數(shù)據(jù)科學(xué)技術(shù)：文本分析和知識圖譜

定　價：￥129.00

作　者：	蘇海波、劉譯璟、易顯維、蘇萌
出版社：	清華大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥96.70)

ISBN：	9787302649700	出版時間：	2024-01-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　數(shù)據(jù)科學(xué)的關(guān)鍵技術(shù)包括數(shù)據(jù)存儲計算、數(shù)據(jù)治理、結(jié)構(gòu)化數(shù)據(jù)分析、語音分析、視覺分析、文本分析和知識圖譜等方面。本書的重點是詳細介紹文本分析和知識圖譜方面的技術(shù)。文本分析技術(shù)主要包括文本預(yù)訓(xùn)練模型、多語種文本分析、文本情感分析、文本機器翻譯、文本智能糾錯、NL2SQL問答以及ChatGPT大語言模型等。知識圖譜技術(shù)主要包括知識圖譜構(gòu)建和知識圖譜問答等。本書將理論介紹和實踐相結(jié)合，詳細闡述各個技術(shù)主題的實現(xiàn)路線，并對應(yīng)用于業(yè)界算法大賽中的技術(shù)方案和技巧進行源代碼解讀，幫助讀者深入理解技術(shù)原理。最后，本書還介紹了文本分析和知識圖譜技術(shù)在政務(wù)、公共安全、應(yīng)急等多個行業(yè)中的智能應(yīng)用實踐案例。《數(shù)據(jù)科學(xué)技術(shù)：文本分析和知識圖譜》適合具備Python和機器學(xué)習(xí)技術(shù)基礎(chǔ)的高等院校學(xué)生、文本分析（或者自然語言處理）以及知識圖譜領(lǐng)域的算法工程師和研究機構(gòu)的研究者閱讀，也適合數(shù)據(jù)科學(xué)和人工智能領(lǐng)域的研究者作為參考書。

作者簡介

　　蘇海波清華大學(xué)電子工程系博士，副研究員，在文本分析、知識圖譜、大模型等人工智能方向擁有超過十年的研發(fā)實踐經(jīng)驗。多篇SCI和EI論文發(fā)表于國外頂尖學(xué)術(shù)會議和期刊，獲得國家發(fā)明專利20余項，曾擔(dān)任科技部重點研發(fā)計劃子課題負責(zé)人。獲得2019年和2020年北京市科學(xué)技術(shù)進步獎，帶領(lǐng)團隊獲得多個業(yè)界知名算法技術(shù)評測的冠軍和亞軍。劉譯璟北京大學(xué)博士、正高級工程師，現(xiàn)任北京百分點科技集團股份有限公司CTO。在云計算、大數(shù)據(jù)、人工智能等領(lǐng)域擁有15年研究和工作經(jīng)驗。曾榮獲北京市科學(xué)技術(shù)獎等獎項，承擔(dān)國家科技部重點研發(fā)計劃項目2項，參與多個國家自然科學(xué)基金項目，多篇論文曾發(fā)表于國內(nèi)外學(xué)術(shù)刊物。易顯維中國地質(zhì)大學(xué)碩士，擁有12年AI算法研發(fā)崗相關(guān)研發(fā)管理經(jīng)驗。在數(shù)據(jù)挖掘、OCR、文本分析等方面擁有豐富的實踐經(jīng)驗，在眾多知名企事業(yè)單位舉辦的高水平機器學(xué)習(xí)算法競賽中累計獲獎20余次。蘇萌美國康奈爾大學(xué)博士，研究員，現(xiàn)任北京百分點科技集團股份有限公司董事長兼CEO、北京大學(xué)國家發(fā)展研究院實踐教授、北京大學(xué)光華管理學(xué)院實踐教授、北京市商會副會長、海淀區(qū)工商聯(lián)副主席、海淀區(qū)政協(xié)委員、國務(wù)院學(xué)位委員會全國應(yīng)用統(tǒng)計專業(yè) “大數(shù)據(jù)專家委員會" 委員等。曾執(zhí)教于北京大學(xué)光華管理學(xué)院，任副系主任、博士生導(dǎo)師。

圖書目錄

第1章什么是數(shù)據(jù)科學(xué) 1
1.1 數(shù)據(jù)科學(xué)的定義 1
1.1.1 數(shù)據(jù)科學(xué)的背景 1
1.1.2 數(shù)據(jù)科學(xué)的定義 1
1.2 數(shù)據(jù)科學(xué)的關(guān)鍵技術(shù) 3
1.2.1 數(shù)據(jù)存儲計算 5
1.2.2 數(shù)據(jù)治理 12
1.2.3 結(jié)構(gòu)化數(shù)據(jù)分析 28
1.2.4 語音分析 44
1.2.5 視覺分析 55
1.2.6 文本分析 61
1.2.7 知識圖譜 65
1.3 本章小結(jié) 65
1.4 習(xí)題 66
1.5 本章參考文獻 66
第2章文本預(yù)訓(xùn)練模型 68
2.1 文本分析技術(shù)的發(fā)展史 68
2.2 Transformer模型結(jié)構(gòu) 70
2.3 預(yù)訓(xùn)練模型的結(jié)構(gòu)和變種 75
2.4 加速處理器GPU和TPU 79
2.4.1 GPU的介紹 79
2.4.2 GPU產(chǎn)品命名 80
2.4.3 TPU和GPU的區(qū)別 83
2.4.4 TPU的使用總結(jié) 84
2.5 預(yù)訓(xùn)練模型的常見問題 87
2.5.1 模型輸入的常見問題 87
2.5.2 模型原理的常見問題 90
2.5.3 模型進化的常見問題 94
2.6 預(yù)訓(xùn)練模型的源碼解讀 96
2.6.1 模型架構(gòu) 96
2.6.2 BertModel 96
2.6.3 BERT預(yù)訓(xùn)練任務(wù) 107
2.6.4 BERT 微調(diào) 112
2.7 本章小結(jié) 114
2.8 習(xí)題 114
2.9 本章參考文獻 115
第3章多語種文本分析 116
3.1 多語種文本分析背景介紹 116
3.2 多語種文本分析技術(shù) 116
3.2.1 Polyglot技術(shù) 116
3.2.2 Multilingual BERT 117
3.2.3 XLM多語言模型 117
3.2.4 XLMR多語言模型 119
3.2.5 模型實驗效果 120
3.3 多語種文本分析源碼解讀 121
3.4 本章小結(jié) 125
3.5 習(xí)題 126
3.6 本章參考文獻 126
第4章文本情感分析 127
4.1 情感分析背景介紹 127
4.2 情感分析技術(shù) 127
4.2.1 目標(biāo)和挑戰(zhàn) 127
4.2.2 技術(shù)發(fā)展歷程 129
4.2.3 情感分析的需求分析 133
4.2.4 情感分析的落地實踐 134
4.2.5 模型開發(fā)平臺的構(gòu)建 137
4.3 情感分析比賽和方案 144
4.3.1 背景介紹 144
4.3.2 方案介紹 146
4.3.3 數(shù)據(jù)清洗和增廣 147
4.3.4 多模態(tài)融合 147
4.3.5 機器學(xué)習(xí)技巧 148
4.4 情感分析源碼解讀 151
4.4.1 F1值適應(yīng)優(yōu)化技巧代碼 151
4.4.2 對抗訓(xùn)練代碼 152
4.5 本章小結(jié) 154
4.6 習(xí)題 154
4.7 本章參考文獻 155
第5章文本機器翻譯 156
5.1 機器翻譯背景介紹 156
5.2 機器翻譯技術(shù) 157
5.2.1 基于規(guī)則的機器翻譯 157
5.2.2 統(tǒng)計機器翻譯 158
5.2.3 神經(jīng)網(wǎng)絡(luò)機器翻譯 159
5.2.4 Encoder-Decoder模型 161
5.2.5 注意力機制模型 162
5.2.6 工業(yè)級神經(jīng)網(wǎng)絡(luò)實踐 164
5.3 機器翻譯比賽和方案 167
5.3.1 WMT21翻譯任務(wù) 167
5.3.2 WMT22 翻譯任務(wù) 168
5.4 機器翻譯源碼解讀 169
5.4.1 通用框架介紹 169
5.4.2 翻譯模型實現(xiàn) 170
5.5 本章小結(jié) 180
5.6 習(xí)題 181
5.7 本章參考文獻 181
第6章文本智能糾錯 183
6.1 文本糾錯背景介紹 183
6.2 文本智能糾錯技術(shù) 184
6.2.1 智能糾錯的意義和難點 185
6.2.2 智能糾錯解決的問題 185
6.2.3 業(yè)界主流解決方案 186
6.2.4 技術(shù)方案實踐 190
6.3 文本智能糾錯技術(shù) 193
6.3.1 比賽介紹 193
6.3.2 校對問題思考 194
6.4 糾錯方案和源碼解讀 195
6.4.1 GECToR原理解讀 195
6.4.2 MacBERT原理解讀 199
6.4.3 PERT原理解讀 200
6.4.4 PLOME原理解讀 202
6.4.5 比賽方案 203
6.5 本章小結(jié) 204
6.6 習(xí)題 205
6.7 本章參考文獻 205
第7章知識圖譜構(gòu)建 206
7.1 知識圖譜背景介紹 206
7.1.1 知識和知識圖譜 206
7.1.2 知識獲取、知識抽取與信息抽取
的區(qū)別207
7.1.3 知識圖譜構(gòu)建范式 208
7.2 非結(jié)構(gòu)化信息抽取技術(shù) 211
7.2.1 信息抽取框架 211
7.2.2 命名實體識別 212
7.2.3 關(guān)系識別 213
7.2.4 事件抽取 215
7.3 生成式統(tǒng)一模型抽取技術(shù) 216
7.4 模型源碼解讀 220
7.5 本章小結(jié) 224
7.6 習(xí)題 224
7.7 本章參考文獻 225
第8章知識圖譜問答 226
8.1 背景介紹 226
8.2 知識圖譜問答技術(shù) 229
8.2.1 信息檢索方法 229
8.2.2 語義解析方法 231
8.3 方案和源碼解讀 233
8.3.1 NL2SPARQL 233
8.3.2 NL2SPARQL語義解析方案 234
8.3.3 T5、BART、UniLM模型簡介 234
8.3.4 T5、BART、UniLM方案 236
8.3.5 訓(xùn)練T5、BART、UniLM
生成模型 237
8.3.6 語義排序方案和代碼 239
8.3.7 SPARQL修正代碼 241
8.4 本章小結(jié) 245
8.5 習(xí)題 245
第9章結(jié)構(gòu)化知識NL2SQL問答 246
9.1 NL2SQL背景介紹 246
9.2 NL2SQL技術(shù) 249
9.2.1 NL2SQL技術(shù)路線 249
9.2.2 NL2SQL項目實踐 255
9.3 NL2SQL比賽和方案 256
9.4 NL2SQL源碼解讀 259
9.5 本章小結(jié) 269
9.6 習(xí)題 269
9.7 本章參考文獻 270
第10章 ChatGPT大語言模型 271
10.1 ChatGPT介紹 271
10.1.1 ChatGPT的定義和背景 271
10.1.2 ChatGPT的發(fā)展歷程 272
10.2 GPT模型概述 272
10.2.1 GPT-1模型的原理 272
10.2.2 GPT-2模型的原理 273
10.2.3 GPT-3模型的原理 275
10.3 ChatGPT的實現(xiàn)原理 277
10.3.1 大模型的微調(diào)技術(shù) 277
10.3.2 ChatGPT的能力來源 278
10.3.3 ChatGPT的預(yù)訓(xùn)練和微調(diào) 279
10.4 ChatGPT的應(yīng)用 282
10.4.1 ChatGPT提示工程 282
10.4.2 ChatGPT應(yīng)用場景 283
10.4.3 ChatGPT的優(yōu)缺點 284
10.5 開源大模型 285
10.5.1 ChatGLM大模型 285
10.5.2 LLaMA大模型 288
10.6 本章小結(jié) 294
10.7 習(xí)題 294
10.8 本章參考文獻 295
第11章行業(yè)實踐案例 296
11.1 智慧政務(wù)實踐案例 296
11.1.1 案例背景 296
11.1.2 解決方案 297
11.1.3 系統(tǒng)架構(gòu)和實現(xiàn) 299
11.1.4 案例總結(jié) 307
11.2 公共安全實踐案例 308
11.2.1 案例背景 308
11.2.2 解決方案 309
11.2.3 系統(tǒng)架構(gòu)及實現(xiàn) 311
11.2.4 案例總結(jié) 317
11.3 智能應(yīng)急實踐案例 318
11.3.1 案例背景 319
11.3.2 解決方案 320
11.3.3 系統(tǒng)架構(gòu)及實現(xiàn) 321
11.3.4 案例總結(jié) 332
11.4 本章小結(jié) 334
11.5 習(xí)題 334