器閱讀理解模型 3

1.1.2　機器閱讀理解的應用 4

1.2　自然語言處理 5

1.2.1　研究現(xiàn)狀 5

1.2.2　仍需解決的問題 6

1.3　深度學習 7

1.3.1　深度學習的特點 7

1.3.2　深度學習的成果 10

1.4　機器閱讀理解任務的測評方式 11

1.4.1　機器閱讀理解的答案形式 11

1.4.2　自由回答式答案評分標準ROUGE 12

1.5　機器閱讀理解數(shù)據(jù)集 14

1.5.1　單段落式數(shù)據(jù)集 14

1.5.2　多段落式數(shù)據(jù)集 19

1.5.3　文本庫式數(shù)據(jù)集 22

1.6　機器閱讀理解數(shù)據(jù)的生成 23

1.6.1　數(shù)據(jù)集的生成 23

1.6.2　標準答案的生成 24

1.6.3　如何設(shè)計高質(zhì)量的數(shù)據(jù)集 26

1.7　本章小結(jié) 30

第2章　自然語言處理基礎(chǔ) 31

2.1　文本分詞 31

2.1.1　中文分詞 32

2.1.2　英文分詞 33

2.1.3　字節(jié)對編碼BPE 35

2.2　語言處理的基石：詞向量 37

2.2.1　詞的向量化 37

2.2.2　Word2vec詞向量 39

2.3　命名實體和詞性標注 42

2.3.1　命名實體識別 42

2.3.2　詞性標注 44

2.4　語言模型 48

2.4.1　N元模型 49

2.4.2　語言模型的評測 52

2.5　本章小結(jié) 53

第3章　自然語言處理中的深度學習 54

3.1　從詞向量到文本向量 54

3.1.1　利用RNN的最終狀態(tài) 55

3.1.2　利用CNN和池化 55

3.1.3　利用含參加權(quán)和 58

3.2　讓計算機做選擇題：自然語言理解 59

3.2.1　網(wǎng)絡(luò)模型 59

3.2.2　實戰(zhàn)：文本分類 60

3.3　讓計算機寫文章：自然語言生成 62

3.3.1　網(wǎng)絡(luò)模型 62

3.3.2　實戰(zhàn)：生成文本 63

3.3.3　集束搜索 65

3.4　讓計算機專心致志：注意力機制 67

3.4.1　注意力機制的計算 68

3.4.2　實戰(zhàn)：利用內(nèi)積函數(shù)計算注意力 69

3.4.3　序列到序列模型 69

3.5　本章小結(jié) 70

第二篇　架構(gòu)篇

第4章　機器閱讀理解模型架構(gòu) 72

4.1　總體架構(gòu) 72

4.2　編碼層 74

4.2.1　詞表的建立和初始化 74

4.2.2　字符編碼 75

4.2.3　上下文編碼 77

4.3　交互層 79

4.3.1　互注意力 79

4.3.2　自注意力 81

4.3.3　上下文編碼 82

4.4　輸出層 83

4.4.1　構(gòu)造問題的向量表示 83

4.4.2　多項選擇式答案生成 84

4.4.3　區(qū)間式答案生成 85

4.4.4　自由式答案生成 87

4.5　本章小結(jié) 93

第5章　常見機器閱讀理解模型 94

5.1　雙向注意力流模型 94

5.1.1　編碼層 94

5.1.2　交互層 95

5.1.3　輸出層 98

5.2　R-net 99

5.2.1　基于注意力的門控循環(huán)神經(jīng)網(wǎng)絡(luò) 100

5.2.2　網(wǎng)絡(luò)架構(gòu) 101

5.3　融合網(wǎng)絡(luò) 104

5.3.1　單詞歷史 104

5.3.2　全關(guān)注注意力 105

5.3.3　總體架構(gòu) 106

5.4　關(guān)鍵詞檢索與閱讀模型 109

5.4.1　檢索器 110

5.4.2　閱讀器 112

5.5　本章小結(jié) 115

第6章　預訓練模型 116

6.1　預訓練模型和遷移學習 116

6.2　基于翻譯的預訓練模型CoVe 118

6.2.1　機器翻譯模型 119

6.2.2　上下文編碼 120

6.3　基于語言模型的預訓練模型ELMo 121

6.3.1　雙向語言模型 122

6.3.2　ELMo的使用 123

6.4　生成式預訓練模型GPT 125

6.4.1　Transformer 125

6.4.2　GPT模型架構(gòu) 129

6.4.3　GPT使用方法 129

6.5　劃時代的預訓練模型BERT 131

6.5.1　雙向語言模型 131

6.5.2　判斷下一段文本 132

6.5.3　BERT預訓練細節(jié) 133

6.5.4　BERT在目標任務中的使用 133

6.5.5　實戰(zhàn)：在區(qū)間答案型機器閱讀理解任務中微調(diào)BERT 137

6.6　本章小結(jié) 138

第三篇　實戰(zhàn)篇

第7章　機器閱讀理解模型SDNet代碼解析 140

7.1　多輪對話式閱讀理解模型SDNet 140

7.1.1　編碼層 141

7.1.2　交互層與輸出層 142

7.2　SDNet代碼介紹與運行指南 143

7.2.1　代碼介紹 143

7.2.2　運行指南 143

7.2.3　配置文件 145

7.3　預處理程序 147

7.3.1　初始化函數(shù) 148

7.3.2　預處理函數(shù) 149

7.4　訓練程序 154

7.4.1　訓練基類 154

7.4.2　訓練子類 155

7.5　批次數(shù)據(jù)產(chǎn)生器 159

7.5.1　掩碼 160

7.5.2　準備BERT數(shù)據(jù) 164

7.6　SDNet模型 166

7.6.1　網(wǎng)絡(luò)模型類 166

7.6.2　計算層 171

7.6.3　生成BERT編碼 177

7.7　本章小結(jié) 178

第8章　機器閱讀理解的應用與未來 179

8.1　智能客服 179

8.1.1　建立產(chǎn)品客服知識庫 180

8.1.2　理解用戶意圖 181

8.1.3　答案生成 183

8.1.4　智能客服中的其他模塊 183

8.2　搜索引擎 184

8.2.1　搜索引擎技術(shù) 185

8.2.2　搜索引擎中的機器閱讀理解 187

8.2.3　未來與挑戰(zhàn) 188

8.3　醫(yī)療衛(wèi)生 189

8.4　法律 190

8.4.1　智能審判 191

8.4.2　確定適用條款 192

8.5　金融 193

8.5.1　股價預測 193

8.5.2　新聞摘要 195

8.6　教育 196

8.7　機器閱讀理解的未來 196

8.7.1　機器閱讀理解研究面臨的挑戰(zhàn) 197

8.7.2　機器閱讀理解的產(chǎn)業(yè)化 202

8.8　本章小結(jié) 203

附錄A　機器學習基礎(chǔ) 205

附錄B　深度學習基礎(chǔ) 208