第 1章　初探自然語(yǔ)言處理　1 1.1　自然語(yǔ)言處理是什么　1 1.2　自然語(yǔ)言處理的應(yīng)用　2 1.3　自然語(yǔ)言處理的難點(diǎn)　3 1.4　自然語(yǔ)言處理的方法論　4 1.5　小結(jié)　5 第 一部分 基礎(chǔ) 第 2章　文本規(guī)范化　8 2.1　分詞　8 2.1.1　基于空格與標(biāo)點(diǎn)符號(hào)的分詞　8 2.1.2　基于正則表達(dá)式的分詞　9 2.1.3　詞間不含空格的語(yǔ)言的分詞　12 2.1.4　基于子詞的分詞　13 2.2　詞規(guī)范化　17 2.2.1　大小寫(xiě)折疊　17 2.2.2　詞目還原　18 2.2.3　詞干還原　19 2.3　分句　19 2.4　小結(jié)　20 第3章　文本表示　22 3.1　詞的表示　22 3.2　稀疏向量表示　24 3.3　稠密向量表示　25 3.3.1　word2vec　25 3.3.2　上下文相關(guān)詞嵌入　30 3.4　文檔表示　30 3.4.1　詞-文檔共現(xiàn)矩陣　31 3.4.2　TF-IDF加權(quán)　31 3.4.3　文檔的稠密向量表示　33 3.5　小結(jié)　33 第4章　文本分類(lèi)　35 4.1　基于規(guī)則的文本分類(lèi)　35 4.2　基于機(jī)器學(xué)習(xí)的文本分類(lèi)　36 4.2.1　樸素貝葉斯　36 4.2.2　邏輯斯諦回歸　42 4.3　分類(lèi)結(jié)果評(píng)價(jià)　45 4.4　小結(jié)　47 第5章　文本聚類(lèi)　49 5.1　k均值聚類(lèi)算法　49 5.2　基于高斯混合模型的最大期望值算法　53 5.2.1　高斯混合模型　53 5.2.2　最大期望值算法　53 5.3　無(wú)監(jiān)督樸素貝葉斯模型　57 5.4　主題模型　60 5.5　小結(jié)　61 第二部分 序列 第6章　語(yǔ)言模型　64 6.1　概述　64 6.2　n元語(yǔ)法模型　66 6.3　循環(huán)神經(jīng)網(wǎng)絡(luò)　67 6.3.1　循環(huán)神經(jīng)網(wǎng)絡(luò)　67 6.3.2　長(zhǎng)短期記憶　73 6.3.3　多層雙向循環(huán)神經(jīng)網(wǎng)絡(luò)　76 6.4　注意力機(jī)制　80 多頭注意力　83 6.5　Transformer模型　85 6.6　小結(jié)　91 第7章　序列到序列模型　93 7.1　基于神經(jīng)網(wǎng)絡(luò)的序列到序列模型　93 7.1.1　循環(huán)神經(jīng)網(wǎng)絡(luò)　94 7.1.2　注意力機(jī)制　96 7.1.3　Transformer　98 7.2　學(xué)習(xí)　101 7.3　解碼　106 7.3.1　貪心解碼　106 7.3.2　束搜索解碼　107 7.3.3　其他解碼問(wèn)題與解決技巧　110 7.4　指針網(wǎng)絡(luò)　111 7.5　序列到序列任務(wù)的延伸　112 7.6　小結(jié)　113 第8章　預(yù)訓(xùn)練語(yǔ)言模型　114 8.1　ELMo：基于語(yǔ)言模型的上下文相關(guān)詞嵌入　114 8.2　BERT：基于Transformer的雙向編碼器表示　115 8.2.1　掩碼語(yǔ)言模型　115 8.2.2　BERT模型　116 8.2.3　預(yù)訓(xùn)練　116 8.2.4　微調(diào)與提示　117 8.2.5　BERT代碼演示　117 8.2.6　BERT模型擴(kuò)展　121 8.3　GPT：基于Transformer的生成式預(yù)訓(xùn)練語(yǔ)言模型　122 8.3.1　GPT模型的歷史　122 8.3.2　GPT-2訓(xùn)練演示　123 8.3.3　GPT的使用　125 8.4　基于編碼器-解碼器的預(yù)訓(xùn)練語(yǔ)言模型　128 8.5　基于HuggingFace的預(yù)訓(xùn)練語(yǔ)言模型使用　129 8.5.1　文本分類(lèi)　129 8.5.2　文本生成　130 8.5.3　問(wèn)答　130 8.5.4　文本摘要　131 8.6　小結(jié)　131 第9章　序列標(biāo)注　133 9.1　序列標(biāo)注任務(wù)　133 9.1.1　詞性標(biāo)注　133 9.1.2　中文分詞　134 9.1.3　命名實(shí)體識(shí)別　134 9.1.4　語(yǔ)義角色標(biāo)注　135 9.2　隱馬爾可夫模型　135 9.2.1　模型　135 9.2.2　解碼　136 9.2.3　輸入序列的邊際概率　137 9.2.4　單個(gè)標(biāo)簽的邊際概率　138 9.2.5　監(jiān)督學(xué)習(xí)　139 9.2.6　無(wú)監(jiān)督學(xué)習(xí)　139 9.2.7　部分代碼實(shí)現(xiàn)　141 9.3　條件隨機(jī)場(chǎng)　146 9.3.1　模型　146 9.3.2　解碼　147 9.3.3　監(jiān)督學(xué)習(xí)　148 9.3.4　無(wú)監(jiān)督學(xué)習(xí)　149 9.3.5　部分代碼實(shí)現(xiàn)　149 9.4　神經(jīng)序列標(biāo)注模型　154 9.4.1　神經(jīng)softmax　154 9.4.2　神經(jīng)條件隨機(jī)場(chǎng)　154 9.4.3　代碼實(shí)現(xiàn)　155 9.5　小結(jié)　156 第三部分 結(jié)構(gòu) 第 10章　 成分句法分析　160 10.1　成分結(jié)構(gòu)　160 10.2　成分句法分析概述　161 10.2.1　歧義性與打分　161 10.2.2　解碼　162 10.2.3　學(xué)習(xí)　162 10.2.4　評(píng)價(jià)指標(biāo)　163 10.3　基于跨度的成分句法分析　163 10.3.1　打分　164 10.3.2　解碼　165 10.3.3　學(xué)習(xí)　170 10.4　基于轉(zhuǎn)移的成分句法分析　173 10.4.1　狀態(tài)與轉(zhuǎn)移　173 10.4.2　轉(zhuǎn)移的打分　174 10.4.3　解碼　175 10.4.4　學(xué)習(xí)　176 10.5　基于上下文無(wú)關(guān)文法的成分句法分析　177 10.5.1　上下文無(wú)關(guān)文法　177 10.5.2　解碼和學(xué)習(xí)　178 10.6　小結(jié)　179 第 11章　依存句法分析　181 11.1　依存結(jié)構(gòu)　181 11.1.1　投射性　182 11.1.2　與成分結(jié)構(gòu)的關(guān)系　182 11.2　依存句法分析概述　184 11.2.1　打分、解碼和學(xué)習(xí)　184 11.2.2　評(píng)價(jià)指標(biāo)　184 11.3　基于圖的依存句法分析　185 11.3.1　打分　185 11.3.2　解碼　186 11.3.3　Eisner算法　186 11.3.4　MST算法　191 11.3.5　高階方法　194 11.3.6　監(jiān)督學(xué)習(xí)　194 11.4　基于轉(zhuǎn)移的依存句法分析　195 11.4.1　狀態(tài)與轉(zhuǎn)移　196 11.4.2　打分、解碼與學(xué)習(xí)　196 11.5　小結(jié)　198 第 12章　語(yǔ)義分析　200 12.1　顯式和隱式的語(yǔ)義表示　200 12.2　詞義表示　201 12.2.1　WordNet　201 12.2.2　詞義消歧　203 12.3　語(yǔ)義表示　204 12.3.1　專(zhuān)用和通用的語(yǔ)義表示　204 12.3.2　一階邏輯　205 12.3.3　語(yǔ)義圖　205 12.4　語(yǔ)義分析　206 12.4.1　基于句法的語(yǔ)義分析　206 12.4.2　基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分析　207 12.4.3　弱監(jiān)督學(xué)習(xí)　209 12.5　語(yǔ)義角色標(biāo)注　209 12.5.1　語(yǔ)義角色標(biāo)注標(biāo)準(zhǔn)　209 12.5.2　語(yǔ)義角色標(biāo)注方法　211 12.6　信息提取　211 12.7　小結(jié)　212 第 13章　篇章分析　213 13.1　篇章　213 13.1.1　連貫性關(guān)系　213 13.1.2　篇章結(jié)構(gòu)　214 13.1.3　篇章分析　215 13.2　共指消解　215 13.2.1　提及檢測(cè)　216 13.2.2　提及聚類(lèi)　216 13.3　小結(jié)　220 總結(jié)與展望　221 參考文獻(xiàn)　223 中英文術(shù)語(yǔ)對(duì)照表　228 附　　錄　234