第1章　人機交互導論 1
1.1　圖靈測試 1
1.1.1　圖靈測試相關背景 1
1.1.2　圖靈測試的定義 2
1.1.3　圖靈測試引發的思考 3
1.2　專家系統 3
1.2.1　專家系統的定義 3
1.2.2　專家系統的框架 4
1.2.3　專家系統的發展 6
1.3　人機交互 6
1.3.1　人機交互簡介 6
1.3.2　人機交互模組的發展 7
1.3.3　自然語言理解 9
1.3.4　對話管理 10
1.3.5　自然語言生成 10
1.4　機器人形態 11
1.4.1　聊天機器人 12
1.4.2　任務型機器人 13
1.4.3　面向FAQ的問答機器人 13
1.4.4　面向KB的問答機器人 14
1.5　本章小結 14
第2章　人機對話前置技術 15
2.1　深度學習框架 15
2.1.1　Theano 15
2.1.2　TensorFlow 16
2.1.3　Keras 17
2.1.4　PyTorch 17
2.2　搭建NLP開發環境 18
2.2.1　下載和安裝Anaconda 18
2.2.2　conda的使用 21
2.2.3　中文分詞工具——Jieba 22
2.2.4　PyTorch的下載與安裝 24
2.2.5　Jupyter Notebook遠端存取 25
2.3　TorchText的安裝與介紹 26
2.4　本章小結 29
第3章　中文分詞技術 30
3.1　分詞的概念和分類 30
3.2　規則分詞 31
3.2.1　正向最大匹配 31
3.2.2　逆向最大匹配 32
3.2.3　雙向最大匹配 33
3.3　統計分詞 35
3.4　混合分詞 44
3.5　Jieba分詞 44
3.6　準確率評測 47
3.6.1　混淆矩陣 48
3.6.2　中文分詞中的P、R、F1計算 49
3.7　本章小結 51
第4章　數據預處理 52
4.1　資料集介紹 52
4.2　數據預處理 53
4.3　TorchText預處理 55
4.3.1　torchtext.data 55
4.3.2　torchtext.datasets 56
4.3.3　構建詞表 57
4.3.4　構建反覆運算器 58
4.4　本章小結 60
第5章　詞向量實戰 61
5.1　詞向量的由來 61
5.1.1　one-hot模型 61
5.1.2　神經網路詞向量模型 63
5.2　word2vec 67
5.2.1　初探word2vec 67
5.2.2　深入CBOW模型 68
5.2.3　Skip-gram模型介紹 69
5.2.4　word2vec模型本質 70
5.3　glove 71
5.3.1　初探glove 71
5.3.2　glove模型原理 72
5.4　word2vec實戰 74
5.4.1　預處理模組 74
5.4.2　模型框架 78
5.4.3　模型訓練 79
5.4.4　模型評估 82
5.5　glove實戰 83
5.5.1　預處理模組 83
5.5.2　模型框架 85
5.5.3　模型訓練 86
5.5.4　模型評估 87
5.6　本章小結 87
第6章　序列標注與中文NER實戰 88
6.1　序列標注任務 88
6.1.1　任務定義及標籤體系 88
6.1.2　任務特點及對比 90
6.1.3　任務應用場景 92
6.2　序列標注的技術方案 94
6.2.1　隱瑪律可夫模型 94
6.2.2　條件隨機場 94
6.2.3　迴圈神經網路 96
6.2.4　Bert 97
6.3　序列標注實戰 99
6.3.1　中文NER資料集 99
6.3.2　數據預處理 100
6.3.3　模型訓練框架 102
6.3.4　模型評估 103
6.4　BiLSTM 104
6.4.1　參數介紹 104
6.4.2　BiLSTM模型框架 104
6.4.3　模型效果評估 106
6.5　BiLSTM-CRF 107
6.5.1　參數介紹 107
6.5.2　BiLSTM-CRF模型框架 107
6.5.3　模型評價 112
6.6　本章小結 112
第7章　文本分類技術 113
7.1　TFIDF與樸素貝葉斯 113
7.1.1　TFIDF 113
7.1.2　樸素貝葉斯 115
7.1.3　實戰案例之新聞分類 116
7.2　TextCNN 118
7.2.1　TextCNN網路結構解析 118
7.2.2　實戰案例之新聞分類 121
7.3　FastText 129
7.3.1　模型架構 129
7.3.2　層次softmax 130
7.3.3　n-gram子詞特徵 130
7.3.4　安裝與實例解析 131
7.4　後臺運行 134
7.5　本章小結 134
第8章　迴圈神經網路 135
8.1　RNN 135
8.1.1　序列數據 135
8.1.2　神經網路需要記憶 136
8.1.3　RNN基本概念 136
8.1.4　RNN的輸入輸出類型 138
8.1.5　雙向迴圈神經網路 139
8.1.6　深層迴圈神經網路 140
8.1.7　RNN的問題 141
8.1.8　RNN PyTorch實現 141
8.2　LSTM 143
8.2.1　LSTM網路結構解析 143
8.2.2　LSTM PyTorch實現 147
8.3　GRU 149
8.3.1　GRU網路結構解析 149
8.3.2　GRU PyTorch實現 151
8.4　TextRNN 152
8.4.1　基本概念 152
8.4.2　實戰案例之新聞分類 153
8.5　TextRCNN 154
8.5.1　基本概念 154
8.5.2　實戰案例之新聞分類 155
8.6　實戰案例之詩歌生成 155
8.6.1　數據預處理 156
8.6.2　模型結構 158
8.6.3　模型訓練 158
8.6.4　詩歌生成 159
8.7　本章小結 161
第9章　語言模型與對話生成 162
9.1　自然語言生成介紹 162
9.2　序列生成模型 163
9.2.1　seq2seq的基本框架 164
9.2.2　Encoder-Decoder框架的缺點 165
9.3　經典的seq2seq框架 166
9.3.1　基於RNN的seq2seq 166
9.3.2　基於CNN的seq2seq 167
9.4　Attention機制 169
9.4.1　序列模型RNN 169
9.4.2　Attention機制的原理 170
9.4.3　Self-Attention模型 171
9.4.4　Transfomer模型介紹 171
9.5　Bert——自然語言處理的新範式 173
9.5.1　Bert結構 174
9.5.2　預訓練任務 175
9.6　聊天機器人實戰 1