書馨卡幫你省薪 2024個人購書報告 2024中圖網(wǎng)年度報告
歡迎光臨中圖網(wǎng) 請 | 注冊
> >
基于深度學習的自然語言處理

基于深度學習的自然語言處理

出版社：清華大學出版社出版時間：2020-06-01
開本： 其他 頁數(shù)： 384
中 圖 價:¥148.5(7.5折) 定價  ¥198.0 登錄后可看到會員價
加入購物車 收藏
運費6元，滿39元免運費
?新疆、西藏除外
本類五星書更多>

基于深度學習的自然語言處理 版權信息

  • ISBN：9787302551942
  • 條形碼：9787302551942 ; 978-7-302-55194-2
  • 裝幀：一般膠版紙
  • 冊數(shù)：暫無
  • 重量：暫無
  • 所屬分類：>

基于深度學習的自然語言處理 本書特色

近幾年來，深度學習已經(jīng)徹底改變人工智能的諸多領域，涉及語音、視覺、自然語言、機器人和游戲等。深度學習在自然語言處理領域的諸多應用方面大獲成功，這使其成為人工智能領域*重要的發(fā)展基準！　”緯榻B深度學習領域先進的技術以及深度學習在主要的自然語言處理任務中的成功應用，包括語音識別和理解、對話系統(tǒng)、語義分析、句法分析、知識圖譜、機器翻譯、問答、情感分析、社會計算和基于圖像的自然語言生成。本書對深度學習時代自然語言處理領域的不同研究前沿進行了概括與分析，還列舉了深度學習與自然語言處理領域中交叉的技術性術語以及常用的首字母縮略詞！　”緯嫦蛏疃葘W習與自然語言處理領域高年級的本科生、研究生、博士后研究員、講師、行業(yè)的研究員以及任何對此領域感興趣的人。

基于深度學習的自然語言處理 內容簡介

近幾年來，深度學習已經(jīng)有效改變人工智能的諸多領域，涉及語音、視覺、自然語言、機器人和游戲等。深度學習在自然語言處理領域的諸多應用方面大獲成功，這使其成為人工智能領域很重要的發(fā)展基準。     《基于深度學習的自然語言處理》介紹深度學習領域優(yōu)選進的技術以及深度學習在主要的自然語言處理任務中的成功應用，包括語音識別和理解、對話系統(tǒng)、語義分析、句法分析、知識圖譜、機器翻譯、問答、情感分析、社會計算和基于圖像的自然語言生成。本書對深度學習時代自然語言處理領域的不同研究前沿進行了概括與分析，還列舉了深度學習與自然語言處理領域中交叉的技術性術語以及常用的首字母縮略詞。     《基于深度學習的自然語言處理》面向深度學習與自然語言處理領域高年級的本科生、研究生、博士后研究員、講師、行業(yè)的研究員以及任何對此領域感興趣的人。

基于深度學習的自然語言處理 目錄

第1章自然語言處理與深度學習概述1

1.1自然語言處理的概況1

1.2**大浪潮：理性主義2

1.3第二大浪潮：經(jīng)驗主義4

1.4第三大浪潮：深度學習7

1.5從現(xiàn)在到未來的轉變11

1.5.1從經(jīng)驗主義到深度學習的變革11

1.5.2當前深度學習技術的限制12

1.6自然語言處理未來的發(fā)展方向13

1.6.1神經(jīng)符號集成(NeuralSymbolic Integration)13

1.6.2結構、記憶和知識15

1.6.3無監(jiān)督和生成式深度學習15

1.6.4多模式和多任務深度學習16

1.6.5元學習17

1.7結論18第2章基于深度學習的對話語言理解20

2.1引言20

2.2歷史性視角22

2.3主要的語言理解任務24

2.3.1域檢測和意圖識別24

2.3.2填槽24

2.4提升技術水平：從統(tǒng)計建模到深度學習25

2.4.1域檢測和意圖識別25

2.4.2填槽28

2.4.3聯(lián)合多任務多域模型35

2.4.4上下文理解37

2.5結論40第3章基于深度學習的語音與文本對話系統(tǒng)43

3.1引言43

3.2系統(tǒng)組件的學習方法46

3.2.1判別性方法47

3.2.2生成性方法48

3.2.3決策性方法49

3.3目標導向型神經(jīng)對話系統(tǒng)49

3.3.1神經(jīng)語言理解49

3.3.2對話狀態(tài)追蹤器50

3.3.3深度對話管理器51

3.4基于模型的用戶模擬器53

3.5自然語言生成54

3.6基于端到端深度學習構建對話系統(tǒng)57

3.7面向開放式對話系統(tǒng)的深度學習59

3.8對話建模的數(shù)據(jù)集60

3.8.1卡內基·梅隆傳播語料庫60

3.8.2ATIS：航空旅行信息系統(tǒng)飛行員語料庫60

3.8.3對話狀態(tài)追蹤挑戰(zhàn)數(shù)據(jù)集60

3.8.4Maluuba框架數(shù)據(jù)集61

3.8.5Facebook對話數(shù)據(jù)集62

3.8.6Ubuntu對話語料庫63

3.9開源對話軟件63

3.10對話系統(tǒng)評估65

3.11結論67第4章基于深度學習的詞法分析和句法分析68

4.1引言68

4.2典型的詞法分析和句法分析任務69

4.2.1分詞69

4.2.2詞性標注70

4.2.3句法分析70

4.2.4結構化預測問題72

4.3結構化預測74

目錄4.3.1基于圖的方法75

4.3.2基于轉移的方法77

4.4基于神經(jīng)圖的方法82

4.4.1神經(jīng)條件隨機場82

4.4.2基于圖的神經(jīng)依存句法分析84

4.5基于神經(jīng)轉移的方法86

4.5.1貪婪移位減少依存句法分析86

4.5.2貪婪序列標注90

4.5.3全局優(yōu)化模型94

4.6結論101第5章基于深度學習的知識圖譜102

5.1引言102

5.1.1基本概念103

5.1.2典型的知識圖譜103

5.2知識表征學習107

5.3神經(jīng)關系抽取109

5.3.1語句級NRE109

5.3.2文檔級NRE115

5.4知識與文本的橋梁:實體連接116

5.4.1實體連接框架117

5.4.2用于實體連接的深度學習120

5.5結論127第6章基于深度學習的機器翻譯129

6.1引言129

6.2統(tǒng)計機器翻譯及其面對的挑戰(zhàn)130

6.2.1基本原理130

6.2.2統(tǒng)計機器翻譯所面對的挑戰(zhàn)133

6.3基于組件深度學習的機器翻譯134

6.3.1用于詞對齊的深度學習與基于深度學習的詞對齊134

6.3.2用于翻譯規(guī)則概率估計的深度學習137

6.3.3用于短語調序的深度學習140

6.3.4用于語言建模的深度學習142

6.3.5用于特征組合的深度學習143

6.4基于端到端深度學習的機器翻譯146

6.4.1編碼器解碼器框架146

6.4.2機器翻譯的神經(jīng)注意力148

6.4.3處理大詞匯量的技術挑戰(zhàn)150

6.4.4使用端到端訓練直接優(yōu)化評估指標152

6.4.5結合先驗知識153

6.4.6低資源語言翻譯156

6.4.7神經(jīng)機器翻譯中的網(wǎng)絡結構158

6.4.8SMT和NMT的結合159

6.5結論161第7章基于深度學習的問答系統(tǒng)163

7.1引言163

7.2基于深度學習的KBQA164

7.2.1信息提取范式165

7.2.2語義分析范式169

7.2.3對比信息提取范式與語義分析范式174

7.2.4數(shù)據(jù)集174

7.2.5挑戰(zhàn)176

7.3基于深度學習的機器閱讀理解177

7.3.1任務描述177

7.3.2基于特征工程的方法182

7.3.3基于深度學習的方法186

7.4結論191第8章基于深度學習的情感分析194

8.1引言194

8.2特殊情感詞嵌入196

8.3語句級情感分類201

8.3.1卷積神經(jīng)網(wǎng)絡202

8.3.2循環(huán)神經(jīng)網(wǎng)絡204

8.3.3遞歸神經(jīng)網(wǎng)絡207

8.3.4整合外部資源209

8.4文檔級情感分類210

8.5細粒度情感分析213

8.5.1意見挖掘214

8.5.2針對特定目標的情感分析215

8.5.3方面級情感分析218

8.5.4立場檢測221

8.5.5諷刺識別222

8.6結論223第9章基于深度學習的社會計算224

9.1引言224

9.2基于深度學習對用戶生成內容進行建模228

9.2.1傳統(tǒng)的語義表征方法229

9.2.2基于淺層嵌入技術的語義表征229

9.2.3基于深度神經(jīng)網(wǎng)絡的語義表征232

9.2.4運用注意力機制增強語義表征236

9.3基于深度學習建立社會聯(lián)系模型237

9.3.1社交媒體中的社交聯(lián)系237

9.3.2建模社會關系的網(wǎng)絡表征學習方法238

9.3.3基于淺層嵌入的模型239

9.3.4基于深度神經(jīng)網(wǎng)絡的模型243

9.3.5網(wǎng)絡嵌入的應用244

9.4基于深度學習的推薦系統(tǒng)245

9.4.1社交媒體中的推薦系統(tǒng)245

9.4.2傳統(tǒng)推薦算法246

9.4.3基于淺層嵌入的模型246

9.4.4基于深度神經(jīng)網(wǎng)絡的模型248

9.5結論254第10章基于深度學習的圖像描述255

10.1引言255

10.2背景介紹256

10.3圖像描述的深度學習框架257

10.3.1端到端框架257

10.3.2組合框架260

10.3.3其他框架262

10.4評估指標和基準263

10.5圖像描述的工業(yè)部署264

10.6示例：圖像中的自然語言描述265

10.7從圖像生成文體自然語言的研究進展268

10.8結論270第11章后記：深度學習時代下自然語言處理的前沿研究271

11.1引言271

11.2兩個新視角272

11.2.1以任務為中心的視角273

11.2.2以表征為中心的視角274

11.3基于深度學習的NLP的*新研究進展與熱點276

11.3.1組合性泛化276

11.3.2NLP中的無監(jiān)督學習277

11.3.3NLP中的強化學習278

11.3.4NLP中的元學習280

11.3.5弱可解釋性與強可解釋性282

11.4結論284附錄參考答案288術語表360


展開全部

基于深度學習的自然語言處理 作者簡介

鄧力博士，2019年當選加拿大國家工程學院和美國華盛頓州科學院院士，目前擔任Citadel首席人工智能官。2000—2017年，鄧博士在微軟曾擔任AI首席科學家、深度學習技術中心(Deep Learning Technology Center)創(chuàng)始人、微軟合伙人研究經(jīng)理。1989—1999年，鄧博士在加拿大滑鐵盧大學曾擔任助理教授、終身副教授和正教授，還曾在麻省理工學院(1992—1993年)、ATR(1997—1998年，日本京都)和香港科技大學(1995年，香港)擔任教學/研究職位。鄧博士是IEEE(2004)、美國聲學學會(1993)和ISCA(2011)的研究員。自2000年以來，鄧博士一直是西雅圖華盛頓大學的兼職教授！　⒀蟛┦，清華大學計算機科學與技術系長聘教授、人工智能研究所所長，國家杰出青年基金獲得者。研究方向是自然語言處理，在自然語言處理和人工智能領域重要國際刊物和國際會議上發(fā)表80余篇論文，獲得ACL 2017杰出論文獎和ACL 2006優(yōu)秀亞洲自然語言處理論文獎。獲得國家科技進步二等獎、中國電子學會科技進步一等獎、中國中文信息學會錢偉長青年創(chuàng)新一等獎、北京市科學技術獎二等獎等多項科技獎勵。擔任或曾擔任國際計算語言學學會亞太分會執(zhí)委兼秘書長、Computational Linguistics編委、ACM TALLIP副編輯、中國中文信息學會青年工作委員會主任。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服