123,123

內(nèi)容簡(jiǎn)介

　　這是一本講述如何用NLP技術(shù)進(jìn)行文本內(nèi)容理解的著作，也是一本系統(tǒng)講解NLP算法的著作，是作者在NLP和內(nèi)容理解領(lǐng)域多年經(jīng)驗(yàn)的總結(jié)。本書結(jié)合內(nèi)容理解的實(shí)際業(yè)務(wù)場(chǎng)景，系統(tǒng)全面、循序漸進(jìn)地講解了各種NLP算法以及如何用這些算法高效地解決內(nèi)容理解方面的難題，主要包括如下幾個(gè)方面的內(nèi)容：（1）文本特征表示文本特征表示是NLP的基石，也是內(nèi)容理解的基礎(chǔ)環(huán)節(jié)，本書詳細(xì)講解了離散型表示方法和分布型表示方法等特征表示方法及其應(yīng)用場(chǎng)景，還講解了詞向量的評(píng)判標(biāo)準(zhǔn)。（2）內(nèi)容重復(fù)理解詳細(xì)講解了標(biāo)題重復(fù)、段落重復(fù)、文章重復(fù)的識(shí)別方法和去重算法。（3）內(nèi)容通順度識(shí)別及糾正詳細(xì)講解了內(nèi)容通順度的識(shí)別方法以及糾正不通順內(nèi)容的方法。（4）內(nèi)容質(zhì)量詳細(xì)講解了多種內(nèi)容質(zhì)量相關(guān)的算法，以及如何搭建高質(zhì)量的知識(shí)問(wèn)答體系的流程。（5）標(biāo)簽體系構(gòu)建詳細(xì)講解了針對(duì)內(nèi)容理解的標(biāo)簽體系的建設(shè)流程和方法，以及多種相關(guān)算法。（6）文本摘要生成詳細(xì)講解了抽取式文本摘要和生成式文本摘要兩種流行的文本摘要生成方法，以及文本摘要的常用數(shù)據(jù)集和文本摘要評(píng)價(jià)方法。（7）文本糾錯(cuò)詳細(xì)講解了文本糾錯(cuò)的傳統(tǒng)方法、深度學(xué)習(xí)方法、工業(yè)界解決方案，以及常用的文本糾錯(cuò)工具的安裝和使用。

作者簡(jiǎn)介

　　李明琦資深A(yù)I技術(shù)專家，現(xiàn)就職于BAT，擔(dān)任高級(jí)算法工程師。長(zhǎng)期致力于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、NLP等技術(shù)在實(shí)際業(yè)務(wù)場(chǎng)景中的落地，在內(nèi)容理解方面有豐富的經(jīng)驗(yàn)，主導(dǎo)的內(nèi)容質(zhì)量項(xiàng)目曾獲得最佳項(xiàng)目獎(jiǎng)。先后發(fā)表人工智能相關(guān)的學(xué)術(shù)論文2篇，申請(qǐng)人工智能領(lǐng)域的發(fā)明專利5項(xiàng)。在GitHub上貢獻(xiàn)了大量?jī)?nèi)容質(zhì)量、問(wèn)答系統(tǒng)、NLP等方面的代碼，在CSDN撰寫了一些與算法、機(jī)器學(xué)習(xí)、內(nèi)容理解相關(guān)的文章，深受歡迎。谷　雪現(xiàn)為葡萄牙米尼奧大學(xué)博士生，涉及的研究領(lǐng)域?yàn)樯窠?jīng)架構(gòu)搜索、自然語(yǔ)言處理、情感分析，博士期間著力于細(xì)粒度情感原因提取。先后發(fā)表過(guò)學(xué)術(shù)論文2篇，其中一篇是神經(jīng)架構(gòu)搜索的綜述，另一篇是基于進(jìn)化策略的神經(jīng)架構(gòu)演化方法。在GitHub上貢獻(xiàn)了大量深度學(xué)習(xí)、機(jī)器學(xué)習(xí)代碼，在CSDN上分享了服務(wù)器配置、數(shù)據(jù)分析、圖像去噪、情感分析等方向的多篇文章。孟子堯在人工智能技術(shù)領(lǐng)域有非常深厚的積累，擅長(zhǎng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，尤其是深度學(xué)習(xí)中的圖像分類和自然語(yǔ)言處理等技術(shù)。熱衷于開源的應(yīng)用和推廣，在GitHub和CSDN上貢獻(xiàn)了許多代碼和文章。在《計(jì)算機(jī)研究與發(fā)展》上發(fā)表過(guò)1篇人工智能相關(guān)論文。

圖書目錄

CONTENTS
目　　錄
前言
第1章　文本特征表示　1
1.1　語(yǔ)料與語(yǔ)料預(yù)處理　1
1.1.1　語(yǔ)料和語(yǔ)料庫(kù)　1
1.1.2　語(yǔ)料預(yù)處理　2
1.2　文本特征表示方法　6
1.2.1　離散型特征表示方法　6
1.2.2　分布型特征表示方法　13
1.3　詞向量的評(píng)判標(biāo)準(zhǔn)　29
1.3.1　內(nèi)部評(píng)估　29
1.3.2　外在評(píng)估　31
1.4　本章小結(jié)　34
第2章　內(nèi)容重復(fù)理解　35
2.1　標(biāo)題重復(fù)　35
2.1.1　標(biāo)題符號(hào)規(guī)整化處理　36
2.1.2　Jieba分詞　39
2.1.3　LAC分詞　43
2.1.4　基于分詞及字符串等
方式進(jìn)行重復(fù)識(shí)別　45
2.2　段落重復(fù)識(shí)別實(shí)例　47
2.2.1　段落重復(fù)識(shí)別　47
2.2.2　基于N-gram算法進(jìn)行
內(nèi)容去重　48
2.2.3　平滑處理技術(shù)　54
2.3　基于相似度計(jì)算的文章判重　57
2.3.1　文本相似度計(jì)算任務(wù)
的分析　57
2.3.2　距離度量方式　58
2.3.3　基于SimHash算法進(jìn)行
文本重復(fù)檢測(cè)　62
2.4　本章小結(jié)　66
第3章　內(nèi)容通順度識(shí)別及糾正　67
3.1　數(shù)據(jù)增強(qiáng)　67
3.2　基于FastText算法的句子
通順度識(shí)別　73
3.2.1　CBOW模型　74
3.2.2　FastText算法原理　75
3.2.3　FastText算法實(shí)戰(zhàn)　81
3.3　基于TextCNN算法的分類
任務(wù)實(shí)現(xiàn)　93
3.3.1　專有名詞簡(jiǎn)介　93
3.3.2　算法介紹　94
3.3.3　參數(shù)調(diào)優(yōu)經(jīng)驗(yàn)總結(jié)　96
3.3.4　基于Keras工具實(shí)現(xiàn)TextCNN算法　96
3.4　基于TextRNN算法的分類
任務(wù)實(shí)現(xiàn)　98
3.4.1　LSTM和BiLSTM　98
3.4.2　TextCNN和TextRNN
識(shí)別效果對(duì)比　105
3.5　基于Seq2Seq模型的
糾正策略　106
3.5.1　Seq2Seq模型原理　106
3.5.2　糾正不通順句子的方法　108
3.6　本章小結(jié)　114
第4章　內(nèi)容質(zhì)量　116
4.1　GBDT算法　116
4.1.1　GBDT算法概述　117
4.1.2　負(fù)梯度擬合　117
4.1.3　GBDT回歸算法　118
4.1.4　GBDT分類算法　119
4.2　XGBoost算法　121
4.2.1　從GBDT到XGBoost　121
4.2.2　XGBoost損失函數(shù)　122
4.2.3　XGBoost損失函數(shù)的
優(yōu)化求解　124
4.2.4　XGBoost算法流程　125
4.2.5　XGBoost算法參數(shù)
及調(diào)優(yōu)　127
4.3　知識(shí)問(wèn)答質(zhì)量體系的搭建　129
4.3.1　知識(shí)問(wèn)答質(zhì)量體系
建立的意義　130
4.3.2　整體的項(xiàng)目實(shí)施方案　130
4.3.3　知識(shí)問(wèn)答質(zhì)量體系
搭建流程　133
4.4　本章小結(jié)　142
第5章　標(biāo)簽體系構(gòu)建　143
5.1　標(biāo)簽體系　143
5.1.1　標(biāo)簽體系的重要性　143
5.1.2　標(biāo)簽體系的分類　144
5.1.3　構(gòu)建標(biāo)簽體系　146
5.2　TF-IDF算法　151
5.2.1　TF-IDF算法介紹　151
5.2.2　TF-IDF算法實(shí)現(xiàn)　152
5.3　PageRank算法　155
5.4　TextRank算法　163
5.4.1　TextRank算法的使用
場(chǎng)景　164
5.4.2　TextRank算法的
優(yōu)缺點(diǎn)　168
5.5　本章小結(jié)　168
第6章　文本摘要生成　169
6.1　文本摘要相關(guān)介紹　169
6.1.1　文本摘要問(wèn)題定義　169
6.1.2　文本摘要分類　170
6.1.3　文本摘要的技術(shù)和方法　170
6.2　基于無(wú)監(jiān)督的抽取式文本摘要　172
6.2.1　基于經(jīng)驗(yàn)的文本摘要　173
6.2.2　基于主題模型的
文本摘要　175
6.2.3　基于圖的文本摘要　182
6.2.4　基于特征評(píng)分的
文本摘要　185
6.2.5　基于聚類的文本摘要　188
6.3　基于有監(jiān)督的抽取式文本摘要　191
6.4　基于深度神經(jīng)網(wǎng)絡(luò)的生成式
文本摘要　201
6.5　文本摘要常用數(shù)據(jù)集　210
6.6　文本摘要評(píng)價(jià)方法　211
6.6.1　自動(dòng)評(píng)價(jià)方法　211
6.6.2　人工評(píng)價(jià)方法　213
6.7　本章小結(jié)　213
第7章　文本糾錯(cuò)　214
7.1　錯(cuò)誤來(lái)源及類型　214
7.2　文本糾錯(cuò)的3種傳統(tǒng)方法　215
7.2.1　模板匹配　215
7.2.2　編輯距離匹配　216
7.2.3　HANSpeller++框架　217
7.3　文本糾錯(cuò)深度學(xué)習(xí)方法　220
7.3.1　英文文本糾錯(cuò)方法　220
7.3.2　中文文本糾錯(cuò)方法　224
7.4　工業(yè)界解決方法　233
7.4.1　3階段級(jí)聯(lián)的糾錯(cuò)方案　234
7.4.2　符合多種場(chǎng)景的通用
糾錯(cuò)方案　236
7.4.3　保險(xiǎn)文本的糾錯(cuò)方案　237
7.5　文本糾錯(cuò)工具　239
7.5.1　pycorrector　239
7.5.2　xmnlp　240
7.6　本章小結(jié)　242