TensorFlow与自然语言处理应用

本书特色

[

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，*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。

]

内容简介

[

正是NLP在我们日常生活中呈现出越来越多的便利性，笔者才更想对NLP背后的模型原理和具体应用进行深入的探讨，以便我们对NLP有更多的认知。另外，笔者查看了近些年来的相关文献，发现单独讲解NLP方面的理论文献国内外都有，单独撰写NLP任务实现的技术工具（如TensorFlow）的图书也很多，而将二者结合起来的图书，目前在国内还没有发现（也许有，只是笔者没有发现而已）。于是，2018年4月，笔者就想对关于利用TensorFlow技术框架来实现NLP任务应用方面进行成体系地探索，以便对今后的工作有所积累。本书在创作过程中参考了《Natural Language Processing with TensorFlow》（Thushan Ganegedara著）中的一些内容，在此向Thushan Ganegedara表达个人的敬意！
通过阅读本书，你将学会如何利用深度学习来实现许多有意义的NLP任务。对于本书中涉及的NLP任务，我们都有具体的代码实现（含实现过程），使用的技术框架为TensorFlow（1.8版本），编程语言为Python（3.6版本）。

]

作者简介

[

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。

]

目录

目 录第1章 自然语言处理基础 11.1 认识自然语言处理 21.2 自然语言处理方面的任务 21.3 **阶段：偏理论的理性主义 41.4 第二阶段：偏实践应用的经验主义 51.5 第三阶段：深度学习阶段 71.6 NLP中深度学习的局限性 91.7 NLP的应用场景 101.8 NLP的发展前景 131.9 总结 14第2章 深度学习基础 152.1 深度学习介绍 152.2 深度学习演变简述 162.2.1 深度学习早期 162.2.2 深度学习的发展 172.2.3 深度学习的爆发 172.3 神经网络介绍 182.4 神经网络的基本结构 192.5 两层神经网络（多层感知器） 222.5.1 简述 222.5.2 两层神经网络结构 222.6 多层神经网络（深度学习） 232.6.1 简述 232.6.2 多层神经网络结构 242.7 编码器-解码器网络 242.8 随机梯度下降 252.9 反向传播 272.10 总结 31第3章 TensorFlow 323.1 TensorFlow概念解读 323.2 TensorFlow主要特征 333.2.1 自动求微分 333.2.2 多语言支持 333.2.3 高度的灵活性 343.2.4 真正的可移植性 343.2.5 将科研和产品联系在一起 343.2.6 性能*优化 343.3 TensorFlow安装 343.4 TensorFlow计算图 403.5 TensorFlow张量和模型会话 423.5.1 张量 423.5.2 会话 433.6 TensorFlow工作原理 433.7 通过一个示例来认识TensorFlow 453.8 TensorFlow客户端 473.9 TensorFlow中常见元素解读 493.9.1 在TensorFlow中定义输入 503.9.2 在TensorFlow中定义变量 563.9.3 定义TensorFlow输出 573.9.4 定义TensorFlow运算或操作 583.10 变量作用域机制 683.10.1 基本原理 683.10.2 通过示例解读 693.11 实现一个神经网络 713.11.1 数据准备 713.11.2 定义TensorFlow计算图 713.11.3 运行神经网络 733.12 总结 75第4章 词嵌入 774.1 分布式表示 784.1.1 分布式表示的直观认识 784.1.2 分布式表示解读 784.2 Word2vec模型（以Skip-Gram为例） 844.2.1 直观认识Word2vec 854.2.2 定义任务 854.2.3 从原始文本创建结构化数据 854.2.4 定义词嵌入层和神经网络 864.2.5 整合 874.2.6 定义损失函数 894.2.7 利用TensorFlow实现Skip-Gram模型 934.3 原始Skip-Gram模型和改进Skip-Gram模型对比分析 964.3.1 原始的Skip-Gram算法的实现 974.3.2 将原始Skip-Gram与改进后的Skip-Gram进行比较 984.4 CBOW模型 984.4.1 CBOW模型简述 984.4.2 利用TensorFlow实现CBOW 算法 1004.5 Skip-Gram和 CBOW对比 1014.5.1 Skip-Gram和CBOW模型结构分析 1014.5.2 代码层面对比两模型性能 1024.5.3 Skip-Gram和CBOW模型孰优 1044.6 词嵌入算法的扩展 1054.6.1 使用Unigram分布进行负采样 1054.6.2 降采样 1074.6.3 CBOW 和其扩展类型比较 1074.7 结构化Skip-Gram和连续窗口模型 1084.7.1 结构化Skip-Gram算法 1084.7.2 连续窗口模型 1104.8 GloVe模型 1114.8.1 共现矩阵 1124.8.2 使用GloVe模型训练词向量 1124.8.3 GloVe模型实现 1134.9 使用Word2Vec进行文档分类 1144.9.1 数据集 1154.9.2 使用词向量对文档进行分类 1154.9.3 小结 1194.10 总结 120第5章 卷积神经网络与句子分类 1215.1 认识卷积神经网络 1215.1.1 卷积神经网络的历史演变 1215.1.2 卷积神经网络结构简述 1225.2 输入层 1255.3 卷积运算层 1265.3.1 标准卷积 1265.3.2 带步幅的卷积 1275.3.3 带填充的卷积 1275.3.4 转置卷积 1285.3.5 参数共享机制 1295.4 激活函数 1315.4.1 常见激活函数及选择 1315.4.2 各个非线性激活函数对比分析 1325.5 池化层 1345.5.1 理解池化 1345.5.2 池化作用 1355.5.3 *大池化 1355.5.4 平均池化 1365.6 全连接层 1365.7 整合各层并使用反向传播进行训练 1375.8 常见经典卷积神经网络 1385.8.1 AlexNet 1385.8.2 VGGNet 1435.8.3 Google Inception Net 1465.8.4 ResNet网络 1495.9 利用CNN对MNIST数据集进行图片分类 1505.9.1 数据样本 1515.9.2 实现CNN 1515.9.3 分析CNN产生的预测结果 1535.10 利用CNN进行句子分类 1545.10.1 CNN结构部分 1545.10.2 池化运算 1575.10.3 利用CNN实现句子分类 1585.11 总结 160第6章 循环神经网络 1616.1 计算图及其展开 1626.2 RNN解读 1636.2.1 序列数据模型 1636.2.2 数学层面简要解读RNN 1656.3 通过时间的反向传播算法 1666.3.1 反向传播工作原理 1666.3.2 直接使用反向传播的局限性 1676.3.3 通过反向传播训练RNN 1686.3.4 截断BPTT 1686.3.5 BPTT的局限性——梯度消失和梯度爆炸 1686.4 RNN的应用类型 1706.4.1 一对一的RNN 1706.4.2 一对多的RNN 1706.4.3 多对一的RNN 1716.4.4 多对多的RNN 1716.5 利用RNN生成文本 1726.5.1 定义超参数 1726.5.2 随着时间的推移展开截断BPTT的输入 1736.5.3 定义验证数据集 1736.5.4 定义权重值和偏差 1746.5.5 定义状态永久变量 1746.5.6 使用展开的输入计算隐藏状态和输出 1746.5.7 计算损失 1756.5.8 在新文本片段的开头重置状态 1756.5.9 计算验证输出 1766.5.10 计算梯度和优化 1766.6 输出新生成的文本片段 1766.7 评估RNN的文本结果输出 1776.8 困惑度——文本生成结果质量的度量 1786.9 具有上下文特征的循环神经网络——RNN-CF 1796.9.1 RNN-CF的技术说明 1806.9.2 RNN-CF的实现 1816.9.3 定义RNN-CF超参数 1816.9.4 定义输入和输出占位符 1816.9.5 定义RNN-CF的权重值 1826.9.6 用于维护隐藏层和上下文状态的变量和操作 1836.9.7 计算输出 1846.9.8 计算损失 1856.9.9 计算验证输出 1856.9.10 计算测试输出 1866.9.11 计算梯度和优化 1866.10 使用RNN-CF生成的文本 1866.11 总结 188第7章 长短期记忆 1907.1 LSTM简述 1917.2 LSTM工作原理详解 1927.2.1 梯度信息如何无损失传递 1947.2.2 将信息装载入长时记忆细胞 1947.2.3 更新细胞状态可能产生的问题及解决方案 1967.2.4 LSTM模型输出 1997.3 LSTM与标准RNN的区别 2007.4 LSTM如何避免梯度消失和梯度爆炸问题 2017.5 优化LSTM 2037.5.1 贪婪采样 2037.5.2 集束搜索 2047.5.3 使用词向量 2057.5.4 双向LSTM 2067.6 LSTM的其他变体 2077.6.1 窥视孔连接 2077.6.2 门控循环单元 2087.7 总结 210第8章 利用LSTM自动生成文本 2118.1 文本到文本的生成 2128.1.1 文本摘要 2128.1.2 句子压缩与融合 2138.1.3 文本复述生成 2138.2 意义到文本的生成 2148.2.1 基于深层语法的文本生成 2148.2.2 基于同步文法的文本生成 2158.3 数据到文本的生成 2168.4 文本自动生成前的数据准备 2188.4.1 数据集 2188.4.2 预处理数据 2208.5 实现LSTM 2208.5.1 定义超参数 2218.5.2 定义参数 2218.5.3 定义LSTM细胞及其操作 2238.5.4 定义输入和标签 2238.5.5 定义处理序列数据所需的序列计算 2248.5.6 定义优化器 2258.5.7 随着时间的推移衰减学习率 2258.5.8 进行预测 2268.5.9 计算困惑度（损失） 2278.5.10 重置状态 2278.5.11 贪婪采样打破重复性 2278.5.12 生成新文本 2278.5.13 示例生成的文本 2288.6 标准LSTM与带有窥视孔连接和GRU的LSTM的比较 2298.6.1 标准LSTM 2298.6.2 门控循环单元 2318.6.3 带窥视孔连接的LSTM 2338.6.4 随着时间的推移训练和验证困惑度 2358.7 优化LSTM——集束搜索 2368.7.1 实现集束搜索 2368.7.2 使用集束搜索生成文本的示例 2388.8 改进LSTM——使用词而不是n-gram生成文本 2398.8.1 维度问题 2398.8.2 完善Word2vec 2398.8.3 使用Word2vec生成文本 2408.8.4 使用LSTM-Word2vec和集束搜索生成文本的示例 2418.8.5 困惑度随着时间推移的变化情况 2428.9 使用TensorFlow RNN API 2428.10 总结 246第9章 利用LSTM实现图像字幕自动生成 2479.1 简要介绍 2489.2 发展背景 2489.3 利用深度学习框架从图像中生成字幕 2499.3.1 End-to-End 框架 2499.3.2 组合框架 2519.3.3 其他框架 2529.4 评估指标和基准 2539.5 近期研究 2549.6 图像字幕的产业布局 2559.7 详解图像字幕自动生成任务 2559.7.1 认识数据集 2559.7.2 用于图像字幕自动生成的深度学习管道 2579.7.3 使用CNN提取图像特征 2599.7.4 使用VGG-16加载权重值并进行推理 2609.7.5 学习词向量 2649.7.6 为LSTM模型准备字幕数据 2659.7.7 生成LSTM的数据 2669.7.8 定义LSTM 2679.7.9 定量评估结果 2709.7.10 为测试图像集生成字幕 2739.7.11 使用TensorFlow RNN API和预训练的GloVe词向量 2769.8 总结 284第10章 情感分析 28610.1 认识情感分析 28610.2 情感分析的问题 28810.3 情感文档分类 29110.4 句子主观性与情感分类 29210.5 基于方面（Aspect）的情感分析 29310.6 情感词典生成 29310.7 意见摘要 29410.8 比较观点分析 29410.9 意见搜索 29510.10 垃圾评论检测 29510.10.1 垃圾评论概述 29510.10.2 垃圾评论的类型 29610.10.3 可观察到的信息 29710.10.4 数据样本 29810.10.5 垃圾评论检测方法 29910.11 评论的质量 30210.12 利用TensorFlow进行中文情感分析实现 30410.12.1 训练语料 30410.12.2 分词和切分词 30410.12.3 索引长度标准化 30510.12.4 反向切分词 30510.12.5 准备词向量矩阵 30610.12.6 填充和截短 30610.12.7 构建模型 30610.12.8 结论 30710.13 总结 308第11章 机器翻译 31011.1 机器翻译简介 31111.2 基于规则的翻译 31211.2.1 基于转换的机器翻译 31211.2.2 语际机器翻译 31411.2.3 基于字典的机器翻译 31711.3 统计机器翻译 31811.3.1 统计机器翻译的基础 31811.3.2 基于词的翻译 31911.3.3 基于短语的翻译 31911.3.4 基于句法的翻译 32011.3.5 基于分层短语的翻译 32111.3.6 统计机器翻译的优势与不足 32111.4 神经网络机器翻译 32111.4.1 发展背景 32111.4.2 神经网络机器翻译的特性 32311.4.3 通过例子来认识神经网络机器翻译（NMT）模型的结构 32311.4.4 神经网络机器翻译（NMT）模型结构详解 32311.5 神经网络机器翻译（NMT）系统的前期准备工作 32611.5.1 训练阶段 32611.5.2 反转源语句 32711.5.3 测试阶段 32811.6 BLEU评分——评估机器翻译系统 32911.6.1 BLEU简述 32911.6.2 BLEU度量 33011.6.3 BLEU的调整和惩罚因子 33211.6.4 BLEU得分总结 33311.7 完整实现神经网络机器翻译——德语到英语翻译 33311.7.1 关于样本数据 33411.7.2 预处理数据 33411.7.3 学习词向量 33511.7.4 定义编码器和解码器 33611.7.5 定义端到端输出计算 33811.7.6 神经网络机器翻译系统运行结果（部分）的展示 33911.8 结合词向量训练神经网络机器翻译系统 34211.8.1 *大化数据集词汇和预训练词向量之间的匹配 34211.8.2 为词嵌入层定义TensorFlow变量 34411.9 优化神经网络机器翻译系统 34611.9.1 Teacher Forcing算法 34611.9.2 深度 LSTM 34811.9.3 注意力模型 34911.10 实现注意力机制 35611.10.1 定义权重值 35611.10.2 计算注意力 35711.10.3 含有注意力机制的神经网络机器翻译的部分翻译结果 35811.11 可视化源语句和目标语句的注意力 36111.12 历史性突破——BERT模型 36211.12.1 BERT模型简述 36211.12.2 BERT模型结构 36311.13 总结 364第12章 智能问答系统 36612.1 概要 36612.2 基于知识库的问答 36712.2.1 信息抽取 36712.2.2 语义分析模式 37112.2.3 信息抽取与语义分析小结 37412.2.4 挑战 37412.3 机器理解中的深度学习 37512.3.1 任务描述 37512.3.2 基于特征工程的机器理解方法 37812.3.3 机器理解中的深度学习方法 38112.4 利用TensorFlow实现问答任务 38612.4.1 bAbI数据集 38612.4.2 分析GloVe并处理未知令牌 38712.4.3 已知或未知的数据部分 38812.4.4 定义超参数 39012.4.5 神经网络结构部分 39112.4.6 输入部分 39212.4.7 问题部分 39212.4.8 情景记忆部分 39212.4.9 注意力部分 39312.4.10 答案模块 39412.4.11 模型优化 39512.4.12 训练模型并分析预测 39512.5 总结 397

封面

书名:TensorFlow与自然语言处理应用

作者:李孟全

页数:未知

定价:¥89.0

出版社:清华大学出版社

出版日期:2019-08-01

ISBN:9787302531012

PDF电子书大小:129MB 高清扫描完整版