TensorFlow与自然语言处理应用

TensorFlow与自然语言处理应用

暂无评价综合评分的显示会考虑用户真实性等多项因素,每部作品出现综合评分的时间不定。
¥62.30¥37.38
今日特价截止至:2026-06-03 02:00:00了解详情

作品简介

自然语言处理(NLP)是计算机科学、人工智能、语言学关注计算机和人类(自然)语言之间的相互作用的领域。自然语言处理是机器学习的应用之一,用于分析、理解和生成自然语言,它与人机交互有关,最终实现人与计算机之间更好的交流。

本书分为12章,内容包括自然语言处理基础、深度学习基础、TensorFlow、词嵌入(Word Embedding)、卷积神经网络(CNN)与句子分类、循环神经网络(RNN)、长短期记忆(LSTM)、利用LSTM实现图像字幕自动生成、情感分析、机器翻译及智能问答系统。

本书适合TensorFlow自然语言处理技术的初学者、NLP应用开发人员、NLP研究人员,也适合高等院校和培训学校相关专业的师生教学参考。

李孟全,中国社会科学院研究生院硕士。十多年IT从业经历,先后从事过程序员、项目负责人、部门负责人等岗位。长期关注人工智能领域,在机器学习、深度学习和NLP领域有一定的积累。

作品目录

  1. 内容简介
  2. 前言
  3. 第1章 自然语言处理基础
  4. 1.1 认识自然语言处理
  5. 1.2 自然语言处理方面的任务
  6. 1.3 第一阶段:偏理论的理性主义
  7. 1.4 第二阶段:偏实践应用的经验主义
  8. 1.5 第三阶段:深度学习阶段
  9. 1.6 NLP中深度学习的局限性
  10. 1.7 NLP的应用场景
  11. 1.8 NLP的发展前景
  12. 1.9 总结
  13. 第2章 深度学习基础
  14. 2.1 深度学习介绍
  15. 2.2 深度学习演变简述
  16. 2.3 神经网络介绍
  17. 2.4 神经网络的基本结构
  18. 2.5 两层神经网络(多层感知器)
  19. 2.6 多层神经网络(深度学习)
  20. 2.7 编码器-解码器网络
  21. 2.8 随机梯度下降
  22. 2.9 反向传播
  23. 2.10 总结
  24. 第3章 TensorFlow
  25. 3.1 TensorFlow概念解读
  26. 3.2 TensorFlow主要特征
  27. 3.3 TensorFlow安装
  28. 3.4 TensorFlow计算图
  29. 3.5 TensorFlow张量和模型会话
  30. 3.6 TensorFlow工作原理
  31. 3.7 通过一个示例来认识TensorFlow
  32. 3.8 TensorFlow客户端
  33. 3.9 TensorFlow中常见元素解读
  34. 3.10 变量作用域机制
  35. 3.11 实现一个神经网络
  36. 3.12 总结
  37. 第4章 词嵌入
  38. 4.1 分布式表示
  39. 4.2 Word2vec模型(以Skip-Gram为例)
  40. 4.3 原始Skip-Gram模型和改进Skip-Gram模型对比分析
  41. 4.4 CBOW模型
  42. 4.5 Skip-Gram和CBOW对比
  43. 4.6 词嵌入算法的扩展
  44. 4.7 结构化Skip-Gram和连续窗口模型
  45. 4.8 GloVe模型
  46. 4.9 使用Word2Vec进行文档分类
  47. 4.10 总结
  48. 第5章 卷积神经网络与句子分类
  49. 5.1 认识卷积神经网络
  50. 5.2 输入层
  51. 5.3 卷积运算层
  52. 5.4 激活函数
  53. 5.5 池化层
  54. 5.6 全连接层
  55. 5.7 整合各层并使用反向传播进行训练
  56. 5.8 常见经典卷积神经网络
  57. 5.9 利用CNN对MNIST数据集进行图片分类
  58. 5.10 利用CNN进行句子分类
  59. 5.11 总结
  60. 第6章 循环神经网络
  61. 6.1 计算图及其展开
  62. 6.2 RNN解读
  63. 6.3 通过时间的反向传播算法
  64. 6.4 RNN的应用类型
  65. 6.5 利用RNN生成文本
  66. 6.6 输出新生成的文本片段
  67. 6.7 评估RNN的文本结果输出
  68. 6.8 困惑度——文本生成结果质量的度量
  69. 6.9 具有上下文特征的循环神经网络——RNN-CF
  70. 6.10 使用RNN-CF生成的文本
  71. 6.11 总结
  72. 第7章 长短期记忆
  73. 7.1 LSTM简述
  74. 7.2 LSTM工作原理详解
  75. 7.3 LSTM与标准RNN的区别
  76. 7.4 LSTM如何避免梯度消失和梯度爆炸问题
  77. 7.5 优化LSTM
  78. 7.6 LSTM的其他变体
  79. 7.7 总结
  80. 第8章 利用LSTM自动生成文本
  81. 8.1 文本到文本的生成
  82. 8.2 意义到文本的生成
  83. 8.3 数据到文本的生成
  84. 8.4 文本自动生成前的数据准备
  85. 8.5 实现LSTM
  86. 8.6 标准LSTM与带有窥视孔连接和GRU的LSTM的比较
  87. 8.7 优化LSTM——集束搜索
  88. 8.8 改进LSTM——使用词而不是n-gram生成文本
  89. 8.9 使用TensorFlow RNN API
  90. 8.10 总结
  91. 第9章 利用LSTM实现图像字幕自动生成
  92. 9.1 简要介绍
  93. 9.2 发展背景
  94. 9.3 利用深度学习框架从图像中生成字幕
  95. 9.4 评估指标和基准
  96. 9.5 近期研究
  97. 9.6 图像字幕的产业布局
  98. 9.7 详解图像字幕自动生成任务
  99. 9.8 总结
  100. 第10章 情感分析
  101. 10.1 认识情感分析
  102. 10.2 情感分析的问题
  103. 10.3 情感文档分类
  104. 10.4 句子主观性与情感分类
  105. 10.5 基于方面(Aspect)的情感分析
  106. 10.6 情感词典生成
  107. 10.7 意见摘要
  108. 10.8 比较观点分析
  109. 10.9 意见搜索
  110. 10.10 垃圾评论检测
  111. 10.11 评论的质量
  112. 10.12 利用TensorFlow进行中文情感分析实现
  113. 10.13 总结
  114. 第11章 机器翻译
  115. 11.1 机器翻译简介
  116. 11.2 基于规则的翻译
  117. 11.3 统计机器翻译
  118. 11.4 神经网络机器翻译
  119. 11.5 神经网络机器翻译(NMT)系统的前期准备工作
  120. 11.6 BLEU评分——评估机器翻译系统
  121. 11.7 完整实现神经网络机器翻译——德语到英语翻译
  122. 11.8 结合词向量训练神经网络机器翻译系统
  123. 11.9 优化神经网络机器翻译系统
  124. 11.10 实现注意力机制
  125. 11.11 可视化源语句和目标语句的注意力
  126. 11.12 历史性突破——BERT模型
  127. 11.13 总结
  128. 第12章 智能问答系统
  129. 12.1 概要
  130. 12.2 基于知识库的问答
  131. 12.3 机器理解中的深度学习
  132. 12.4 利用TensorFlow实现问答任务
  133. 12.5 总结