數(shù)據(jù)科學技術：文本分析和知識圖譜

第1章 什么是數(shù)據(jù)科學 1
1.1 數(shù)據(jù)科學的定義 1
1.1.1 數(shù)據(jù)科學的背景 1
1.1.2 數(shù)據(jù)科學的定義 1
1.2 數(shù)據(jù)科學的關鍵技術 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 結構化數(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  65
1.4 習題  66
1.5 本章參考文獻  66
第2章 文本預訓練模型 68
2.1 文本分析技術的發(fā)展史  68
2.2 Transformer模型結構  70
2.3 預訓練模型的結構和變種 75
2.4 加速處理器GPU和TPU  79
2.4.1 GPU的介紹  79
2.4.2 GPU產品命名  80
2.4.3 TPU和GPU的區(qū)別  83
2.4.4 TPU的使用總結  84
2.5 預訓練模型的常見問題  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 預訓練模型的源碼解讀  96
2.6.1 模型架構  96
2.6.2 BertModel  96
2.6.3 BERT預訓練任務  107
2.6.4 BERT 微調  112
2.7 本章小結  114
2.8 習題  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  116
3.2.1 Polyglot技術  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  125
3.5 習題  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  127
4.2.1 目標和挑戰(zhàn)  127
4.2.2 技術發(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 機器學習技巧  148
4.4 情感分析源碼解讀  151
4.4.1 F1值適應優(yōu)化技巧代碼  151
4.4.2 對抗訓練代碼  152
4.5 本章小結  154
4.6 習題  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  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)絡實踐  164
5.3 機器翻譯比賽和方案  167
5.3.1 WMT21翻譯任務  167
5.3.2 WMT22 翻譯任務  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  180
5.6 習題  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  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 技術方案實踐  190
 6.3 文本智能糾錯技術  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 204
6.6 習題  205
6.7 本章參考文獻  205
第7章 知識圖譜構建  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 知識圖譜構建范式 208
7.2 非結構化信息抽取技術  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  216
7.4 模型源碼解讀 220
7.5 本章小結 224
7.6 習題 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  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  245
8.5 習題  245
第9章 結構化知識NL2SQL問答 246
9.1 NL2SQL背景介紹 246
9.2 NL2SQL技術  249
9.2.1 NL2SQL技術路線  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  269
9.6 習題  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 大模型的微調技術  277
10.3.2 ChatGPT的能力來源  278
10.3.3 ChatGPT的預訓練和微調  279
10.4 ChatGPT的應用  282
10.4.1 ChatGPT提示工程  282
10.4.2 ChatGPT應用場景  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 294
10.7 習題 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)架構和實現(xiàn)  299
11.1.4 案例總結  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)架構及實現(xiàn)  311
11.2.4 案例總結  317
11.3 智能應急實踐案例  318
11.3.1 案例背景  319
11.3.2 解決方案  320
11.3.3 系統(tǒng)架構及實現(xiàn)  321
11.3.4 案例總結  332
11.4 本章小結  334
11.5 習題 334