自然語言處理與計(jì)算語言學(xué)

定　價(jià)：￥59.00

作　者：	格夫·斯里尼瓦薩-德西坎（Bhargav Srinivasa-Desikan）著，何煒譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

ISBN：	9787115540249	出版時(shí)間：	2020-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	217	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　自然語言處理是一門融語言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)，研究人與計(jì)算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法。計(jì)算語言學(xué)是指通過建立形式化的數(shù)學(xué)模型來分析、處理自然語言，并在計(jì)算機(jī)上用程序來實(shí)現(xiàn)分析和處理的過程，旨在以機(jī)器來模擬人的部分或全部語言能力的目的?！蹲匀徽Z言處理與計(jì)算語言學(xué)》作為一本借助于Python編程語言以及各種開源工具（如Gensim、spaCy等）來執(zhí)行文本分析、自然語言處理和計(jì)算語言學(xué)算法的圖書，從應(yīng)用層面介紹了相關(guān)的理論知識(shí)和所涉及的技術(shù)?！蹲匀徽Z言處理與計(jì)算語言學(xué)》共分為15章，其內(nèi)容涵蓋了文本分析的定義、使用Python進(jìn)行文本分析的技巧、spaCy語言模型、Gensim工具、詞性標(biāo)注及其應(yīng)用、NER標(biāo)注及其應(yīng)用、依存分析、主題模型、高級(jí)主題建模、文本聚類和文本分類、查詢?cè)~相似度計(jì)算和文本摘要、詞嵌入、使用深度學(xué)習(xí)處理文本、使用Keras和spaCy進(jìn)行深度學(xué)習(xí)、情感分析與聊天機(jī)器人的原理介紹等。《自然語言處理與計(jì)算語言學(xué)》適合對(duì)自然語言處理的實(shí)現(xiàn)細(xì)節(jié)感興趣的Python程序開發(fā)人員閱讀。如果讀者具備統(tǒng)計(jì)學(xué)的基本知識(shí)，對(duì)學(xué)習(xí)本書內(nèi)容會(huì)大有裨益。

作者簡(jiǎn)介

　　Bhargav Srinivasa-Desikan 是就職于法國(guó)INRIA公司（位于里爾）的一名研究人員。作為MODAL（數(shù)據(jù)分析與機(jī)器建模）小組的一員，致力于度量學(xué)習(xí)、預(yù)測(cè)聚合和數(shù)據(jù)可視化等研究領(lǐng)域。同時(shí)，他也是Python開源社區(qū)的一名活躍貢獻(xiàn)者，在2016年度Google的夏季編程賽上，他通過Gensim實(shí)現(xiàn)了動(dòng)態(tài)主題模型。Bhargav是歐洲和亞洲PyCons和PyDatas的常客，并使用Python進(jìn)行文本分析教學(xué)。他也是Python機(jī)器學(xué)習(xí)軟件包pycobra的維護(hù)者，還在Machine Learning Research雜志上發(fā)表過相關(guān)文章。

圖書目錄

第 1章　什么是文本分析\t1
1．1　什么是文本分析　1
1．2　搜集數(shù)據(jù)　5
1．3　若輸入錯(cuò)誤數(shù)據(jù)，則輸出亦為錯(cuò)誤數(shù)據(jù)（garbage in，garbage out）　8
1．4　為什么你需要文本分析　9
1．5　總結(jié)　11
第　2章 Python文本分析技巧　12
2．1　為什么用Python來做文本分析　12
2．2　用Python進(jìn)行文本操作　14
2．3　總結(jié)　18
第3章　spaCy語言模型　19
3．1　spaCy庫　19
3．2　spaCy的安裝步驟　21
3．3　故障排除　22
3．4　語言模型　22
3．5　安裝語言模型　23
3．6　安裝語言模型的方式及原因　25
3．7　語言模型的基本預(yù)處理操作　25
3．8　分詞　26
3．9　詞性標(biāo)注　28
3．10　命名實(shí)體識(shí)別　29
3．11　規(guī)則匹配　30
3．12　預(yù)處理　31
3．13　總結(jié)　33
第4章　Gensim：文本向量化、向量變換和n-grams的工具　34
4．1　Gensim庫介紹　34
4．2　向量以及為什么需要向量化　35
4．3　詞袋（bag-of-words）　36
4．4　TF-IDF（詞頻-反向文檔頻率）　37
4．5　其他表示方式　38
4．6　Gensim中的向量變換　38
4．7　n-grams及其預(yù)處理技術(shù)　42
4．8　總結(jié)　44
第5章　詞性標(biāo)注及其應(yīng)用　45
5．1　什么是詞性標(biāo)注　45
5．2　使用Python實(shí)現(xiàn)詞性標(biāo)注　49
5．3　使用spaCy進(jìn)行詞性標(biāo)注　50
5．4　從頭開始訓(xùn)練一個(gè)詞性標(biāo)注模型　53
5．5　詞性標(biāo)注的代碼示例　57
5．6　總結(jié)　59
第6章　NER標(biāo)注及其應(yīng)用　60
6．1　什么是NER標(biāo)注　60
6．2　用Python實(shí)現(xiàn)NER標(biāo)注　64
6．3　使用spaCy實(shí)現(xiàn)NER標(biāo)注　67
6．4　從頭開始訓(xùn)練一個(gè)NER標(biāo)注器　72
6．5　NER標(biāo)注應(yīng)用實(shí)例和可視化　77
6．6　總結(jié)　79
第7章　依存分析　80
7．1　依存分析　80
7．2　用Python實(shí)現(xiàn)依存分析　85
7．3　用spaCy實(shí)現(xiàn)依存分析　87
7．4　從頭開始訓(xùn)練一個(gè)依存分析器　91
7．5　總結(jié)　98
第8章　主題模型　99
8．1　什么是主題模型　99
8．2　使用Gensim構(gòu)建主題模型　101
8．3　隱狄利克雷分配（Latent Dirichlet Allocation）　102
8．4　潛在語義索引（Latent Semantic Indexing）　104
8．5　分層狄利特雷過程（Hierarchical Dirichlet Process）　105
8．6　動(dòng)態(tài)主題模型　108
8．7　使用scikit-learn構(gòu)建主題模型　109
8．8　總結(jié)　112
第9章　高級(jí)主題建?！?13
9．1　高級(jí)訓(xùn)練技巧　113
9．2　探索文檔　117
9．3　主題一致性和主題模型的評(píng)估　121
9．4　主題模型的可視化　123
9．5　總結(jié)　127
第　10章文本聚類和文本分類　128
10．1　文本聚類　128
10．2　聚類前的準(zhǔn)備工作　129
10．3　K-means　132
10．4　層次聚類　134
10．5　文本分類　136
10．6　總結(jié)　138
第　11章查詢?cè)~相似度計(jì)算和文本摘要　139
11．1　文本距離的度量　139
11．2　查詢?cè)~相似度計(jì)算　145
11．3　文本摘要　147
11．4　總結(jié)　153
第　12章 Word2Vec、Doc2Vec和Gensim　154
12．1　Word2Vec　154
12．2　用Gensim實(shí)現(xiàn)Word2Vec　155
12．3　Doc2Vec　160
12．4　其他詞嵌入技術(shù)　166
12．5　總結(jié)　172
第　13章使用深度學(xué)習(xí)處理文本　173
13．1　深度學(xué)習(xí)　173
13．2　深度學(xué)習(xí)在文本上的應(yīng)用　174
13．3　文本生成　177
13．4　總結(jié)　182
第　14章使用Keras和spaCy進(jìn)行深度學(xué)習(xí)　183
14．1　Keras和spaCy　183
14．2　使用Keras進(jìn)行文本分類　185
14．3　使用spaCy進(jìn)行文本分類　191
14．4　總結(jié)　201
第　15章情感分析與聊天機(jī)器人　202
15．1　情感分析　202
15．2　基于Reddit的新聞數(shù)據(jù)挖掘　205
15．3　基于Twitter的微博數(shù)據(jù)挖掘　207
15．4　聊天機(jī)器人　209
15．5　總結(jié)　217