以統(tǒng)計方法為主的自然語言處理

1 緒論
1.1 自然語言處理（理解）概述
1.1.1 自然語言理解的本質(zhì)
1.1.2 自然語言理解的困難和內(nèi)容
1.2 國內(nèi)外發(fā)展現(xiàn)狀
1.2.1 國外關于自然語言理解方面的研究
1.2.2 國內(nèi)關于自然語言理解方面的研究
1.2.3 深度學習國內(nèi)外研究現(xiàn)狀
1.3 統(tǒng)計模型介紹
1.4 本書的主要研究內(nèi)容
2 基于詞類的語言模型和聚類算法
2.1 基于詞的N元統(tǒng)計模型
2.1.1 N元統(tǒng)計模型的概念
2.1.2 參數(shù)估計與平滑
2.1.3 語言模型的評估
2.2 基于詞類的N元統(tǒng)計模型
2.2.1 預測聚類
2.2.2 條件聚類
2.2.3 組合聚類
2.3 聚類算法
2.4 基于詞相似度的層次聚類
2.4.1 詞的相似度
2.4.2 聚類算法
2.4.3 聚類算法實驗結(jié)果
2.5 可變長的語言模型
2.5.1 算法
2.5.2 實驗結(jié)果
2.6 本章小結(jié)
3 詞性標注方法
3.1 引言
3.1.1 詞語的兼類現(xiàn)象
3.1.2 詞性標注的重要意義和難點
3.1.3 詞性標注的方法
3.2 基于轉(zhuǎn)換的錯誤驅(qū)動的詞性標注方法
3.2.1 轉(zhuǎn)換規(guī)則的形式
3.2.2 轉(zhuǎn)換規(guī)則的模板
3.2.3 基于轉(zhuǎn)換的詞性標注方法的流程
3.3 本章小結(jié)
4 隱馬爾可夫模型與馬爾可夫族模型
4.1 隱馬爾可夫模型
4.2 隱馬爾可夫模型在詞性標注中的應用
4.3 馬爾可夫族模型
4.4 使用馬爾可夫族模型的詞性標注方法
4.4.1 理論推導
4.4.2 Viterbi算法
4.4.3 實驗結(jié)果
4.5 本章小結(jié)
5 句法分析模型與概率上下文無關語法
5.1 引言
5.2 句法分析國內(nèi)外研究現(xiàn)狀
5.2.1 句法分析語料庫
5.2.2 短語結(jié)構(gòu)語法
5.2.3 依存語法研究現(xiàn)狀
5.2.4 多句法分析器的組合
5.2.5 中文句法分析研究現(xiàn)狀
5.3 統(tǒng)計句法分析模型概述
5.3.1 統(tǒng)計句法分析模型的實質(zhì)及模型常用的評價方法
5.3.2 兩種統(tǒng)計句法分析模型概述
5.4 概率上下文無關語法的基本概念
5.5 概率上下文無關語法的基本假設的問題
5.6 本章小結(jié)
6 基于依存關系的句法分析模型
6.1 依存語法
6.2 基于依存關系的句法分析統(tǒng)計模型
6.2.1 基于語義依存關系的句法分析
6.2.2 頭驅(qū)動句法分析模型
6.3 一種新型的基于依存關系的統(tǒng)計模型
6.3.1 基于依存關系的詞的聚類
6.3.2 基于依存關系和聚類的句法分析模型
6.4 本章小結(jié)
7 融合語言學知識的結(jié)構(gòu)化句法分析
7.1 引言
7.2 語言學知識
7.2.1 語法分析
7.2.2 語義分析與語義角色標注
7.2.3 語用關系與漢語的詞序
7.3 結(jié)構(gòu)化句法分析模型
7.3.1 模型的特點和基礎
7.3.2 模型的分析步驟
7.4.1 配價語法和配價結(jié)構(gòu)
7.4.2 基于配價結(jié)構(gòu)和短語結(jié)構(gòu)樹的語義分析
7.4.3 基于配價結(jié)構(gòu)和語義依存關系的句法分析
統(tǒng)計模型
8 基于深度學習的自然語言處理
8.1 本體知識表示與知識圖譜
8.2 深度神經(jīng)網(wǎng)絡模型
8.3 面向自然語言處理的深度學習典型應用
9 總結(jié)
9.1 研究成果總結(jié)
9.2 值得繼續(xù)研究的問題
參考文獻