精通Python自然语言处理+NLP汉语自然语言处理原理与实践 2本 语法语义分析

python语言开发设计编程教程书籍

YL8642  9787115459688 9787121307652

精通Python自然语言处理

内容简介

自然语言处理是计算语言学和人工智能之中与人机交互相关的领域之一。 
本书是学习自然语言处理的一本综合学习指南，介绍了如何用Python实现各种NLP任务，以帮助读者创建基于真实生活应用的项目。全书共10章，分别涉及字符串操作、统计语言建模、形态学、词性标注、语法解析、语义分析、情感分析、信息检索、语篇分析和NLP系统评估等主题。 
本书适合熟悉Python语言并对自然语言处理开发有一定了解和兴趣的读者阅读参考。

目       录

•  
•  
• 第2章 统计语言建模
• 第3章 形态学：在实践中学习
• 第4章 词性标注：单词识别
• 第5章 语法解析：分析训练资料
• 第6章 语义分析：意义很重要
• 第7章 情感分析：我很快乐
• 第8章 信息检索：访问信息
• 第9章 语篇分析：理解才是可信的
• 第10章 NLP系统评估：性能分析.........

NLP汉语自然语言处理原理与实践

内容简介

本书是一本研究汉语自然语言处理方面的基础性、综合性书籍，涉及NLP的语言理论、算法和工程实践的方方面面，内容繁杂。 本书包括NLP的语言理论部分、算法部分、案例部分，涉及汉语的发展历史、传统的句法理论、认知语言学理论。需要指出的是，本书是迄今为止*本系统介绍认知语言学和算法设计相结合的中文NLP书籍，并从认知语言学的视角重新认识和分析了NLP的句法和语义相结合的数据结构。这也是本书的创新之处。 本书适用于所有想学习NLP的技术人员，包括各大人工智能实验室、软件学院等专业机构。

目       录

第1章 中文语言的机器处理1
1.1 历史回顾2
1.1.1 从科幻到现实2
1.1.2 早期的探索3
1.1.3 规则派还是统计派3
1.1.4 从机器学习到认知
计算5
1.2 现代自然语言系统简介6
1.2.1 NLP流程与开源框架6
1.2.2 哈工大NLP平台及其
演示环境9
1.2.3 Stanford NLP团队及其
演示环境11
1.2.4 NLTK开发环境13
1.3 整合中文分词模块16
1.3.1 安装Ltp Python组件17
1.3.2 使用Ltp 3.3进行中文
分词18
1.3.3 使用结巴分词模块20
1.4 整合词性标注模块22
1.4.1 Ltp 3.3词性标注23
1.4.2 安装StanfordNLP并
编写Python接口类24
1.4.3 执行Stanford词性
标注28
1.5 整合命名实体识别模块29
1.5.1 Ltp 3.3命名实体识别29
1.5.2 Stanford命名实体
识别30
1.6 整合句法解析模块32
1.6.1 Ltp 3.3句法依存树33
1.6.2 Stanford Parser类35
1.6.3 Stanford短语结构树36
1.6.4 Stanford依存句法树37
1.7 整合语义角色标注模块38
1.8 结语40
第2章 汉语语言学研究回顾42
2.1 文字符号的起源42
2.1.1 从记事谈起43
2.1.2 古文字的形成47
2.2 六书及其他48
2.2.1 象形48
2.2.2 指事50
2.2.3 会意51
2.2.4 形声53

2.2.5 转注54
2.2.6 假借55
2.3 字形的流变56
2.3.1 笔与墨的形成与变革56
2.3.2 隶变的方式58
2.3.3 汉字的符号化与结构61
2.4 汉语的发展67
2.4.1 完整语义的基本
形式——句子68
2.4.2 语言的初始形态与
文言文71
2.4.3 白话文与复音词73
2.4.4 白话文与句法研究78
2.5 三个平面中的语义研究80
2.5.1 词汇与本体论81
2.5.2 格语法及其框架84
2.6 结语86
第3章 词汇与分词技术88
3.1 中文分词89
3.1.1 什么是词与分词规范90
3.1.2 两种分词标准93
3.1.3 歧义、机械分词、语言
模型94
3.1.4 词汇的构成与未登录
词97
3.2 系统总体流程与词典结构98
3.2.1 概述98
3.2.2 中文分词流程99
3.2.3 分词词典结构103
3.2.4 命名实体的词典
结构105
3.2.5 词典的存储结构108
3.3 算法部分源码解析111
3.3.1 系统配置112
3.3.2 Main方法与例句113
3.3.3 句子切分113
3.3.4 分词流程117
3.3.5 一元词网118
3.3.6 二元词图125
3.3.7 NShort算法原理130
3.3.8 后处理规则集136
3.3.9 命名实体识别137
3.3.10 细分阶段与短
路径140
3.4 结语142
第4章 NLP中的概率图模型143
4.1 概率论回顾143
4.1.1 多元概率论的几个
基本概念144
4.1.2 贝叶斯与朴素贝叶斯
算法146
4.1.3 文本分类148
4.1.4 文本分类的实现151
4.2 信息熵154
4.2.1 信息量与信息熵154
4.2.2 互信息、联合熵、
条件熵156
4.2.3 交叉熵和KL散度158
4.2.4 信息熵的NLP的
意义159
4.3 NLP与概率图模型160
4.3.1 概率图模型的几个
基本问题161
4.3.2 产生式模型和判别式
模型162
4.3.3 统计语言模型与NLP
算法设计164
4.3.4 极大似然估计167
4.4 隐马尔科夫模型简介169
4.4.1 马尔科夫链169
4.4.2 隐马尔科夫模型170
4.4.3 HMMs的一个实例171
4.4.4 Viterbi算法的实现176
4.5 大熵模型179
4.5.1 从词性标注谈起179
4.5.2 特征和约束181
4.5.3 大熵原理183
4.5.4 公式推导185
4.5.5 对偶问题的极大似然
估计186
4.5.6 GIS实现188
4.6 条件随机场模型193
4.6.1 随机场193
4.6.2 无向图的团（Clique）
与因子分解194
4.6.3 线性链条件随机场195
4.6.4 CRF的概率计算198
4.6.5 CRF的参数学习199
4.6.6 CRF预测标签200
4.7 结语201
第5章 词性、语块与命名实体
识别202
5.1 汉语词性标注203
5.1.1 汉语的词性203
5.1.2 宾州树库的词性标注
规范205
5.1.3 stanfordNLP标注
词性210
5.1.4 训练模型文件213
5.2 语义组块标注219
5.2.1 语义组块的种类220
5.2.2 细说NP221
5.2.3 细说VP223
5.2.4 其他语义块227
5.2.5 语义块的抽取229
5.2.6 CRF的使用232
5.3 命名实体识别240
5.3.1 命名实体241
5.3.2 分词架构与专名
词典243
5.3.3 算法的策略——词典
与统计相结合245
5.3.4 算法的策略——层叠
式架构252
5.4 结语259
第6章 句法理论与自动分析260
6.1 转换生成语法261
6.1.1 乔姆斯基的语言观261
6.1.2 短语结构文法263
6.1.3 汉语句类269
6.1.4 谓词论元与空范畴274
6.1.5 轻动词分析理论279
6.1.6 NLTK操作句法树280
6.2 依存句法理论283
6.2.1 配价理论283
6.2.2 配价词典285
6.2.3 依存理论概述287
6.2.4 Ltp依存分析介绍290
6.2.5 Stanford依存转换、
解析293
6.3 PCFG短语结构句法分析298
6.3.1 PCFG短语结构298
6.3.2 内向算法和外向
算法301
6.3.3 Viterbi算法303
6.3.4 参数估计304
6.3.5 Stanford 的PCFG算法
训练305
6.4 结语310
第7章 建设语言资源库311
7.1 语料库概述311
7.1.1 语料库的简史312
7.1.2 语言资源库的分类314
7.1.3 语料库的设计实例：
国家语委语料库315
7.1.4 语料库的层次加工321
7.2 语法语料库323
7.2.1 中文分词语料库323
7.2.2 中文分词的测评326
7.2.3 宾州大学CTB简介327
7.3 语义知识库333
7.3.1 知识库与HowNet
简介333
7.3.2 发掘义原334
7.3.3 语义角色336
7.3.4 分类原则与事件
分类344
7.3.5 实体分类347
7.3.6 属性与分类352
7.3.7 相似度计算与实例353
7.4 语义网与百科知识库360
7.4.1 语义网理论介绍360
7.4.2 维基百科知识库364
7.4.3 DBpedia抽取原理365
7.5 结语368
第8章 语义与认知370
8.1 回顾现代语义学371
8.1.1 语义三角论371
8.1.2 语义场论373
8.1.3 基于逻辑的语义学376
8.2 认知语言学概述377
8.2.1 象似性原理379
8.2.2 顺序象似性380
8.2.3 距离象似性380
8.2.4 重叠象似性381
8.3 意象图式的构成383
8.3.1 主观性与焦点383
8.3.2 范畴化：概念的
认知385
8.3.3 主体与背景390
8.3.4 意象图式392
8.3.5 社交中的图式396
8.3.6 完形：压缩与省略398
8.4 隐喻与转喻401
8.4.1 隐喻的结构402
8.4.2 隐喻的认知本质403
8.4.3 隐喻计算的系统
架构405
8.4.4 隐喻计算的实现408
8.5 构式语法412
8.5.1 构式的概念413
8.5.2 句法与构式415
8.5.3 构式知识库417
8.6 结语420
第9章 NLP中的深度学习422
9.1 神经网络回顾422
9.1.1 神经网络框架423
9.1.2 梯度下降法推导425
9.1.3 梯度下降法的实现427
9.1.4 BP神经网络介绍和
推导430
9.2 Word2Vec简介433
9.2.1 词向量及其表达434
9.2.2 Word2Vec的算法
原理436
9.2.3 训练词向量439
9.2.4 大规模上下位关系的
自动识别443
9.3 NLP与RNN 448
9.3.1 Simple-RNN449
9.3.2 LSTM原理454
9.3.3 LSTM的Python
实现460............

好的，这是一份不包含您所提供图书内容的详细图书简介，旨在吸引对自然语言处理（NLP）领域感兴趣的读者。 探索智能语言的奥秘：从基础到前沿的自然语言处理之旅 语言，是人类文明的基石，是思想交流的桥梁。从古老的诗歌吟唱到现代信息洪流，语言的魅力与力量从未减弱。然而，对于计算机而言，理解和处理人类语言却是一项极其艰巨的挑战。它们只能识别冷冰冰的0和1，如何让机器“听懂”我们的话，如何让它们学会分析、生成、甚至创造语言？这正是自然语言处理（NLP）——一个跨越计算机科学、语言学、人工智能等多个学科的迷人领域——所要解决的核心问题。 本书，并非一本简单的技术手册，而是一次深入探索语言智能本质的旅程。我们不局限于任何特定工具或框架的教学，而是致力于为你揭示自然语言处理背后那些最根本的原理、最核心的思想、以及驱动其发展的脉络。无论你是初次接触NLP的编程爱好者，还是希望深入理解其底层逻辑的研究者，亦或是希望将NLP技术应用于实际业务的开发者，都能在这趟旅程中找到属于自己的收获。 第一部分：语言的本质与计算的边界——理解NLP的根基 在踏上NLP的征程之前，我们首先需要建立对语言和计算的深刻认知。 语言的结构与意义： 人类语言并非随意组合的符号，它拥有复杂的层级结构：从音素、词语到短语、句子，再到篇章，层层递进。更重要的是，语言承载着丰富的意义，包括字面意义、引申意义、情感色彩，以及在特定语境下的隐含信息。我们将一同剖析这些复杂的语言现象，理解它们如何与计算模型进行对接。 词汇的王国： 构成语言最基本的单元是词语。然而，一个词语可能拥有多个含义（多义性），同一个意义也可能由不同的词语表达（同义性）。如何有效地表示词语，如何处理词语之间的关系，如何构建庞大的词汇知识库，将是我们探索的起点。我们将审视各种词汇表示方法，从经典的词袋模型到更具表征能力的向量空间模型，理解它们各自的优势与局限。 句法的迷宫： 句法，是语言的骨架，决定了词语如何组合成有意义的短语和句子。语法分析，就是让计算机理解句子结构的过程。我们将深入探讨各种句法分析技术，包括成分句法分析和依存句法分析，理解它们如何揭示句子成分之间的层次关系和依赖关系，为后续的语义理解奠定基础。 语义的海洋： 句法提供了结构的框架，而语义则赋予句子生命。理解句子的含义，是NLP中最具挑战性的任务之一。我们将探索如何表示词语和句子级别的语义，如何捕捉实体之间的关系，如何理解命题逻辑，以及如何处理指代消解、情感分析等复杂的语义问题。 第二部分：智能化的算法与模型——NLP的核心驱动力 理解了语言的内在规律，我们便可以开始构建智能化的模型来处理它们。本部分将带领你穿越算法与模型的精彩世界。 统计学习的基石： 早期NLP的飞速发展，离不开统计学方法的强大支持。我们将回顾概率模型、马尔可夫链、隐马尔可夫模型（HMM）等经典统计模型在序列标注、语言模型等任务中的应用，理解它们如何通过数据学习语言的统计规律。 机器学习的崛起： 随着机器学习技术的成熟，SVM、最大熵模型等经典分类器在文本分类、情感分析等任务中展现出强大的能力。我们将深入理解这些模型的原理，以及它们如何被应用于NLP领域。 深度学习的革新： 近年来，深度学习以前所未有的方式改变了NLP的面貌。我们将详细介绍卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）等模型，理解它们在处理序列数据、捕捉长距离依赖方面的优势，以及它们如何在大规模数据上学习强大的语言表征。 注意力机制的飞跃： 注意力机制的出现，是深度学习在NLP领域又一次重大的突破。它使得模型能够“关注”输入序列中的重要部分，极大地提升了机器翻译、文本摘要等任务的性能。我们将深入剖析不同类型的注意力机制，以及它们如何工作。 Transformer的时代： Transformer模型凭借其并行计算能力和强大的表征能力，彻底颠覆了NLP领域。我们将详细解析Transformer的自注意力机制、多头注意力、位置编码等关键组件，理解它如何成为当前绝大多数高性能NLP模型的基础。 预训练模型的威力： BERT、GPT系列等预训练模型的出现，标志着NLP进入了一个新的时代。这些模型通过在大规模无标注文本数据上进行预训练，学习到了丰富的语言知识，然后在下游任务上进行微调，取得了令人瞩目的成果。我们将探讨预训练模型的原理、训练方法以及它们在各种NLP任务中的应用。 第三部分：NLP的广阔天地——从理论到实践的多元应用 掌握了NLP的理论和核心模型，我们便可以将其应用于解决现实世界中的各种问题。本部分将为你打开NLP应用的广阔天地。 信息检索与问答系统： 如何让搜索引擎更智能，如何让机器回答用户的问题？我们将探讨文本表示、相似度计算、信息抽取以及构建高效的问答系统。 机器翻译的挑战与机遇： 语言的边界，因机器翻译而变得模糊。我们将审视机器翻译的发展历程，从基于规则的方法到统计机器翻译，再到神经机器翻译，以及当前面临的挑战和未来的发展方向。 文本生成与创意写作： 让机器学会“写”故事、写诗歌、写新闻，这不再是遥不可及的梦想。我们将探索文本生成模型，包括基于模板的方法、序列生成模型以及最新的大型语言模型在文本创作中的应用。 情感分析与舆情监控： 理解文本背后隐藏的情感色彩，对于商业决策、社会洞察至关重要。我们将学习如何运用NLP技术进行情感分析，识别用户情绪，以及如何进行舆情监控，把握社会动态。 聊天机器人与对话系统： 构建能够与人类进行自然流畅对话的机器，是NLP的终极目标之一。我们将探讨对话管理、意图识别、槽位填充等关键技术，以及如何构建一个令人满意的聊天机器人。 文本摘要与信息浓缩： 在信息爆炸的时代，如何快速获取核心信息？我们将学习各种文本摘要技术，包括抽取式摘要和生成式摘要，帮助你高效地理解长篇文档。 命名实体识别与关系抽取： 从海量文本中提取关键信息，例如人名、地名、组织机构等，并识别它们之间的关系，是信息抽取的基础。我们将深入研究这些技术。 文本分类与主题建模： 如何将文本自动归类，如何发现隐藏在文本中的主题？我们将学习各种文本分类算法和主题模型，帮助你梳理和理解大规模文本数据。 面向未来：挑战与展望 自然语言处理领域仍在飞速发展，前沿的研究成果层出不穷。我们将一同审视当前NLP面临的挑战，例如多模态理解、常识推理、可解释性AI、以及如何应对数据偏见等问题。同时，我们也将展望NLP未来的发展趋势，例如更加强大的通用人工智能模型、更加个性化和人性化的交互体验，以及NLP在科学研究、医疗健康、教育等领域的更广泛应用。 本书旨在提供一个全面、深入的视角，让你能够跳出具体技术的束缚，真正理解自然语言处理的“道”与“术”。它不仅仅是一本学习资料，更是一扇通往智能语言世界的大门，激发你对未知的好奇，引领你在这个充满无限可能的领域不断探索与创新。准备好，与我们一同开启这场激动人心的智能语言探索之旅吧！