深入理解自然語言處理

宋文峰 畢業於中山大學，獲計算機碩士學位。先後擔任百度、聯想和趣頭條等互聯網大廠的算法團隊負責人。熟悉自然語言處理的相關算法和模型，有多年的算法開發、推薦系統開發和自然語言處理項目經驗。業余時間兼職自然語言處理講師，從事相關課程的講授工作，積累了豐富的經驗。

第1章 分詞和詞性標註
1.1 為什麼要學習分詞
1.2 分詞的傳統算法
1.2.1 正向最大匹配
1.3 Trie權
1.2.3 反向最大匹配
1.2.4 最短路徑
1.2.5 分詞工具jieba的實現流程
1.3 深度學習在分詞中的應用
1.3.1 Bi-LSTM模型
1.3.2 基於詞向量的分詞
1.3.3 簡易融合語料分詞
1.3.4 分詞的多標準集成學習
1.3.5 分詞的多標準融合學習
1.3.6 分詞的多標準融合學習2
1.4 為什麼要學習已經過時的模型
1.5 BERT之後的中文分詞還有必要用嗎
1.6 如何他詞性無註
1.7 大模型時代的分詞和詞性標註
1.8 小結
第2章 文本分類
2.1 文本分類的應用
2.2 文本分類的詞向量方法
2.2.1 Word2vec模型
2.2.2 fastText模型
2.2.3 Doc2vec模型
2.2.4 softmax加速
2.3 文本分類的深度學習方法
2.3.1 LSTM簡介
2.3.2 Tree-LSTM簡介
2.3.3 DCNN模型
2.3.4 TextCNN模型
2.3.5 膠囊網絡應用於文本分類
2.3.6 層級註意力網絡HAN
2.4 分類任務數據集
2.5 大模型時代的文本分類
2.5.1 使用BERT進行文本分類
2.5.2 使用ChatGPT進行文本分類
2.6 小結
第3章 命名實體識別
3.1 什麼是NER
3.1.1 中文NER的難點
3.1.2 NER的主要應用場景
3.1.3 NER的評估方法
3.2 傳統的NER方法
3.2.1 HanLP的中文人名的NER實現
3.2.2 HanLP的其他NER識別
3.3 深度學習在NER中的應用
3.3.1 使用深度學習處理NER問題的原因
3.3.2 Bi-LSTM+CRF模型
3.3.3 CharNER模型
3.3.4 Bi-LSTM+CNN模型
3.3.5 ID-CNN模型
3.3.6 序列標註的半監督多任務模型
3.3.7 LatticeLSTM模型
3.3.8 PLTE模型
3.4 大模型時代的命名實體識別
3.4.1 使用ChatGPT提示詞進行實體識別
3.4.2 使用ChatGPTAPI進行實體識別
3.5 小結
第4章 神經機器翻譯
4.1 神經機器翻譯的發展
4.2 評估指標
4.2.1 BLEU指標
4.2.2 Rouge-L指標
4.3 神經機器翻譯概述
4.4 註意力機制
4.4.1 註意力機制簡介
4.4.2 註意力機制的具體應用
4.5 NMT經典模型——Transformer
4.6 NMT前沿研究
4.6.1 NMT的新方向1：多語言交叉翻譯
……
第5章 文本糾錯
第6章 機器閱讀理解
第7章 句法分析
第8章 文本摘要
第9章 信息檢索和問答系統