第 1章 緒論　1 1.1　自然語言處理概述　1 1.1.1　NLP的發(fā)展歷程　2 1.1.2　NLP研究內(nèi)容　3 1.1.3　NLP的幾個應(yīng)用場景　4 1.1.4　NLP與人工智能技術(shù)　5 1.1.5　學(xué)習(xí)NLP的難點(diǎn)　6 1.2　NLP基本流程　6 1.2.1　語料獲取　6 1.2.2　語料預(yù)處理　7 1.2.3　文本向量化　7 1.2.4　模型構(gòu)建　7 1.2.5　模型訓(xùn)練　7 1.2.6　模型評價　8 1.3　NLP的開發(fā)環(huán)境　8 1.3.1　Anaconda安裝　8 1.3.2　Anaconda應(yīng)用介紹　9 小結(jié)　14 課后習(xí)題　14 第　2章 語料庫　16 2.1　語料庫概述　16 2.1.1　語料庫簡介　16 2.1.2　語料庫的用途　17 2.2　語料庫的種類與構(gòu)建原則　17 2.2.1　語料庫的種類　17 2.2.2　語料庫的構(gòu)建原則　18 2.3　NLTK　19 2.3.1　NLTK簡介　19 2.3.2　安裝步驟　19 2.3.3　NLTK中函數(shù)的使用　21 2.4　語料庫的獲取　23 2.4.1　獲取NLTK語料庫　23 2.4.2　獲取網(wǎng)絡(luò)在線語料庫　30 2.5　任務(wù)：語料庫的構(gòu)建與應(yīng)用　32 2.5.1　構(gòu)建作品集語料庫　32 2.5.2　武俠小說語料庫分析　33 小結(jié)　35 實訓(xùn)　35 實訓(xùn)1　構(gòu)建語料庫　35 實訓(xùn)2　《七劍下天山》語料庫分析　36 課后習(xí)題　36 第3章　正則表達(dá)式　38 3.1　正則表達(dá)式的概念　38 3.1.1　正則表達(dá)式函數(shù)　38 3.1.2　正則表達(dá)式的元字符　40 3.2　任務(wù)：正則表達(dá)式的應(yīng)用　43 3.2.1　《西游記》字符過濾　43 3.2.2　自動提取人名與電話號碼　44 3.2.3　提取網(wǎng)頁標(biāo)簽信息　45 小結(jié)　46 實訓(xùn)　46 實訓(xùn)1　過濾《三國志》中的字符　46 實訓(xùn)2　提取地名與郵編　46 實訓(xùn)3　提取網(wǎng)頁標(biāo)簽中的文本　46 課后習(xí)題　47 第4章　中文分詞技術(shù)　48 4.1　中文分詞簡介　48 4.2　基于規(guī)則分詞　48 4.2.1　正向最大匹配法　49 4.2.2　逆向最大匹配法　49 4.2.3　雙向最大匹配法　50 4.3　基于統(tǒng)計分詞　51 4.3.1　n元語法模型　51 4.3.2　隱馬爾可夫模型相關(guān)概念　55 4.4　中文分詞工具jieba　62 4.4.1　基本步驟　63 4.4.2　分詞模式　63 4.5　任務(wù)：中文分詞的應(yīng)用　64 4.5.1　HMM中文分詞　64 4.5.2　提取新聞文本中的高頻詞　68 小結(jié)　69 實訓(xùn)　70 實訓(xùn)1　使用HMM進(jìn)行中文分詞　70 實訓(xùn)2　提取文本中的高頻詞　70 課后習(xí)題　70 第5章　詞性標(biāo)注與命名實體識別　72 5.1　詞性標(biāo)注　72 5.1.1　詞性標(biāo)注簡介　72 5.1.2　詞性標(biāo)注規(guī)范　73 5.1.3　jieba詞性標(biāo)注　74 5.2　命名實體識別　77 5.2.1　命名實體識別簡介　77 5.2.2　CRF模型　78 5.3　任務(wù)：中文命名實體識別　82 5.3.1　sklearn-crfsuite庫簡介　83 5.3.2　命名實體識別流程　83 小結(jié)　90 實訓(xùn)　中文命名實體識別　90 課后習(xí)題　91 第6章　關(guān)鍵詞提取　92 6.1　關(guān)鍵詞提取技術(shù)簡介　92 6.2　關(guān)鍵詞提取算法　93 6.2.1　TF-IDF算法　93 6.2.2　TextRank算法　94 6.2.3　LSA與LDA算法　96 6.3　任務(wù)：自動提取文本關(guān)鍵詞　103 小結(jié)　109 實訓(xùn)　109 實訓(xùn)1　文本預(yù)處理　109 實訓(xùn)2　使用TF-IDF算法提取關(guān)鍵詞　109 實訓(xùn)3　使用TextRank算法提取關(guān)鍵詞　110 實訓(xùn)4　使用LSA算法提取關(guān)鍵詞　110 課后習(xí)題　110 第7章　文本向量化　112 7.1　文本向量化簡介　112 7.2　文本離散表示　113 7.2.1　獨(dú)熱表示　113 7.2.2　BOW模型　113 7.2.3　TF-IDF表示　114 7.3　文本分布式表示　114 7.3.1　Word2Vec模型　114 7.3.2　Doc2Vec模型　118 7.4　任務(wù)：文本相似度計算　120 7.4.1　Word2Vec詞向量的訓(xùn)練　121 7.4.2　Doc2Vec段落向量的訓(xùn)練　122 7.4.3　計算文本的相似度　124 小結(jié)　128 實訓(xùn)　128 實訓(xùn)1　實現(xiàn)基于Word2Vec模型的新聞?wù)Z料詞向量訓(xùn)練　128 實訓(xùn)2　實現(xiàn)基于Doc2Vec模型的新聞?wù)Z料段落向量訓(xùn)練　128 實訓(xùn)3　使用Word2Vec模型和Doc2Vec模型計算新聞文本的相似度　129 課后習(xí)題　129 第8章　文本分類與文本聚類　131 8.1　文本挖掘簡介　131 8.2　文本分類常用算法　132 8.3　文本聚類常用算法　133 8.4　文本分類與文本聚類的步驟　135 8.5　任務(wù)：垃圾短信分類　136 8.6　任務(wù)：新聞文本聚類　141 小結(jié)　144 實訓(xùn)　144 實訓(xùn)1　基于樸素貝葉斯的新聞分類　144 實訓(xùn)2　食品種類安全問題聚類分析　145 課后習(xí)題　145 第9章　文本情感分析　147 9.1　文本情感分析簡介　147 9.1.1　文本情感分析的主要內(nèi)容　147 9.1.2　文本情感分析的常見應(yīng)用　148 9.2　情感分析的常用方法　149 9.2.1　基于情感詞典的方法　149 9.2.2　基于文本分類的方法　150 9.2.3　基于LDA主題模型的方法　151 9.3　任務(wù)：基于情感詞典的情感分析　151 9.4　任務(wù)：基于文本分類的情感分析　154 9.4.1　基于樸素貝葉斯分類的情感分析　154 9.4.2　基于SnowNLP庫的情感分析　156 9.5　任務(wù)：基于LDA主題模型的情感分析　157 9.5.1　數(shù)據(jù)處理　157 9.5.2　模型訓(xùn)練　158 9.5.3　結(jié)果分析　159 小結(jié)　160 實訓(xùn)　160 實訓(xùn)1　基于詞典的豆瓣評論文本情感分析　160 實訓(xùn)2　基于樸素貝葉斯算法的豆瓣評論文本情感分析　160 實訓(xùn)3　基于SnowNLP的豆瓣評論文本情感分析　161 實訓(xùn)4　基于LDA主題模型的豆瓣評論文本情感分析　161 課后習(xí)題　161 第　10章 NLP中的深度學(xué)習(xí)技術(shù)　163 10.1　循環(huán)神經(jīng)網(wǎng)絡(luò)概述　163 10.2　RNN結(jié)構(gòu)　164 10.2.1　多對一結(jié)構(gòu)　164 10.2.2　等長的多對多結(jié)構(gòu)　164 10.2.3　非等長結(jié)構(gòu)（Seq2Seq模型）　169 10.3　深度學(xué)習(xí)工具　171 10.3.1　TensorFlow簡介　171 10.3.2　基于TensorFlow的深度學(xué)習(xí)庫Keras　172 10.4　任務(wù)：基于LSTM的文本分類與情感分析　172 10.4.1　文本分類　172 10.4.2　情感分析　181 10.5　任務(wù)：基于Seq2Seq的機(jī)器翻譯　185 10.5.1　語料預(yù)處理　185 10.5.2　構(gòu)建模型　188 10.5.3　定義優(yōu)化器和損失函數(shù)　191 10.5.4　訓(xùn)練模型　191 10.5.5　翻譯　194 小結(jié)　195 實訓(xùn)　195 實訓(xùn)1　實現(xiàn)基于LSTM模型的新聞分類　195 實訓(xùn)2　實現(xiàn)基于LSTM模型的攜程網(wǎng)評論情感分析　196 實訓(xùn)3　實現(xiàn)基于Seq2Seq和GPU的機(jī)器翻譯　196 課后習(xí)題　197 第　11章 智能問答系統(tǒng)　198 11.1　智能問答系統(tǒng)簡介　198 11.2　智能問答系統(tǒng)的主要組成部分　198 11.2.1　問題理解　199 11.2.2　知識檢索　199 11.2.3　答案生成　200 11.3　任務(wù)：基于Seq2Seq模型的聊天機(jī)器人　201 11.3.1　讀取語料庫　201 11.3.2　文本預(yù)處理　202 11.3.3　模型構(gòu)建　206 11.3.4　模型訓(xùn)練　211 11.3.5　模型評價　218 小結(jié)　218 實訓(xùn)　基于Seq2Seq模型的聊天機(jī)器人　218 課后習(xí)題　219 第　12章 基于TipDM大數(shù)據(jù)挖掘建模平臺實現(xiàn)垃圾短信分類　220 12.1　平臺簡介　220 12.1.1　實訓(xùn)庫　221 12.1.2　數(shù)據(jù)連接　222 12.1.3　實訓(xùn)數(shù)據(jù)　222 12.1.4　我的實訓(xùn)　223 12.1.5　系統(tǒng)算法　223 12.1.6　個人算法　225 12.2　實現(xiàn)垃圾短信分類　226 12.2.1　數(shù)據(jù)源配置　227 12.2.2　文本預(yù)處理　229 12.2.3　樸素貝葉斯分類模型　234 小結(jié)　235 實訓(xùn)　實現(xiàn)基于樸素貝葉斯的新聞分類　235 課后習(xí)題　236