自然語言處理原理與實(shí)戰(zhàn)

第1章自然語言處理技術(shù)概述
1.1自然語言處理介紹
1.1.1自然語言處理的定義及其在實(shí)際工作中的定位
1.1.2自然語言處理的經(jīng)典應(yīng)用場景
1.2自然語言處理的技能要求和職業(yè)發(fā)展路徑
1.2.1大數(shù)據(jù)部門組織架構(gòu)和自然語言處理職位所處位置
1.2.2自然語言處理的職位介紹和技能要求
1.2.3自然語言處理的職業(yè)生涯規(guī)劃和發(fā)展路徑
1.2.4自然語言處理的市場平均薪資水平
第2章中文分詞
2.1中文分詞原理
2.2規(guī)則分詞
2.2.1正向最大匹配法
2.2.2逆向最大匹配法
2.2.3雙向最大匹配法
2.3機(jī)器學(xué)習(xí)統(tǒng)計(jì)分詞
2.3.1隱馬爾可夫模型分詞
2.3.2感知器分詞
2.3.3CRF分詞
2.4分詞工具實(shí)戰(zhàn)
2.4.1CRF 工具包實(shí)戰(zhàn)
2.4.2Python的Jieba分詞
2.4.3Java的HanLP分詞
2.4.4Java的IK分詞
2.4.5Java的mmseg4j分詞
第3章詞性標(biāo)注
3.1詞性標(biāo)注原理
3.1.1詞性介紹
3.1.2HMM詞性標(biāo)注
3.1.3感知器詞性標(biāo)注
3.1.4CRF詞性標(biāo)注
3.2詞性標(biāo)注工具實(shí)戰(zhàn)
3.2.1Python的Jieba詞性標(biāo)注
3.2.2Java的HanLP詞性標(biāo)注
第4章命名實(shí)體識別
4.1命名實(shí)體識別原理
4.2基于HMM角色標(biāo)注的命名實(shí)體識別
4.2.1中國人名識別
4.2.2地名識別
4.2.3機(jī)構(gòu)公司名識別
4.3基于線性模型的命名實(shí)體識別
4.3.1感知器命名實(shí)體識別
4.3.2CRF命名實(shí)體識別
第5章依存句法分析
5.1依存句法分析原理
5.2HanLP基于神經(jīng)網(wǎng)絡(luò)依存句法分析器
第6章語義角色標(biāo)注
6.1語義角色標(biāo)注原理
6.2語義角色標(biāo)注的設(shè)計(jì)框架
6.2.1生成語義生成樹
6.2.2剪枝
6.2.3角色識別
6.2.4角色分類
第7章文本相似度算法
7.1字符串編輯距離
7.1.1算法原理
7.1.2Java代碼實(shí)現(xiàn)
7.1.3Python代碼實(shí)現(xiàn)
7.2余弦相似度
7.2.1算法原理
7.2.2Java代碼實(shí)現(xiàn)
7.2.3Python代碼實(shí)現(xiàn)
第8章語義相似度計(jì)算
8.1《同義詞詞林》
8.1.1算法原理
8.1.2代碼實(shí)戰(zhàn)
8.2基于深度學(xué)習(xí)的語義相似度
8.2.1DSSM
8.2.2CNNDSSM
8.2.3LSTMDSSM
第9章詞頻逆文檔頻率
9.1TFIDF算法原理
9.2Java代碼實(shí)現(xiàn)TFIDF
9.3TFIDF的Python代碼實(shí)現(xiàn)
第10章條件隨機(jī)場
10.1算法原理
10.2開源工具實(shí)戰(zhàn)
第11章新詞發(fā)現(xiàn)與短語提取
11.1新詞發(fā)現(xiàn)
11.2短語提取
第12章搜索引擎Solr Cloud和Elasticsearch
12.1全文搜索引擎介紹及原理
12.2Lucene搜索引擎
12.3Solr Cloud
12.3.1Solr Cloud介紹及原理
12.3.2Solr Cloud實(shí)戰(zhàn)
12.4Elasticsearch
12.4.1Elasticsearch介紹及原理
12.4.2Elasticsearch實(shí)戰(zhàn)
第13章Word2Vec詞向量模型
13.1Word2Vec詞向量模型介紹及原理
13.2Word2Vec詞向量模型實(shí)戰(zhàn)
13.2.1Spark分布式實(shí)現(xiàn)Word2Vec詞向量模型
13.2.2谷歌開源Word2Vec工具
第14章文本分類
14.1文本分類介紹及相關(guān)算法
14.2樸素貝葉斯算法
14.2.1算法原理
14.2.2源碼實(shí)戰(zhàn)
14.3支持向量機(jī)
14.3.1算法原理
14.3.2源碼實(shí)戰(zhàn)
14.4Python開源快速文本分類器FastText
14.4.1FastText框架核心原理
14.4.2FastText和Word2Vec的區(qū)別
14.4.3FastText實(shí)戰(zhàn)
14.5BERT文本分類
14.5.1BERT模型介紹及原理
14.5.2BERT中文文本分類實(shí)戰(zhàn)
第15章文本聚類
15.1文本聚類介紹及相關(guān)算法
15.2Kmeans文本聚類
15.2.1算法原理
15.2.2源碼實(shí)戰(zhàn)
15.3LDA主題詞——潛在狄利克雷分布模型
15.3.1算法原理
15.3.2源碼實(shí)戰(zhàn)
第16章關(guān)鍵詞提取和文本摘要
16.1關(guān)鍵詞提取
16.1.1關(guān)鍵詞提取介紹及相關(guān)算法
16.1.2基于Python的關(guān)鍵詞提取實(shí)戰(zhàn)
16.1.3基于Java的關(guān)鍵詞提取實(shí)戰(zhàn)
16.2文本摘要
16.2.1文本摘要介紹及相關(guān)算法
16.2.2基于Python的文本摘要實(shí)戰(zhàn)
16.2.3基于Java的文本摘要實(shí)戰(zhàn)
第17章自然語言模型
17.1自然語言模型原理與介紹
17.2NGram統(tǒng)計(jì)語言模型
17.3LSTM神經(jīng)網(wǎng)絡(luò)語言模型
第18章分布式深度學(xué)習(xí)實(shí)戰(zhàn)
18.1TensorFlow深度學(xué)習(xí)框架
18.1.1TensorFlow原理和介紹
18.1.2TensorFlow安裝部署
18.2MXNet深度學(xué)習(xí)框架
18.2.1MXNet原理和介紹
18.2.2MXNet安裝部署
18.3神經(jīng)網(wǎng)絡(luò)算法
18.3.1多層感知器算法
18.3.2卷積神經(jīng)網(wǎng)絡(luò)
18.3.3循環(huán)神經(jīng)網(wǎng)絡(luò)
18.3.4長短期記憶神經(jīng)網(wǎng)絡(luò)
18.3.5端到端神經(jīng)網(wǎng)絡(luò)
18.3.6生成對抗網(wǎng)絡(luò)
18.3.7深度強(qiáng)化學(xué)習(xí)
18.3.8TensorFlow分布式訓(xùn)練實(shí)戰(zhàn)
18.3.9分布式TensorFlow on Kubernetes集群實(shí)戰(zhàn)
第19章自然語言處理項(xiàng)目實(shí)戰(zhàn)
19.1對話機(jī)器人項(xiàng)目實(shí)戰(zhàn)
19.1.1對話機(jī)器人原理與介紹
19.1.2基于TensorFlow的對話機(jī)器人
19.1.3基于MXNet的對話機(jī)器人
19.1.4基于深度強(qiáng)化學(xué)習(xí)的機(jī)器人
19.1.5基于搜索引擎的對話機(jī)器人
19.1.6對話機(jī)器人的Web服務(wù)工程化
19.2搜索引擎項(xiàng)目實(shí)戰(zhàn)
19.2.1搜索引擎系統(tǒng)架構(gòu)設(shè)計(jì)
19.2.2搜索框架技術(shù)選型
19.2.3搜索相關(guān)度排序
19.2.4搜索綜合排序算法
19.2.5搜索內(nèi)容意圖識別和智能糾錯(cuò)
19.2.6搜索智能聯(lián)想詞
19.2.7搜索輸入框默認(rèn)關(guān)鍵詞猜你喜歡
19.2.8相關(guān)搜索關(guān)鍵詞推薦
19.2.9排序?qū)W習(xí)與NDCG搜索評價(jià)指標(biāo)
19.2.10個(gè)性化搜索猜你喜歡
19.2.11搜索此關(guān)鍵詞的用戶最終購買算法
19.2.12搜索大數(shù)據(jù)平臺(tái)及數(shù)據(jù)倉庫建設(shè)
19.3推薦算法系統(tǒng)實(shí)戰(zhàn)
19.3.1推薦系統(tǒng)架構(gòu)設(shè)計(jì)
19.3.2推薦數(shù)據(jù)倉庫集市
19.3.3ETL數(shù)據(jù)處理
19.3.4協(xié)同過濾用戶行為挖掘
19.3.5ContentBase文本挖掘算法
19.3.6用戶畫像興趣標(biāo)簽提取算法
19.3.7基于用戶心理學(xué)的模型推薦
19.3.8多策略融合算法
19.3.9準(zhǔn)實(shí)時(shí)在線學(xué)習(xí)推薦引擎
19.3.10Redis緩存處理
19.3.11分布式搜索
19.3.12推薦二次排序算法
19.3.13在線Web實(shí)時(shí)推薦引擎服務(wù)
19.3.14在線AB測試推薦效果評估
19.3.15離線AB測試推薦效果評估
19.3.16推薦位管理平臺(tái)
參考資料