基于深度學習的自然語言處理 ( 簡體 字) |
| 作者：[美]鄧力 [中]劉洋 等編著，李軒涯 盧苗苗 趙璽 計湘婷 譯 | 類別：1. -> 程式設計 -> 自然語言
2. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53241
詢問書籍請說出此書號！【有庫存】
NT售價： 990 元 |
| 出版日：6/1/2020 |
| 頁數：384 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302551942 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：自然語言處理(Natural Language Processing，NLP)旨在使計算機能夠智能地處理人類語言，這是一門涵蓋人工智能、計算科學、認知科學、信息處理和語言學的重要跨學科領域。由于長期關注計算機和人類語言之間的交互，NLP應用(例如，語音識別、對話系統、信息檢索、問答和機器翻譯)已經開始重塑人們識別、獲取和利用信息的方式。
NLP的發展歷經三大浪潮：理性主義、經驗主義和深度學習。在第一大浪潮中，理性主義主張設計人工規則，以便將知識納入NLP系統，其基礎假設是人類思維中的語言知識通過一般繼承預先固定。在第二大浪潮中，經驗主義假設表面形式中的豐富感官輸入和可觀察語言數據是必需的，并且足以使大腦學習自然語言的詳細結構。因此，人們開發了概率模型來驗證大型語料庫中語言的規則性。在第三大浪潮中，受生物神經系統的啟發，深度學習利用非線性處理的層次模型，通過旨在模擬人類認知能力的方式學習語言數據的內在表征。
深度學習和自然語言處理的交叉在實際任務中取得了驚人的成功。語音識別是深度學習深刻影響的第一個工業化NLP應用程序。隨著大規模訓練數據的使用，與傳統的經驗主義方法相比，深度神經網絡所造成的識別錯誤已經顯著降低。機器翻譯是另一個基于深度學習的成功的NLP應用。端到端神經機器翻譯已經可以大大提高翻譯質量，此種機器翻譯使用神經網絡對人類語言進行映射。因此，神經機器翻譯已迅速成為大型科技公司(如谷歌、微軟、Facebook、百度等)提供的主要商業在線翻譯服務中的新型實用技術。包括語言理解和對話、詞匯分析和句法分析、知識圖譜、信息檢索、文本問答、社交計算、語言生成和文本情感分析在內的其他NLP領域也在應用深度學習方面取得重大進展，并引領了NLP發展中的第三大浪潮。如今，在所有NLP任務的實際應用中，深度學習成為最主要的方法。
《基于深度學習的自然語言處理》旨在對基于深度學習的自然語言處理領域所取得的最新進展進行全面回顧。《基于深度學習的自然語言處理》介紹了以NLP為中心的深度學習所研究的最新技術，并重點介紹了深度學習在主要NLP應用中的作用，包括口語理解、對話系統、詞法分析、句法分析、知識圖譜、機器翻譯、問答、情感分析、社交計算和自然語言生成(來自圖像)。《基于深度學習的自然語言處理》適合具有計算機背景的讀者閱讀，包括研究生、博士后研究人員、教育工作者和工業研究人員以及任何對基于深度學習的自然語言處理最新技術感興趣的人。
《基于深度學習的自然語言處理》共11章，內容如下所示。
娒第1章自然語言處理與深度學習概述(鄧力、劉洋)
娒第2章基于深度學習的對話語言理解(Gokhan Tur、Asli Celikyilmaz、何曉東、Dilek Hakkani拟Tur、鄧力)
娒第3章基于深度學習的語音與文本對話系統(Asli Celikyilmaz、鄧力、Dilek Hakkani拟Tur)
前言基于深度學習的自然語言處理娒第4章基于深度學習的詞法分析和句法分析(車萬翔、張岳)
娒第5章基于深度學習的知識圖譜(劉知遠、韓先培)
娒第6章基于深度學習的機器翻譯(劉洋、張家俊)
娒第7章基于深度學習的問答系統(劉康、馮巖松)
娒第8章基于深度學習的情感分析(唐都鈺、張梅山)
娒第9章基于深度學習的社會計算(趙鑫、李晨亮)
娒第10章基于深度學習的圖像描述(何曉冬、鄧力)
娒第11章后記：深度學習時代下自然語言處理的前沿研究(鄧力、劉洋)
第1章首先回顧了NLP的基礎知識以及《基于深度學習的自然語言處理》后續章節所涵蓋的NLP主要范圍，然后深入探討了NLP發展過程中的三大浪潮及其未來方向。第2~10章對深度學習在自然語言處理領域的應用所取得的最新進展進行深入分析，每一章分別介紹NLP中的一個應用領域，每章的內容由各自領域主要的研究人員和專家撰寫。《基于深度學習的自然語言處理》緣于2016年10月在中國山東煙臺舉行的第15屆中國計算語言學會議(CCL 2016)講習班，我們作為主導者并積極參與其中。感謝施普林格出版社高級編輯常蘭蘭(Celine Lanlan Chang)博士，她慷慨地邀請我們創作《基于深度學習的自然語言處理》，并為《基于深度學習的自然語言處理》的成稿提供大量及時的幫助。感謝施普林格出版社副編輯李堅(Jane Li)在內容準備的各個階段提供寶貴的幫助。
感謝《基于深度學習的自然語言處理》第2~10章的所有作者，他們花費寶貴的時間仔細準備相應的章節：Gokhan Tur、Asli Celikyilmaz、Dilek Hakkani拟Tur、車萬翔、張岳、韓先培、劉知遠、張家俊、劉康、馮巖松、唐都鈺、張梅山、趙鑫、李晨亮、何曉東。第4~9章的作者是CCL 2016講習班的講師，他們花了很多時間將2016年10月以來該領域的最新進展更新到各自的教程材料中。
此外，感謝眾多評論家和讀者：古井真熙(Sadaoki Furui)、吳恩達(Andrew Ng)、弗雷德?居昂(Fred Juang)、肯?切奇(Ken Church)、王海峰和張宏江，他們不僅慷慨地進行鼓勵，還提出了許多建設性評論，大大改善了《基于深度學習的自然語言處理》的早期草稿。
最后，感謝微軟研究院和Citadel(鄧力所在的單位)以及清華大學(劉洋所在的單位)為《基于深度學習的自然語言處理》的完成提供優越的環境、支持和鼓勵，這些都促使我們更好地完成《基于深度學習的自然語言處理》。劉洋還獲得了國家自然科學基金(No.61522204、No.61432013和No.61331013)的支持。
鄧力 美國西雅圖
劉洋 中國北京
2017年10月 |
內容簡介：近幾年來，深度學習已經徹底改變人工智能的諸多領域，涉及語音、視覺、自然語言、機器人和游戲等。深度學習在自然語言處理領域的諸多應用方面大獲成功，這使其成為人工智能領域最重要的發展基準。
《基于深度學習的自然語言處理》介紹深度學習領域最先進的技術以及深度學習在主要的自然語言處理任務中的成功應用，包括語音識別和理解、對話系統、語義分析、句法分析、知識圖譜、機器翻譯、問答、情感分析、社會計算和基于圖像的自然語言生成。本書對深度學習時代自然語言處理領域的不同研究前沿進行了概括與分析，還列舉了深度學習與自然語言處理領域中交叉的技術性術語以及常用的首字母縮略詞。
《基于深度學習的自然語言處理》面向深度學習與自然語言處理領域高年級的本科生、研究生、博士后研究員、講師、行業的研究員以及任何對此領域感興趣的人。 |
目錄：第1章自然語言處理與深度學習概述1
1.1自然語言處理的概況1
1.2第一大浪潮：理性主義2
1.3第二大浪潮：經驗主義4
1.4第三大浪潮：深度學習7
1.5從現在到未來的轉變11
1.5.1從經驗主義到深度學習的變革11
1.5.2當前深度學習技術的限制12
1.6自然語言處理未來的發展方向13
1.6.1神經符號集成(Neural拟SymbolicIntegration)13
1.6.2結構、記憶和知識15
1.6.3無監督和生成式深度學習15
1.6.4多模式和多任務深度學習16
1.6.5元學習17
1.7結論18第2章基于深度學習的對話語言理解20
2.1引言20
2.2歷史性視角22
2.3主要的語言理解任務24
2.3.1域檢測和意圖識別24
2.3.2填槽24
2.4提升技術水平：從統計建模到深度學習25
2.4.1域檢測和意圖識別25
2.4.2填槽28
2.4.3聯合多任務多域模型35
2.4.4上下文理解37
2.5結論40第3章基于深度學習的語音與文本對話系統43
3.1引言43
3.2系統組件的學習方法46
3.2.1判別性方法47
3.2.2生成性方法48
3.2.3決策性方法49
3.3目標導向型神經對話系統49
3.3.1神經語言理解49
3.3.2對話狀態追蹤器50
3.3.3深度對話管理器51
3.4基于模型的用戶模擬器53
3.5自然語言生成54
3.6基于端到端深度學習構建對話系統57
3.7面向開放式對話系統的深度學習59
3.8對話建模的數據集60
3.8.1卡內基·梅隆傳播語料庫60
3.8.2ATIS：航空旅行信息系統飛行員語料庫60
3.8.3對話狀態追蹤挑戰數據集60
3.8.4Maluuba框架數據集61
3.8.5Facebook對話數據集62
3.8.6Ubuntu對話語料庫63
3.9開源對話軟件63
3.10對話系統評估65
3.11結論67第4章基于深度學習的詞法分析和句法分析68
4.1引言68
4.2典型的詞法分析和句法分析任務69
4.2.1分詞69
4.2.2詞性標注70
4.2.3句法分析70
4.2.4結構化預測問題72
4.3結構化預測74
目錄4.3.1基于圖的方法75
4.3.2基于轉移的方法77
4.4基于神經圖的方法82
4.4.1神經條件隨機場82
4.4.2基于圖的神經依存句法分析84
4.5基于神經轉移的方法86
4.5.1貪婪移位拟減少依存句法分析86
4.5.2貪婪序列標注90
4.5.3全局優化模型94
4.6結論101第5章基于深度學習的知識圖譜102
5.1引言102
5.1.1基本概念103
5.1.2典型的知識圖譜103
5.2知識表征學習107
5.3神經關系抽取109
5.3.1語句級NRE109
5.3.2文檔級NRE115
5.4知識與文本的橋梁:實體連接116
5.4.1實體連接框架117
5.4.2用于實體連接的深度學習120
5.5結論127第6章基于深度學習的機器翻譯129
6.1引言129
6.2統計機器翻譯及其面對的挑戰130
6.2.1基本原理130
6.2.2統計機器翻譯所面對的挑戰133
6.3基于組件深度學習的機器翻譯134
6.3.1用于詞對齊的深度學習與基于深度學習的詞對齊134
6.3.2用于翻譯規則概率估計的深度學習137
6.3.3用于短語調序的深度學習140
6.3.4用于語言建模的深度學習142
6.3.5用于特征組合的深度學習143
6.4基于端到端深度學習的機器翻譯146
6.4.1編碼器拟解碼器框架146
6.4.2機器翻譯的神經注意力148
6.4.3處理大詞匯量的技術挑戰150
6.4.4使用端到端訓練直接優化評估指標152
6.4.5結合先驗知識153
6.4.6低資源語言翻譯156
6.4.7神經機器翻譯中的網絡結構158
6.4.8SMT和NMT的結合159
6.5結論161第7章基于深度學習的問答系統163
7.1引言163
7.2基于深度學習的KBQA164
7.2.1信息提取范式165
7.2.2語義分析范式169
7.2.3對比信息提取范式與語義分析范式174
7.2.4數據集174
7.2.5挑戰176
7.3基于深度學習的機器閱讀理解177
7.3.1任務描述177
7.3.2基于特征工程的方法182
7.3.3基于深度學習的方法186
7.4結論191第8章基于深度學習的情感分析194
8.1引言194
8.2特殊情感詞嵌入196
8.3語句級情感分類201
8.3.1卷積神經網絡202
8.3.2循環神經網絡204
8.3.3遞歸神經網絡207
8.3.4整合外部資源209
8.4文檔級情感分類210
8.5細粒度情感分析213
8.5.1意見挖掘214
8.5.2針對特定目標的情感分析215
8.5.3方面級情感分析218
8.5.4立場檢測221
8.5.5諷刺識別222
8.6結論223第9章基于深度學習的社會計算224
9.1引言224
9.2基于深度學習對用戶生成內容進行建模228
9.2.1傳統的語義表征方法229
9.2.2基于淺層嵌入技術的語義表征229
9.2.3基于深度神經網絡的語義表征232
9.2.4運用注意力機制增強語義表征236
9.3基于深度學習建立社會聯系模型237
9.3.1社交媒體中的社交聯系237
9.3.2建模社會關系的網絡表征學習方法238
9.3.3基于淺層嵌入的模型239
9.3.4基于深度神經網絡的模型243
9.3.5網絡嵌入的應用244
9.4基于深度學習的推薦系統245
9.4.1社交媒體中的推薦系統245
9.4.2傳統推薦算法246
9.4.3基于淺層嵌入的模型246
9.4.4基于深度神經網絡的模型248
9.5結論254第10章基于深度學習的圖像描述255
10.1引言255
10.2背景介紹256
10.3圖像描述的深度學習框架257
10.3.1端到端框架257
10.3.2組合框架260
10.3.3其他框架262
10.4評估指標和基準263
10.5圖像描述的工業部署264
10.6示例：圖像中的自然語言描述265
10.7從圖像生成文體自然語言的研究進展268
10.8結論270第11章后記：深度學習時代下自然語言處理的前沿研究271
11.1引言271
11.2兩個新視角272
11.2.1以任務為中心的視角273
11.2.2以表征為中心的視角274
11.3基于深度學習的NLP的最新研究進展與熱點276
11.3.1組合性泛化276
11.3.2NLP中的無監督學習277
11.3.3NLP中的強化學習278
11.3.4NLP中的元學習280
11.3.5弱可解釋性與強可解釋性282
11.4結論284附錄參考答案288術語表360
|
| 序： |
