TensorFlow与自然语言处理应用

作品简介

自然语言处理（NLP）是计算机科学、人工智能、语言学关注计算机和人类（自然）语言之间的相互作用的领域。自然语言处理是机器学习的应用之一，用于分析、理解和生成自然语言，它与人机交互有关，最终实现人与计算机之间更好的交流。

本书分为12章，内容包括自然语言处理基础、深度学习基础、TensorFlow、词嵌入（Word Embedding）、卷积神经网络（CNN）与句子分类、循环神经网络（RNN）、长短期记忆（LSTM）、利用LSTM实现图像字幕自动生成、情感分析、机器翻译及智能问答系统。

本书适合TensorFlow自然语言处理技术的初学者、NLP应用开发人员、NLP研究人员，也适合高等院校和培训学校相关专业的师生教学参考。

李孟全，中国社会科学院研究生院硕士。十多年IT从业经历，先后从事过程序员、项目负责人、部门负责人等岗位。长期关注人工智能领域，在机器学习、深度学习和NLP领域有一定的积累。

作品目录

• 内容简介
• 前言
• 第1章　自然语言处理基础
• 1.1　认识自然语言处理
• 1.2　自然语言处理方面的任务
• 1.3　第一阶段：偏理论的理性主义
• 1.4　第二阶段：偏实践应用的经验主义
• 1.5　第三阶段：深度学习阶段
• 1.6　NLP中深度学习的局限性
• 1.7　NLP的应用场景
• 1.8　NLP的发展前景
• 1.9　总结
• 第2章　深度学习基础
• 2.1　深度学习介绍
• 2.2　深度学习演变简述
• 2.3　神经网络介绍
• 2.4　神经网络的基本结构
• 2.5　两层神经网络（多层感知器）
• 2.6　多层神经网络（深度学习）
• 2.7　编码器－解码器网络
• 2.8　随机梯度下降
• 2.9　反向传播
• 2.10　总结
• 第3章　TensorFlow
• 3.1　TensorFlow概念解读
• 3.2　TensorFlow主要特征
• 3.3　TensorFlow安装
• 3.4　TensorFlow计算图
• 3.5　TensorFlow张量和模型会话
• 3.6　TensorFlow工作原理
• 3.7　通过一个示例来认识TensorFlow
• 3.8　TensorFlow客户端
• 3.9　TensorFlow中常见元素解读
• 3.10　变量作用域机制
• 3.11　实现一个神经网络
• 3.12　总结
• 第4章　词嵌入
• 4.1　分布式表示
• 4.2　Word2vec模型（以Skip-Gram为例）
• 4.3　原始Skip-Gram模型和改进Skip-Gram模型对比分析
• 4.4　CBOW模型
• 4.5　Skip-Gram和CBOW对比
• 4.6　词嵌入算法的扩展
• 4.7　结构化Skip-Gram和连续窗口模型
• 4.8　GloVe模型
• 4.9　使用Word2Vec进行文档分类
• 4.10　总结
• 第5章　卷积神经网络与句子分类
• 5.1　认识卷积神经网络
• 5.2　输入层
• 5.3　卷积运算层
• 5.4　激活函数
• 5.5　池化层
• 5.6　全连接层
• 5.7　整合各层并使用反向传播进行训练
• 5.8　常见经典卷积神经网络
• 5.9　利用CNN对MNIST数据集进行图片分类
• 5.10　利用CNN进行句子分类
• 5.11　总结
• 第6章　循环神经网络
• 6.1　计算图及其展开
• 6.2　RNN解读
• 6.3　通过时间的反向传播算法
• 6.4　RNN的应用类型
• 6.5　利用RNN生成文本
• 6.6　输出新生成的文本片段
• 6.7　评估RNN的文本结果输出
• 6.8　困惑度——文本生成结果质量的度量
• 6.9　具有上下文特征的循环神经网络——RNN-CF
• 6.10　使用RNN-CF生成的文本
• 6.11　总结
• 第7章　长短期记忆
• 7.1　LSTM简述
• 7.2　LSTM工作原理详解
• 7.3　LSTM与标准RNN的区别
• 7.4　LSTM如何避免梯度消失和梯度爆炸问题
• 7.5　优化LSTM
• 7.6　LSTM的其他变体
• 7.7　总结
• 第8章　利用LSTM自动生成文本
• 8.1　文本到文本的生成
• 8.2　意义到文本的生成
• 8.3　数据到文本的生成
• 8.4　文本自动生成前的数据准备
• 8.5　实现LSTM
• 8.6　标准LSTM与带有窥视孔连接和GRU的LSTM的比较
• 8.7　优化LSTM——集束搜索
• 8.8　改进LSTM——使用词而不是n-gram生成文本
• 8.9　使用TensorFlow RNN API
• 8.10　总结
• 第9章　利用LSTM实现图像字幕自动生成
• 9.1　简要介绍
• 9.2　发展背景
• 9.3　利用深度学习框架从图像中生成字幕
• 9.4　评估指标和基准
• 9.5　近期研究
• 9.6　图像字幕的产业布局
• 9.7　详解图像字幕自动生成任务
• 9.8　总结
• 第10章　情感分析
• 10.1　认识情感分析
• 10.2　情感分析的问题
• 10.3　情感文档分类
• 10.4　句子主观性与情感分类
• 10.5　基于方面（Aspect）的情感分析
• 10.6　情感词典生成
• 10.7　意见摘要
• 10.8　比较观点分析
• 10.9　意见搜索
• 10.10　垃圾评论检测
• 10.11　评论的质量
• 10.12　利用TensorFlow进行中文情感分析实现
• 10.13　总结
• 第11章　机器翻译
• 11.1　机器翻译简介
• 11.2　基于规则的翻译
• 11.3　统计机器翻译
• 11.4　神经网络机器翻译
• 11.5　神经网络机器翻译（NMT）系统的前期准备工作
• 11.6　BLEU评分——评估机器翻译系统
• 11.7　完整实现神经网络机器翻译——德语到英语翻译
• 11.8　结合词向量训练神经网络机器翻译系统
• 11.9　优化神经网络机器翻译系统
• 11.10　实现注意力机制
• 11.11　可视化源语句和目标语句的注意力
• 11.12　历史性突破——BERT模型
• 11.13　总结
• 第12章　智能问答系统
• 12.1　概要
• 12.2　基于知识库的问答
• 12.3　机器理解中的深度学习
• 12.4　利用TensorFlow实现问答任务
• 12.5　总结