主编推荐语
资深算法工程师多年NLP算法与模型研究经验总结。
内容简介
本书结合多个真实的落地项目，从自然语言处理（NLP）的任务视角，分门别类地介绍现阶段各NLP任务中深度学习的应用。以任务视角是指以一个个场景项目为视角，这样做可以获得更多的实战经验。本书的每一章都有核心模型的先验链条，这对理解和掌握NLP模型非常有帮助。
本书分为9章，对应9种NLP任务。
第1章介绍分词和词性标注任务。第2章介绍文本分类任务，如情感分析、文章分类与打标签等都是常见的文本分类任务。第3章介绍命名实体识别任务，如提取内容中的姓名和公司名称等，在知识图谱、内容结构化和智能对话等场景中也是该任务的具体应用。
第4章介绍神经机器翻译任务，它是NLP最先商用的独立任务场景。第5章介绍文本纠错任务，它是应用非常广泛的一类NLP任务，因为凡是涉及用户输入的场景或多或少都需要用到纠错任务，否则用户体验就会很差。第6章介绍机器阅读理解任务，该任务偏学术，在实践中往往属于某个大任务下的子任务。
第7章介绍句法分析任务，它是NLP中非常传统的任务。第8章介绍文本摘要任务，该类任务在新闻类业务场景中使用较多。第9章介绍信息检索和问答系统任务，凡是类似于搜索和输入这类需要等待回复的场景都可以归为该任务。
目录
- 版权信息
- 内容简介
- 作者简介
- 前言
- 第1章 分词和词性标注
- 1.1 为什么要学习分词
- 1.2 分词的传统算法
- 1.3 深度学习在分词中的应用
- 1.4 为什么要学习已经过时的模型
- 1.5 BERT之后的中文分词还有必要用吗
- 1.6 如何做词性标注
- 1.7 大模型时代的分词和词性标注
- 1.8 小结
- 第2章 文本分类
- 2.1 文本分类的应用
- 2.2 文本分类的词向量方法
- 2.3 文本分类的深度学习方法
- 2.4 分类任务数据集
- 2.5 大模型时代的文本分类
- 2.6 小结
- 第3章 命名实体识别
- 3.1 什么是NER
- 3.2 传统的NER方法
- 3.3 深度学习在NER中的应用
- 3.4 大模型时代的命名实体识别
- 3.5 小结
- 第4章 神经机器翻译
- 4.1 神经机器翻译的发展
- 4.2 评估指标
- 4.3 神经机器翻译概述
- 4.4 注意力机制
- 4.5 NMT经典模型——Transformer
- 4.6 NMT前沿研究
- 4.7 大模型时代的神经机器翻译
- 4.8 小结
- 第5章 文本纠错
- 5.1 纠错概述
- 5.2 英文纠错
- 5.3 拼音纠错
- 5.4 中文纠错
- 5.5 中文纠错实践
- 5.6 基于NMT的纠错简介
- 5.7 大模型时代的文本纠错
- 5.8 小结
- 第6章 机器阅读理解
- 6.1 MRC综述
- 6.2 MRC数据集
- 6.3 常见的MRC模型
- 6.4 大模型时代的机器阅读理解
- 6.5 小结
- 第7章 句法分析
- 7.1 句法分析概述
- 7.2 短语句法分析
- 7.3 依存句法分析
- 7.4 依存句法分析方法
- 7.5 深度学习与句法分析的结合
- 7.6 依存句法分析在评论分析中的一种应用
- 7.7 深度学习模型在NLP中何时需要树形结构
- 7.8 大模型时代的句法分析
- 7.9 小结
- 第8章 文本摘要
- 8.1 文本摘要概述
- 8.2 传统的摘要方法
- 8.3 抽取式模型
- 8.4 生成式模型
- 8.5 大模型时代的文本摘要
- 8.6 小结
- 第9章 信息检索和问答系统
- 9.1 传统的检索方法
- 9.2 QA概述
- 9.3 用神经网络计算问题与答案的相关性
- 9.4 表征式模型
- 9.5 交互式模型
- 9.6 混合式
- 9.7 大模型时代的信息检索和问答系统
- 9.8 小结
评分及书评
出版方
清华大学出版社
清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。
