图书信息
图书目录
数字化资源
自然语言处理理论与实践
本书系统介绍自然语言处理（NLP）的基础知识、核心技术和典型任务场景，同时具有配套的实验方案。教材依据“理论方法—关键技术—实战应用”的自主学习脉络，分为8章。其中：第1～3章概要介绍自然语言处理领域的若干基本概念与理论知识，同时包括了神经网络基础和语言模型与向量表示等进阶内容；第4章重点讲解了不同层次的语言要素分析和处理技术；第5～8章通过具体实例，围绕机器翻译、信息抽取、自动问答、机器阅读等典型任务场景，重点阐述了其各自的实现流程、前沿技术进展等关键内容。
全书通过原理解析、算法说明、代码实现等灵活手段，深入浅出地引导读者领略自然语言处理的独特魅力。本书配套的若干典型任务的程序代码，便于读者结合自身兴趣同步实践，浸入自然语言处理领域的热点问题求解，激发探索及创新精神。本书适合作为高校人工智能、计算机科学与技术、软件工程等相关专业自然语言处理课程教材。
作者：
黄河燕 史树敏 李洪政
定价：
36.00 元
出版时间：
2022-11-07
ISBN：
978-7-04-059396-9
物料号：
59396-00
读者对象：
高等教育
一级分类：
计算机/教育技术类
二级分类：
计算机类专业核心课程
三级分类：
人工智能
重点项目：
暂无
版面字数：
310千字
开本：
16开
装帧形式：
平装
页数：
暂无
最新印次时间：
2026年01月
- 目录
- 前辅文
- 第1章 绪论
- 1.1 什么是自然语言
- 1.2 什么是自然语言处理
- 1.3 自然语言处理发展历程
- 1.4 自然语言处理的难点与挑战
- 1.5 基本概念与术语
- 1.6 学习本书的预备知识基础
- 本章习题
- 1.1 什么是自然语言
- 第2章 人工神经网络
- 2.1 人工神经网络基础
- 2.1.1 神经元与感知机
- 2.1.2 激活函数
- 2.1.1 神经元与感知机
- 2.2 前馈神经网络
- 2.2.1 前馈神经网络概念
- 2.2.2 反向传播算法
- 2.2.3 前馈神经网络实践
- 2.2.1 前馈神经网络概念
- 2.3 循环神经网络
- 2.3.1 简单循环神经网络
- 2.3.2 循环神经网络的训练
- 2.3.3 双向循环神经网络
- 2.3.4 基于门控的循环神经网络
- 2.3.5 循环神经网络实践
- 2.3.1 简单循环神经网络
- 2.4 卷神经网络
- 2.4.1 卷积网络结构
- 2.4.2 卷积神经网络实践
- 2.4.3 基于MindSpore的卷积神经网络实践
- 2.4.1 卷积网络结构
- 本章习题
- 参考文献
- 2.1 人工神经网络基础
- 第3章 语言模型与向量表示
- 3.1 语言模型
- 3.1.1 语言模型概述
- 3.1.2 统计语言模型
- 3.1.3 神经网络语言模型
- 3.1.1 语言模型概述
- 3.2 向量表示
- 3.2.1 离散向量表示
- 3.2.2 稠密向量表示
- 3.2.3 向量表示评价
- 3.2.4 向量表示实践
- 3.2.1 离散向量表示
- 本章习题
- 参考文献
- 3.1 语言模型
- 第4章 语言分析技术
- 4.1 引言
- 4.2 中文分词
- 4.2.1 基本问题
- 4.2.2 经典的分词算法
- 4.2.3 中文分词实践
- 4.2.1 基本问题
- 4.3 依存句法分析
- 4.3.1 概述
- 4.3.2 常用的依存句法分析方法
- 4.3.3 依存句法分析性能评价指标
- 4.3.4 基于前馈神经网络的依存句法分析实验
- 4.3.5 常用依存句法分析工具
- 4.3.6 总结
- 4.3.1 概述
- 4.4 语义角色标注
- 4.4.1 概述
- 4.4.2 语义角色标注方法
- 4.4.3 语义角色标注实践
- 4.4.1 概述
- 本章习题
- 参考文献
- 4.1 引言
- 第5章 机器翻译
- 5.1 机器翻译发展概况
- 5.2 基于规则的机器翻译方法
- 5.3 基于统计的机器翻译方法
- 5.3.1 方法介绍
- 5.3.2 基于统计的机器翻译实践
- 5.3.1 方法介绍
- 5.4 基于神经网络的机器翻译方法
- 5.4.1 编码器一解码器框架
- 5.4.2 循环神经网络翻译框架
- 5.4.3 基于注意力机制的翻译框架
- 5.4.4 Transformer翻译框架
- 5.4.5 翻译实践
- 5.4.1 编码器一解码器框架
- 5.5 机器翻译质量评价
- 5.5.1 人工评价
- 5.5.2 自动评价
- 5.5.1 人工评价
- 5.6 翻译质量估计
- 5.7 翻译开源工具与技术评测
- 5.7.1 开源工具
- 5.7.2 技术评测
- 5.7.1 开源工具
- 5.8 现状与挑战
- 本章习题
- 参考文献
- 5.1 机器翻译发展概况
- 第6章 信息抽取
- 6.1 发展概况
- 6.1.1 命名实体识别方法
- 6.1.2 关系抽取方法
- 6.1.1 命名实体识别方法
- 6.2 实体识别模型
- 6.2.1 基于统计的实体识别模型
- 6.2.2 基于双向LSTM和CRF的实体识别模型
- 6.2.3 基于栅格LSTM的中文实体识别模型
- 6.2.4 基于预训练语言模型的实体识别实践
- 6.2.1 基于统计的实体识别模型
- 6.3 关系抽取
- 6.3.1 基于分段卷积神经网络的关系抽取模型
- 6.3.2 基于实例选择性注意力机制的关系抽取模型
- 6.3.3 DocRED关系抽取实践
- 6.3.1 基于分段卷积神经网络的关系抽取模型
- 6.4 信息抽取评价标准
- 6.4.1 TIPSTER项目与MUC系列会议
- 6.4.2 TIDES项目与ACE系列会议
- 6.4.3 基于指称匹配的评价标准
- 6.4.4 远程监督模式中的评价标准
- 6.4.1 TIPSTER项目与MUC系列会议
- 6.5 现状与挑战
- 本章习题
- 参考文献
- 6.1 发展概况
- 第7章 问答系统
- 7.1 概述
- 7.2 基于结构化数据的问答系统
- 7.2.1 人工智能时期
- 7.2.2 计算语言学时期
- 7.2.3 总结
- 7.2.1 人工智能时期
- 7.3 基于自由文本的问答系统
- 7.3.1 问题分析
- 7.3.2 信息检索
- 7.3.3 答案抽取
- 7.3.1 问题分析
- 7.4 基于问题对的问答系统
- 7.4.1 常问问题和社区问答的对比
- 7.4.2 问答系统的关键环节
- 7.4.1 常问问题和社区问答的对比
- 7.5 发展趋势
- 7.6 项目实践：基于社区问答的对话式问答系统
- 7.6.1 项目介绍
- 7.6.2 系统整体架构
- 7.6.3 爬虫模块
- 7.6.4 相似问句计算
- 7.6.5 系统效果
- 7.6.1 项目介绍
- 本章习题
- 参考文献
- 7.1 概述
- 第8章 机器阅读理解
- 8.1 概述
- 8.2 任务分类
- 8.2.1 完形填空
- 8.2.2 多项选择
- 8.2.3 文本抽取
- 8.2.4 自由回答
- 8.2.1 完形填空
- 8.3 评测指标
- 8.3.1 准确性
- 8.3.2 精确匹配
- 8.3.3 F1值
- 8.3.4 ROUGE-L
- 8.3.5 BLEU值
- 8.3.1 准确性
- 8.4 基于深度学习的阅读理解模型
- 8.4.1 传统深度学习基本框架
- 8.4.2 传统深度学习的阅读理解模型
- 8.4.3 基于预训练语言模型的基本框架
- 8.4.4 基于预训练语言模型的模型介绍
- 8.4.1 传统深度学习基本框架
- 8.5 项目实践：基于预训练语言模型的阅读理解系统
- 8.5.1 项目介绍
- 8.5.2 数据预处理
- 8.5.3 下载并导入预训练语言模型
- 8.5.4 基于预训练模型的阅读理解模型构建
- 8.5.5 模型训练
- 8.5.6 模型推理
- 8.5.7 模型测试
- 8.5.1 项目介绍
- 8.6 总结与展望
- 本章习题
- 参考文献
- 8.1 概述
- 前辅文
如无法打开或下载资源，请在电脑端（xuanshu.hep.com.cn)进行下载操作。
相关图书
1