駕馭文本：文本的發(fā)現(xiàn) 組織和處理

第1章　開始駕馭文本 1
11　駕馭文本重要的原因 2
12　預(yù)覽：一個基于事實的問答系統(tǒng) 4
121　嗨，弗蘭肯斯坦醫(yī)生 5
13　理解文本很困難 8
14　駕馭的文本 11
15　文本及智能應(yīng)用：搜索及其他 13
151　搜索和匹配 13
152　抽取信息 14
153　對信息分組 15
154　一個智能應(yīng)用 15
16　小結(jié) 15
17　相關(guān)資源 16
第2章　駕馭文本的基礎(chǔ) 17
21　語言基礎(chǔ)知識 18
211　詞語及其類別 19
212　短語及子句 20
213　詞法 21
22　文本處理常見工具 23
221　字符串處理工具 23
222　詞條及切詞 23
223　詞性標注 25
224　詞干還原 27
225　句子檢測 29
226　句法分析和文法 31
227　序列建模 33
23　從常見格式文件中抽取內(nèi)容并做預(yù)處理 34
231　預(yù)處理的重要性 35
232　利用Apache Tika抽取內(nèi)容 37
24　小結(jié) 39
25　相關(guān)資源 40
第3章　搜索 41
31　搜索和多面示例：Amazoncom 42
32　搜索概念入門 44
321　索引內(nèi)容 45
322　用戶輸入 47
323　利用向量空間模型對文檔排名 51
324　結(jié)果展示 54
33　Apache Solr搜索服務(wù)器介紹 57
331　首次運行Solr 58
332　理解Solr中的概念 59
34　利用Apache Solr對內(nèi)容構(gòu)建索引 63
341　使用XML構(gòu)建索引 64
342　利用Solr和Apache Tika對內(nèi)容進行抽取和索引 66
35　利用Apache Solr來搜索內(nèi)容 69
351　Solr查詢輸入?yún)?shù) 71
352　抽取內(nèi)容的多面展示 74
36　理解搜索性能因素 77
361　數(shù)量判定 77
362　判斷數(shù)量 81
37　提高搜索性能 82
371　硬件改進 82
372　分析的改進 83
373　提高查詢性能 85
374　其他評分模型 88
375　提升Solr性能的技術(shù) 89
38　其他搜索工具 91
39　小結(jié) 93
310　相關(guān)資源 93
第4章　模糊字符串匹配 94
41　模糊字符串匹配方法 96
411　字符重合度度量方法 96
412　編輯距離 99
413　n元組編輯距離 102
42　尋找模糊匹配串 105
421　在Solr中使用前綴來匹配 105
422　利用trie樹進行前綴匹配 106
423　使用n元組進行匹配 111
43　構(gòu)建模糊串匹配應(yīng)用 112
431　在搜索中加入提前輸入功能 113
432　搜索中的查詢拼寫校正 117
433　記錄匹配 122
44　小結(jié) 127
45　相關(guān)資源 128
第5章　命名實體識別 129
51　命名實體的識別方法 131
511　基于規(guī)則的實體識別 131
512　基于統(tǒng)計分類器的實體識別 132
52　基于OpenNLP的基本實體識別 133
521　利用OpenNLP尋找人名 134
522　OpenNLP識別的實體解讀 136
523　基于概率過濾實體 137
53　利用OpenNLP進行深度命名實體識別 137
531　利用OpenNLP識別多種實體類型 138
532　OpenNLP識別實體的背后機理 141
54　OpenNLP的性能 143
541　結(jié)果的質(zhì)量 144
542　運行性能 145
543　OpenNLP的內(nèi)存使用 146
55　對新領(lǐng)域定制OpenNLP實體識別 147
551　訓(xùn)練模型的原因和方法 147
552　訓(xùn)練OpenNLP模型 148
553　改變建模輸入 150
554　對實體建模的新方法 152
56　小結(jié) 154
57　進一步閱讀材料 155
第6章　文本聚類 156
61　Google News中的文檔聚類 157
62　聚類基礎(chǔ) 158
621　三種聚類的文本類型 158
622　選擇聚類算法 160
623　確定相似度 161
624　給聚類結(jié)果打標簽 162
625　聚類結(jié)果的評估 163
63　搭建一個簡單的聚類應(yīng)用 165
64　利用Carrot2對搜索結(jié)果聚類 166
641　使用Carrot2API 166
642　使用Carrot2對Solr的搜索結(jié)果聚類 168
65　利用Apache Mahout對文檔集聚類 171
651　對聚類的數(shù)據(jù)進行預(yù)處理 172
652　K-means聚類 175
66　利用Apache Mahout進行主題建模 180
67　考察聚類性能 183
671　特征選擇與特征約簡 183
672　Carrot2的性能和質(zhì)量 186
673　Mahout基準聚類算法 187
68　致謝 192
69　小結(jié) 192
610　參考文獻 193
第7章　分類及標注 195
71　分類及歸類概述 197
72　分類過程 200
721　選擇分類機制 201
722　識別文本分類中的特征 202
723　訓(xùn)練數(shù)據(jù)的重要性 203
724　評估分類器性能 206
725　將分類器部署到生產(chǎn)環(huán)境 208
73　利用Apache Lucene構(gòu)建文檔分類器 209
731　利用Lucene對文本進行分類 210
732　為MoreLikeThis分類器準備訓(xùn)練數(shù)據(jù) 212
733　訓(xùn)練MoreLikeThis分類器 214
734　利用MoreLikeThis分類器對文檔進行分類 217
735　測試MoreLikeThis分類器 220
736　將MoreLikeThis投入生產(chǎn)環(huán)境 223
74　利用Apache Mahout訓(xùn)練樸素貝葉斯分類器 223
741　利用樸素貝葉斯算法進行文本分類 224
742　準備訓(xùn)練數(shù)據(jù) 225
743　留存測試數(shù)據(jù) 229
744　訓(xùn)練分類器 229
745　測試分類器 231
746　改進自舉過程 232
747　將Mahout貝葉斯分類器集成到Solr 234
75　利用OpenNLP進行文檔分類 238
751　回歸模型及最大熵文檔分類 239
752　為最大熵文檔分類器準備訓(xùn)練數(shù)據(jù) 241
753　訓(xùn)練最大熵文檔分類器 242
754　測試最大熵文檔分類器 248
755　生產(chǎn)環(huán)境下的最大熵文檔分類器 249
76　利用Apache Solr構(gòu)建標簽推薦系統(tǒng) 250
761　為標簽推薦收集訓(xùn)練數(shù)據(jù) 253
762　準備訓(xùn)練數(shù)據(jù) 255
763　訓(xùn)練Solr標簽推薦系統(tǒng) 256
764　構(gòu)建推薦標簽 258
765　對標簽推薦系統(tǒng)進行評估 261
77　小結(jié) 263
78　參考文獻 265
第8章　構(gòu)建示例問答系統(tǒng) 266
81　問答系統(tǒng)基礎(chǔ)知識 268
82　安裝并運行QA代碼 270
83　一個示例問答系統(tǒng)的架構(gòu) 271
84　理解問題并產(chǎn)生答案 274
841　訓(xùn)練答案類型分類器 275
842　對查詢進行組塊分析 279
843　計算答案類型 280
844　生成查詢 283
845　對候選段落排序 285
85　改進系統(tǒng)的步驟 287
86　本章小結(jié) 287
87　相關(guān)資源 288
第9章　未駕馭的文本：探索未來前沿 289
91　語義、篇章和語用：探索高級NLP 290
911　語義 291
912　篇章 292
913　語用 294
92　文檔及文檔集自動摘要 295
93　關(guān)系抽取 298
931　關(guān)系抽取方法綜述 299
932　評估 302
933　關(guān)系抽取工具 303
94　識別重要內(nèi)容和人物 303
941　全局重要性及權(quán)威度 304
942　個人重要性 305
943　與重要性相關(guān)的資源及位置 306
95　通過情感分析來探測情感 306
951　歷史及綜述 307
952　工具及數(shù)據(jù)需求 308
953　一個基本的極性算法 309
954　高級話題 311
955　用于情感分析的開源庫 312
96　跨語言檢索 313
97　本章小結(jié) 315
98　相關(guān)資源 315