深度學習搜索引擎開發 Java 實現

Tommaso Teofili

  • 出版商: 人民郵電
  • 出版日期: 2020-10-01
  • 定價: $474
  • 售價: 7.9$374
  • 語言: 簡體中文
  • 頁數: 259
  • 裝訂: 平裝
  • ISBN: 7115547262
  • ISBN-13: 9787115547262
  • 相關分類: DeepLearning 深度學習
  • 立即出貨

  • 深度學習搜索引擎開發 Java 實現-preview-1
  • 深度學習搜索引擎開發 Java 實現-preview-2
深度學習搜索引擎開發 Java 實現-preview-1

買這商品的人也買了...

商品描述

本書是市面上少見的將搜索與深度學習相結合的書,討論了使用(深度)神經網絡來幫助建立有效的搜索引擎的方法。閱讀本書無須具備開發搜索引擎的背景,也不需要具備有關機器學習或深度學習的預備知識,因為本書將介紹所有相關的基礎知識和實用技巧。書中研究了搜索引擎的幾個組成部分,不僅針對它們的工作方式提供了一些見解,還為在不同環境中使用神經網絡提供了指導。讀完本書,你將深入理解搜索引擎面臨的主要挑戰、這些挑戰的常見解決方法以及深度學習所能提供的幫助。你將清晰地理解幾種深度學習技術以及它們在搜索環境中的適用範圍,並深入瞭解Lucene和Deeplearning4j庫。書中示例代碼用Java編寫。

作者簡介

托马索·泰奥菲利(Tommaso Teofili)

 

Red Hat公司高级软件工程师,曾担任Adobe公司软件工程师,对开源和人工智能充满热情。他是Apache软件基金会的成员,参与了许多项目,涉及信息检索、自然语言处理和分布式计算等主题。

 

 

【译者简介】

 

李军

 

电子科技大学计算机应用技术硕士,《IDA Pro代码破解揭密》合作译者,现从事电力系统自动化工作。

 

天舒

 

曾就读于四川大学电气工程及自动化专业,英国曼彻斯特大学电力系统工程硕士,现从事电力系统自动化工作。

目錄大綱

第 一部分 當搜索遇上深度學習

第 1章 神經搜索 2

1.1 神經網絡及深度學習 3

1.2 什麽是機器學習 5

1.3 深度學習能為搜索做什麽 7

1.4 學習深度學習的路線圖 9

1.5 檢索有用的信息 10

1.5.1 文本、詞素、詞項和搜索基礎 11

1.5.2 相關性優先 18

1.5.3 經典檢索模型 19

1.5.4 精確率與召回率 20

1.6 未解決的問題 20

1.7 打開搜索引擎的黑盒子 21

1.8 利用深度學習解決問題 22

1.9 索引與神經元 26

1.10 神經網絡訓練 26

1.11 神經搜索的前景 28

1.12 總結 29

第 2章 生成同義詞 30

2.1 同義詞擴展介紹 31

2.1.1 為什麽要使用同義詞 32

2.1.2 基於詞匯表的同義詞匹配 33

2.2 語境的重要性 42

2.3 前饋神經網絡 43

2.3.1 前饋神經網絡如何工作:權重和激活函數 44

2.3.2 簡述反向傳播 45

2.4 使用word2vec 46

2.4.1 在Deeplearning4j中設置word2vec 53

2.4.2 基於word2vec的同義詞擴展 54

2.5 評價和比較 57

2.6 用於生產系統時的考慮 58

2.7 總結 61

第二部分 將神經網絡用於搜索引擎

第3章 從純檢索到文本生成 64

3.1 信息需求與查詢:彌補差距 65

3.1.1 生成可選查詢 65

3.1.2 數據準備 67

3.1.3 生成數據的小結 73

3.2 學習序列 73

3.3 循環神經網絡 75

3.3.1 循環神經網絡內部結構和動態 77

3.3.2 長期依賴 80

3.3.3 LSTM網絡 81

3.4 用於無監督文本生成的LSTM網絡 81

3.5 從無監督文本生成到監督文本生成 92

3.6 生產系統的考慮因素 95

3.7 總結 96

第4章 更靈敏的查詢建議 97

4.1 生成查詢建議 98

4.1.1 編寫查詢時的建議 98

4.1.2 基於字典的建議算法 99

4.2 Lucene Lookup API 99

4.3 分析後的建議算法 102

4.4 使用語言模型 108

4.5 基於內容的建議算法 111

4.6 神經語言模型 112

4.7 基於字符的神經語言建議模型 114

4.8 調優LSTM 語言模型 117

4.9 使用詞嵌入使建議多樣化 125

4.10 總結 127

第5章 用詞嵌入對搜索結果排序 128

5.1 排序的重要性 128

5.2 檢索模型 130

5.2.1 TF-IDF與向量空間模型 132

5.2.2 在Lucene中對文檔進行排序 134

5.2.3 概率模型 137

5.3 神經信息檢索 138

5.4 從單詞到文檔向量 139

5.5 評價和比較 144

5.6 總結 149

第6章 用於排序和推薦的文檔嵌入 150

6.1 從詞嵌入到文檔嵌入 150

6.2 在排序中使用段向量 154

6.3 文檔嵌入及相關內容 157

6.3.1 搜索、推薦和相關內容 157

6.3.2 使用高頻詞項查找相似內容 159

6.3.3 使用段向量檢索相似內容 166

6.3.4 從編碼器-解碼器模型用向量檢索相似內容 169

6.4 總結 170

第三部分 延伸

第7章 跨語言搜索 172

7.1 為講多種語言的用戶提供服務 172

7.1.1 翻譯文檔與查詢 174

7.1.2 跨語言搜索 175

7.1.3 在Lucene上進行多語言查詢 176

7.2 統計機器翻譯 178

7.2.1 對齊 180

7.2.2 基於短語的翻譯 181

7.3 使用並行語料庫 181

7.4 神經機器翻譯 184

7.4.1 編碼器-解碼器模型 184

7.4.2 DL4J中用於機器翻譯的編碼器-解碼器 187

7.5 多語言的單詞和文檔嵌入 194

7.6 總結 199

第8章 基於內容的圖像搜索 200

8.1 圖像內容和搜索 201

8.2 回顧:基於文本的圖像檢索 203

8.3 理解圖像 204

8.3.1 圖像表示 206

8.3.2 特徵提取 208

8.4 圖像表示的深度學習 215

8.4.1 捲積神經網絡 216

8.4.2 圖像搜索 224

8.4.3 局部敏感散列 228

8.5 處理未標記的圖像 231

8.6 總結 235

第9章 性能一瞥 236

9.1 深度學習的性能與約定 237

9.2 索引和神經元協同工作 251

9.3 使用數據流 254

9.4 總結 259

展望未來 260