統(tǒng)計語言模型內(nèi)在機制及應用

第1章 統(tǒng)計語言模型概述
1．1 自然語言處理的基本方法
1．1．1 理性主義和經(jīng)驗主義交互發(fā)展歷程
1．1．2 理性主義和經(jīng)驗主義的比較
1．2 統(tǒng)計語言模型相關概念及研究進展
1．2．1 語料庫和語料庫語言學
1．2．2 統(tǒng)計語言模型相關概念
1．2．3 統(tǒng)計語言模型研究進展
1．3 常見的統(tǒng)計語言模型
1．3．1 N元語法模型
1．3．2 樸素貝葉斯分類器
1．3．3 隱馬爾可夫模型
1．3．4 最大熵模型
1．3．5 條件隨機場
1．3．6 神經(jīng)網(wǎng)絡語言模型及深度學習
1．4 探討統(tǒng)計語言模型內(nèi)在機制的關鍵
1．4．1 探討統(tǒng)計語言模型內(nèi)在機制的關鍵
1．4．2 應用統(tǒng)計語言模型的關鍵
1．5 本書組織結(jié)構(gòu)
1．6 小結(jié)
參考文獻
第2章 統(tǒng)計語言模型基礎知識
2．1 概率論基礎
2．1．1 基本概念
2．1．2 條件概率與獨立
2．1．3 全概率公式與貝葉斯公式
2．1．4 隨機變量
2．1．5 數(shù)學期望與方差
2．1．6 常見概率分布
2．1．7 最大似然估計
2．2 圖論基礎
2．2．1 基本概念
2．2．2 子圖與圖的運算
2．2．3 圖的表示
2．2．4 通路、回路和連通性
2．3 數(shù)據(jù)稀疏與數(shù)據(jù)平滑
2． 3．1 數(shù)據(jù)稀疏
2．3．2 數(shù)據(jù)平滑
2．4 小結(jié)
參考文獻
第3章 樸素貝葉斯分類器及其應用
3．1 樸素貝葉斯分類的機制
3．1．1 貝葉斯定理
3．1．2 樸素貝葉斯分類的機制
3．2 樸素貝葉斯分類器的訓練學習
3．2．1 最大似然估計
3．2．2 學習和分類算法
3．2．3 貝葉斯估計
3．3 樸素貝葉斯分類的應用
3．3．1 基于樸素貝葉斯的中文人名性別判定系統(tǒng)
3．3．2 基于樸素貝葉斯的其他應用
3．4 小結(jié)
參考文獻
第4章 隱馬爾可夫模型及其應用
4．1 馬爾可夫模型
4．1．1 馬爾可夫過程和馬爾可夫性
4．1．2 馬爾可夫模型
4．1．3 馬爾可夫模型應用舉例
4．2 隱馬爾可夫模型簡介
4．2．1 隱馬爾可夫模型的定義
4．2．2 隱馬爾可夫模型的一般描述
4．2．3 隱馬爾可夫模型的3個基本問題
4．3 隱馬爾可夫模型3個基本問題的解決
……
第5章 最大熵模型及其應用
第6章 條件隨機場及其應用
第7章 統(tǒng)計語言模型之間的聯(lián)系與區(qū)別
第8章 深度學習及其在自然語言處理中的應用
第9章 統(tǒng)計語言模型研究展望
附錄