相关截图：




资料简介：

自然语言处理是一门融语言学、计算机科学、数学于一体的学科，比较复杂，学习门槛高，但本书巧妙地避开了晦涩难懂的数学公式和证明，即便没有数学基础，也能零基础入门。
本书专注于中文的自然语言处理，以Python及其相关框架为工具，以实战为导向，详细讲解了自然语言处理的各种核心技术、方法论和经典算法。三位作者在人工智能、大数据和算法领域有丰富的积累和经验，是*、前明略数据和七牛云的资深专家。同时，本书也得到了*达摩院高级算法专家、七牛云AI实验室Leader等专家的高度评价和鼎力推荐。

全书一共11章，在逻辑上分为2个部分：
*部分（第1、2、11章）
主要介绍了自然语言处理所需要了解的基础知识、前置技术、Python科学包、正则表达式以及Solr检索等。
第二部分（第5-10章）

资料目录：

序一

序二

前言

第1章　NLP基础  1

1.1　什么是NLP  1

1.1.1　NLP的概念  1

1.1.2　NLP的研究任务  3

1.2　NLP的发展历程  5

1.3　NLP相关知识的构成  7

1.3.1　基本术语  7

1.3.2　知识结构  9

1.4　语料库  10

1.5　探讨NLP的几个层面  11

1.6　NLP与人工智能  13

1.7　本章小结  15

第2章　NLP前置技术解析  16

2.1　搭建Python开发环境  16

2.1.1　Python的科学计算发行版——Anaconda  17

2.1.2　Anaconda的下载与安装  19

2.2　正则表达式在NLP的基本应用  21

2.2.1　匹配字符串  22

2.2.2　使用转义符  26

2.2.3　抽取文本中的数字  26

2.3　Numpy使用详解  27

2.3.1　创建数组  28

2.3.2　获取Numpy中数组的维度  30

2.3.3　获取本地数据  31

2.3.4　正确读取数据  32

2.3.5　Numpy数组索引  32

2.3.6　切片  33

2.3.7　数组比较  33

2.3.8　替代值  34

2.3.9　数据类型转换  36

2.3.10　Numpy的统计计算方法  36

2.4　本章小结  37

第3章　中文分词技术  38

3.1　中文分词简介  38

3.2　规则分词  39

3.2.1　正向匹配法  39

3.2.2　逆向匹配法  40

3.2.3　双向匹配法  41

3.3　统计分词  42

3.3.1　语言模型  43

3.3.2　HMM模型  44

3.3.3　其他统计分词算法  52

3.4　混合分词  52

3.5　中文分词工具——Jieba  53

3.5.1　Jieba的三种分词模式  54

3.5.2　实战之高频词提取  55

3.6　本章小结  58

第4章　词性标注与命名实体识别  59

4.1　词性标注  59

4.1.1　词性标注简介  59

4.1.2　词性标注规范  60

4.1.3　Jieba分词中的词性标注  61

4.2　命名实体识别  63

4.2.1　命名实体识别简介  63

4.2.2　基于条件随机场的命名实体识别  65

4.2.3　实战一：日期识别  69

4.2.4　实战二：地名识别  75

4.3　总结  84

第5章　关键词提取算法  85

5.1　关键词提取技术概述  85

5.2　关键词提取算法TF/IDF算法  86

5.3　TextRank算法  88

5.4　LSA/LSI/LDA算法  91

5.4.1　LSA/LSI算法  93

5.4.2　LDA算法  94

5.5　实战提取文本关键词  95

5.6　本章小结  105

第6章　句法分析  106

6.1　句法分析概述  106

6.2　句法分析的数据集与评测方法  107

6.2.1　句法分析的数据集  108

6.2.2　句法分析的评测方法  109

6.3　句法分析的常用方法  109

6.3.1　基于PCFG的句法分析  110

6.3.2　基于间隔马尔可夫网络的句法分析  112

6.3.3　基于CRF的句法分析  113

6.3.4　基于移进–归约的句法分析模型  113

6.4　使用Stanford Parser的PCFG算法进行句法分析  115

6.4.1　Stanford Parser  115

6.4.2　基于PCFG的中文句法分析实战  116

6.5　本章小结  119

第7章　文本向量化  120

7.1　文本向量化概述  120

7.2　向量化算法word2vec  121

7.2.1　神经网络语言模型  122

7.2.2　C&W模型  124

7.2.3　CBOW模型和Skip-gram模型  125

7.3　向量化算法doc2vec/str2vec  127

7.4　案例：将网页文本向量化  129

7.4.1　词向量的训练  129

7.4.2　段落向量的训练  133

7.4.3　利用word2vec和doc2vec计算网页相似度  134

7.5　本章小结  139

第8章　情感分析技术  140

8.1　情感分析的应用  141

8.2　情感分析的基本方法  142

8.2.1　词法分析  143

8.2.2　机器学习方法  144

8.2.3　混合分析  144

8.3　实战电影评论情感分析  145

8.3.1　卷积神经网络  146

8.3.2　循环神经网络  147

8.3.3　长短时记忆网络  148

8.3.4　载入数据  150

8.3.5　辅助函数  154

8.3.6　模型设置  155

8.3.7　调参配置  158

8.3.8　训练过程  159

8.4　本章小结  159

第9章　NLP中用到的机器学习算法  160

9.1　简介  160

9.1.1　机器学习训练的要素  161

9.1.2　机器学习的组成部分  162

9.2　几种常用的机器学习方法  166

9.2.1　文本分类  166

9.2.2　特征提取  168

9.2.3　标注  169

9.2.4　搜索与排序  170

9.2.5　推荐系统  170

9.2.6　序列学习  172

9.3　分类器方法  173

9.3.1　朴素贝叶斯Naive Bayesian  173

9.3.2　逻辑回归  174

9.3.3　支持向量机  175

9.4　无监督学习的文本聚类  177

9.5　文本分类实战：中文垃圾邮件分类  180

9.5.1　实现代码  180

9.5.2　评价指标  187

9.6　文本聚类实战：用K-means对豆瓣读书数据聚类  190

9.7　本章小结  194

第10章　基于深度学习的NLP算法  195

10.1　深度学习概述  195

10.1.1　神经元模型  196

10.1.2　激活函数  197

10.1.3　感知机与多层网络  198

10.2　神经网络模型  201

10.3　多输出层模型  203

10.4　反向传播算法  204

10.5　化算法  208

10.5.1　梯度下降  208

10.5.2　随机梯度下降  209

10.5.3　批量梯度下降  210

10.6　丢弃法  211

10.7　激活函数  211

10.7.1　tanh函数  212

10.7.2　ReLU函数  212

10.8　实现BP算法  213

10.9　词嵌入算法  216

10.9.1　词向量  217

10.9.2　word2vec简介  217

10.9.3　词向量模型  220

10.9.4　CBOW和Skip-gram模型  222

10.10　训练词向量实践  224

10.11　朴素Vanilla-RNN  227

10.12　LSTM网络  230

10.12.1　LSTM基本结构  230

10.12.2　其他LSTM变种形式  234

10.13　Attention机制  236

10.13.1　文本翻译  237

10.13.2　图说模型  237

10.13.3　语音识别  239

10.13.4　文本摘要  239

10.14　Seq2Seq模型  240

10.15　图说模型  242

10.16　深度学习平台  244

10.16.1　Tensorflow  245

10.16.2　Mxnet  246

10.16.3　PyTorch  246

10.16.4　Caffe  247

10.16.5　Theano  247

10.17　实战Seq2Seq问答机器人  248

10.18　本章小结  254

第11章　Solr搜索引擎  256

11.1　全文检索的原理  257

11.2　Solr简介与部署  258

11.3　Solr后台管理描述  263

11.4　配置schema  267

11.5　Solr管理索引库  270

11.5.1　创建索引  270

11.5.2　查询索引  276

11.5.3　删除文档  279

11.6　本章小结  281