图书信息
图书目录
自然语言处理
本书是人工智能领域本科教育教学改革试点工作（简称“101计划”）系列教材之一。本书从自然语言处理的基本概念出发，介绍自然语言处理的技术原理及经典方法，同时紧跟技术前沿，系统阐述该领域的最新进展及应用实例，帮助读者深入理解并掌握自然语言处理技术。
全书共15章，主要内容包括绪论、自然语言处理基础理论、自然语言的统计建模及经典技术、自然语言处理中的深度学习基础、自然语言处理技术评价、词向量及神经语言模型、大语言模型预训练、大语言模型的有监督微调、大语言模型的强化学习、大语言模型知识增强与模型评价、大语言模型的推理部署、大语言模型应用场景适配、文本分类与情感分析、机器翻译、人机交互。
本书可作为高等学校人工智能、计算机科学与技术专业本科教材或研究生的参考用书，也可供人工智能领域从业者参考。
作者：
王海峰 杨沐昀 黄河燕 宗成庆 黄萱菁
定价：
66.00 元
出版时间：
2026-02-02
ISBN：
978-7-04-065130-0
物料号：
65130-00
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：
500千字
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 自然语言处理概述
- 1.1.1 基本概念
- 1.1.2 自然语言处理面临的挑战
- 1.1.1 基本概念
- 1.2 自然语言处理的研究内容
- 1.2.1 数据集
- 1.2.2 典型任务
- 1.2.3 典型应用研究
- 1.2.4 语音识别
- 1.2.1 数据集
- 1.3 发展历史
- 1.3.1 规则方法
- 1.3.2 统计方法
- 1.3.3 深度学习方法
- 1.3.4 大模型时代
- 1.3.1 规则方法
- 1.4 自然语言处理展望
- 本章小结
- 习题1
- 本章参考文献
- 1.1 自然语言处理概述
- 第2章 自然语言处理基础理论
- 2.1 信息论
- 2.1.1 熵
- 2.1.2 联合熵
- 2.1.3 条件熵
- 2.1.4 交叉熵
- 2.1.5 相对熵
- 2.1.6 困惑度
- 2.1.1 熵
- 2.2 机器学习概述
- 2.2.1 有监督学习
- 2.2.2 无监督学习
- 2.2.3 自监督学习
- 2.2.4 强化学习
- 2.2.1 有监督学习
- 本章小结
- 习题2
- 本章参考文献
- 2.1 信息论
- 第3章 自然语言的统计建模及经典技术
- 3.1 统计语言模型
- 3.1.1 模型定义
- 3.1.2 数据平滑方法
- 3.1.1 模型定义
- 3.2 自然语言处理的经典技术
- 3.2.1 词法分析
- 3.2.2 句法分析
- 3.2.3 语义角色标注
- 3.2.1 词法分析
- 3.3 自然语言处理的典型应用
- 3.3.1 文本分类
- 3.3.2 信息抽取
- 3.3.3 机器翻译
- 3.3.1 文本分类
- 本章小结
- 习题3
- 本章参考文献
- 3.1 统计语言模型
- 第4章 自然语言处理中的深度学习基础
- 4.1 神经网络基础
- 4.1.1 人工神经网络的生物学基础
- 4.1.2 常见激活函数
- 4.1.1 人工神经网络的生物学基础
- 4.2 前馈神经网络
- 4.2.1 前向传播
- 4.2.2 损失函数
- 4.2.3 反向传播
- 4.2.1 前向传播
- 4.3 卷积神经网络
- 4.3.1 卷积
- 4.3.2 池化
- 4.3.3 经典的卷积神经网络
- 4.3.1 卷积
- 4.4 循环神经网络
- 4.4.1 循环神经网络
- 4.4.2 长短时记忆网络
- 4.4.3 门控循环单元
- 4.4.1 循环神经网络
- 4.5 Transformer
- 4.5.1 注意力的基本概念
- 4.5.2 自注意力模型
- 4.5.3 多头自注意力机制
- 4.5.4 Transformer的网络结构
- 4.5.1 注意力的基本概念
- 本章小结
- 习题4
- 本章参考文献
- 4.1 神经网络基础
- 第5章 自然语言处理技术评价
- 5.1 自然语言处理评价概述
- 5.1.1 评价的核心问题
- 5.1.2 评价的重要意义
- 5.1.1 评价的核心问题
- 5.2 自然语言理解评价
- 5.2.1 分类问题的评价指标
- 5.2.2 回归问题的评价指标
- 5.2.1 分类问题的评价指标
- 5.3 自然语言生成评价
- 5.3.1 基于统计指标的评价方法
- 5.3.2 基于预训练模型的评价方法
- 5.3.3 基于大模型的评价方法
- 5.3.1 基于统计指标的评价方法
- 本章小结
- 习题5
- 本章参考文献
- 5.1 自然语言处理评价概述
- 第6章 词向量及神经语言模型
- 6.1 文本的向量表示
- 6.1.1 单词的分布式表示基本概念
- 6.1.2 基于共现矩阵奇异值分解的词向量模型
- 6.1.3 基于上下文单词预测的词向量模型
- 6.1.4 全局向量模型
- 6.1.5 基于字节对编码的子词表示模型
- 6.1.6 单词的分布式表示的评价与应用
- 6.1.1 单词的分布式表示基本概念
- 6.2 神经网络语言模型
- 6.2.1 神经网络语言模型概述
- 6.2.2 前馈神经网络语言模型
- 6.2.3 循环神经网络语言模型
- 6.2.1 神经网络语言模型概述
- 6.3 预训练语言模型
- 6.3.1 动态词向量算法ELMo
- 6.3.2 自回归预训练语言模型GPT
- 6.3.3 掩码预训练语言模型BERT
- 6.3.4 序列到序列预训练语言模型BART
- 6.3.5 预训练语言模型的应用
- 6.3.1 动态词向量算法ELMo
- 本章小结
- 习题6
- 本章参考文献
- 6.1 文本的向量表示
- 第7章 大语言模型预训练
- 7.1 大语言模型的整体框架
- 7.2 预训练模型架构
- 7.2.1 基于Transformer的模型架构
- 7.2.2 模型的核心组成部分
- 7.2.1 基于Transformer的模型架构
- 7.3 分布式训练技术
- 7.3.1 分布式训练的基础优化技术
- 7.3.2 分布式训练中的并行策略
- 7.3.3 训练过程中的参数设置
- 7.3.1 分布式训练的基础优化技术
- 7.4 预训练数据
- 7.4.1 预训练数据常见的数据来源
- 7.4.2 数据配比方法
- 7.4.1 预训练数据常见的数据来源
- 本章小结
- 习题7
- 本章参考文献
- 7.1 大语言模型的整体框架
- 第8章 大语言模型的有监督微调
- 8.1 提示学习与上下文学习
- 8.1.1 提示学习
- 8.1.2 上下文学习
- 8.1.1 提示学习
- 8.2 有监督微调的基本原理
- 8.2.1 训练目标
- 8.2.2 指令-响应数据的形式与作用
- 8.2.3 迁移学习视角：从预训练到特定任务
- 8.2.1 训练目标
- 8.3 指令数据构建
- 8.3.1 手动构建指令
- 8.3.2 自动生成指令
- 8.3.3 开源指令数据集
- 8.3.1 手动构建指令
- 8.4 微调策略
- 8.4.1 全量微调
- 8.4.2 参数高效微调
- 8.4.3 LoRA方法的变体
- 8.4.4 特定功能的有监督微调
- 8.4.1 全量微调
- 本章小结
- 习题8
- 本章参考文献
- 8.1 提示学习与上下文学习
- 第9章 大语言模型的强化学习
- 9.1 人类反馈的强化学习
- 9.1.1 策略梯度
- 9.1.2 RLHF流程
- 9.1.3 广义优势估计
- 9.1.4 近端策略优化算法
- 9.1.5 近端策略优化算法的变体
- 9.1.6 直接偏好优化
- 9.1.7 自奖励机制
- 9.1.8 基于对比奖励提升RLHF
- 9.1.9 自我博弈偏好优化
- 9.1.1 策略梯度
- 9.2 奖励模型
- 9.2.1 数据收集
- 9.2.2 模型训练
- 9.2.3 开源数据
- 9.2.4 生成式奖励模型
- 9.2.1 数据收集
- 本章小结
- 习题9
- 本章参考文献
- 9.1 人类反馈的强化学习
- 第10章 大语言模型知识增强与
- 模型评价
- 10.1 知识与知识图谱
- 10.1.1 知识的概念与表示
- 10.1.2 知识图谱的构建
- 10.1.1 知识的概念与表示
- 10.2 知识抽取
- 10.2.1 非结构化数据知识抽取
- 10.2.2 结构化数据知识抽取
- 10.2.3 半结构化数据知识抽取
- 10.2.1 非结构化数据知识抽取
- 10.3 知识增强的大语言模型
- 10.3.1 知识增强的模型预训练
- 10.3.2 知识增强的模型推理
- 10.3.3 知识增强大语言模型的典型应用
- 10.3.1 知识增强的模型预训练
- 10.4 大语言模型的评价体系
- 10.4.1 基础能力评价
- 10.4.2 应用能力评价
- 10.4.3 安全可靠性评价
- 10.4.1 基础能力评价
- 10.5 大语言模型的评价实践
- 10.5.1 MMLU
- 10.5.2 AlpacaEval
- 10.5.3 Chatbot Arena
- 10.5.1 MMLU
- 本章小结
- 习题10
- 本章参考文献
- 模型评价
- 第11章 大语言模型的推理部署
- 11.1 大语言模型的算力基础
- 11.1.1 国内外主流芯片
- 11.1.2 算力特性
- 11.1.1 国内外主流芯片
- 11.2 大语言模型的推理部署框架
- 11.2.1 主流推理部署框架介绍
- 11.2.2 推理部署框架性能对比
- 11.2.1 主流推理部署框架介绍
- 11.3 大语言模型的压缩技术
- 11.3.1 模型量化
- 11.3.2 模型蒸馏
- 11.3.1 模型量化
- 本章小结
- 习题11
- 本章参考文献
- 11.1 大语言模型的算力基础
- 第12章 大语言模型应用场景适配
- 12.1 提示工程
- 12.1.1 提示与提示工程
- 12.1.2 提示构建策略
- 12.1.3 提示自动优化技术
- 12.1.4 高级提示构建技术
- 12.1.1 提示与提示工程
- 12.2 检索增强
- 12.2.1 检索增强概述
- 12.2.2 RAG系统架构
- 12.2.3 RAG核心技术
- 12.2.4 进阶RAG技术
- 12.2.1 检索增强概述
- 12.3 基于大语言模型的智能体
- 12.3.1 智能体概述
- 12.3.2 大语言模型智能体的架构
- 12.3.3 短期记忆与长期记忆
- 12.3.4 大语言模型智能体的工作流程
- 12.3.5 智能体的规划方法
- 12.3.6 智能体的学习策略
- 12.3.7 大语言模型多智能体
- 12.3.1 智能体概述
- 本章小结
- 习题12
- 本章参考文献
- 12.1 提示工程
- 第13章 文本分类与情感分析
- 13.1 文本分类与聚类
- 13.1.1 统计文本分类
- 13.1.2 深度神经网络文本分类
- 13.1.3 文本聚类
- 13.1.1 统计文本分类
- 13.2 情感分析
- 13.2.1 词级情感分析
- 13.2.2 句子级与文档级情感分析
- 13.2.3 属性级情感分析
- 13.2.1 词级情感分析
- 本章小结
- 习题13
- 本章参考文献
- 13.1 文本分类与聚类
- 第14章 机器翻译
- 14.1 概述
- 14.1.1 基本概念与发展历程
- 14.1.2 当前研究热点
- 14.1.1 基本概念与发展历程
- 14.2 基于循环神经网络的神经机器翻译
- 14.2.1 编码器-解码器架构
- 14.2.2 翻译建模
- 14.2.3 RNN翻译系统
- 14.2.1 编码器-解码器架构
- 14.3 基于自注意力机制的神经机器翻译
- 14.3.1 自注意力机制与Transformer架构
- 14.3.2 模型的训练与解码
- 14.3.3 改进方法与模型优化
- 14.3.1 自注意力机制与Transformer架构
- 14.4 大语言模型时代的机器翻译
- 14.4.1 大语言模型内化的翻译能力
- 14.4.2 基于大语言模型的机器翻译
- 14.4.3 大语言模型在机器翻译中的其他应用
- 14.4.1 大语言模型内化的翻译能力
- 本章小结
- 习题14
- 本章参考文献
- 14.1 概述
- 第15章 人机交互
- 15.1 图灵测试与人机交互
- 15.1.1 图灵测试
- 15.1.2 人机交互
- 15.1.1 图灵测试
- 15.2 问答系统
- 15.2.1 典型的问答系统
- 15.2.2 问答系统的实现方法
- 15.2.3 问答系统的评价指标
- 15.2.1 典型的问答系统
- 15.3 阅读理解
- 15.3.1 阅读理解的分类
- 15.3.2 阅读理解的实现方法
- 15.3.3 阅读理解的主要数据集
- 15.3.4 阅读理解的评价方法
- 15.3.1 阅读理解的分类
- 15.4 对话系统
- 15.4.1 典型对话系统
- 15.4.2 对话系统的分类
- 15.4.3 对话系统的实现方法
- 15.4.4 对话系统的评价方法
- 15.4.1 典型对话系统
- 15.5 基于大语言模型的人机交互
- 15.5.1 指令遵循
- 15.5.2 角色扮演
- 15.5.1 指令遵循
- 本章小结
- 习题15
- 本章参考文献
- 15.1 图灵测试与人机交互
- 附录 实验
- 实验一 使用Transformer完成神经机器翻译
- 实验二 利用对话数据微调基础大模型
- 实验一 使用Transformer完成神经机器翻译
- 前辅文
