聊天机器人 入门、进阶与实战

图书标准信息

• 作者 刘宇、崔燕红、郭师光、党习歌 著
• 出版社 机械工业出版社
• 出版时间 2019-10
• 版次 1
• ISBN 9787111637660
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 212页

【内容简介】

这是一部能指导初学者轻松进入聊天机器人领域并快速实现进阶的实战型著作。

 

4位作者都是资深的NLP技术专家，在聊天机器人领域有丰富的工程实践经验，曾在唯品会等公司有大规模的成功实践。这本书原理、技术、实战3个层面讲解了聊天机器人的数学与统计原理、NLP模型和技术、算法与实现、工程架构，以及案例实践。

 

全书共13章，可分为三大部分。

 

第一部分（第1章） 基础篇

 

简单介绍了数学和统计的基本理论，如概率统计和应用数学等。

 

第二部分（第2~9章） 技术篇

 

着重讲解了NLP的模型和技术，它们是构成对话系统的基础，一些模型可以用在自然语言理解模块（NLU）和自然语言生成模块（NLG），同时帮助读者整理对话系统的工程架构知识。

 

第三部分（第10~12章） 实例篇

 

通过对三个典型的对话系统案例的讲解，让读者完整了解架构、设计和实现对话系统的流程和方法。

 

【作者简介】

★刘宇

 

数据科学技术总监 ，毕业于清华大学，现就职于猎聘网。

 

在NLP算法领域有7年以上的开发经验，目前的研究重点是深度学习在NLP方面的实际应用，热衷于钻研NLP算法技术在对话系统、搜索系统等实际场景下的应用。对机器学习、大数据应用与开发、深度学习等也颇有研究。精通Java、C++、Python等主流编程语言，熟悉软件架构和开发原则。

 

 

★崔燕红

 

资深人工智能技术专家，毕业于开普敦大学，博士，现任北京泰迪熊科技公司首席数据算法科学家。

 

曾在唯品会NLP部门担任主任研究员。精通Java 语言，有6年Java 相关开发经验，熟悉Python语言，在时间序列分析、全局优化算法、机器学习、NLP、深度学习领域卓有建树。

 

 

 

★郭师光

 

资深大数据和人工智能技术专家，毕业于俄克拉荷马大学，博士。

 

曾在斯伦贝谢公司从事研发工作，研究领域涉及数据建模、油气藏的智能模式识别等。后在唯品会研究院担任资深研发，研究项目主要包括深度学习算法、搜索意图识别等。现于北京信息科技大学任职，主要研究方向包括大数据、智能对话系统、图像识别以及深度学习模型的商业化应用。累计发表SCI检索论文和国际会议论文十余篇。

 

 

 

★党习歌

 

NLP算法工程师，毕业于北京邮电大学，计算机专业硕士。

 

现就职于唯品会智能应用部。精通Java，在NLP算法领域有3年以上开发经验。目前主要研究NLP在对话系统、搜索等场景的应用，对机器学习、NLP算法、数学模型等颇有研究。

【目录】

推荐序一

 

推荐序二

 

前言

 

第1章概率统计与应用数学的基础知识

 

1.1概率的定义

 

1.2条件概率与贝叶斯公式

 

1.3随机变量与分布函数

 

1.4概率分布与参数估计

 

1.5随机过程与马尔可夫模型

 

1.6信息熵

 

1.7本章小结

 

第2章语言模型与多元文法

 

2.1词袋模型

 

2.2N-Gram模型

 

2.2.1N-Gram简介

 

2.2.2N-Gram算法

 

2.2.3N-Gram用途

 

2.3数据平滑

 

2.3.1加法平滑方法

 

2.3.2Good-Turing估计法

 

2.3.3组合平滑方法

 

第3章序列标注模型

 

3.1中文分词

 

3.1.1条件随机场

 

3.1.2条件随机场进行中文分词

 

3.2词性标注

 

3.2.1词性标注的标准

 

3.2.2利用隐马尔可夫进行词性标注

 

3.3命名实体识别

 

3.3.1利用条件随机场模型进行命名实体识别

 

3.3.2命名实体识别在对话系统中的作用

 

3.4序列标注模型

 

3.5本章小结

 

第4章文本分析

 

4.1关键词抽取

 

4.1.1词频-逆文档频次算法

 

4.1.2Text Rank

 

4.2文本分类

 

4.2.1贝叶斯文本分类模型

 

4.2.2决策树文本分类模型

 

4.2.3SVM文本分类模型

 

4.3主题模型

 

4.3.1基础知识回顾

 

4.3.2吉布斯采样

 

4.3.3隐狄利克雷分配模型

 

4.4本章小结

 

第5章深度学习模型

 

5.1基于深度学习的自然语言模型

 

5.1.1神经网络自然语言模型与词向量

 

5.1.2A Neural Probabilistic Language Model

 

5.1.3CBOW和Skip-Gram

 

5.1.4Huffman编码与Huffman tree

 

5.1.5CBOW-Hierarchical Softmax

 

5.1.6Skip-Gram-Hierarchical Softmax

 

5.1.7FastText

 

5.1.8词的全局向量表示

 

5.2卷积网络CNN

 

5.2.1卷积网络CNN理论

 

5.2.2利用CNN进行文本分类

 

5.3循环网络RNN

 

5.3.1循环网络RNN（LSTM，GRU）理论

 

5.3.2利用RNN 进行情感分析

 

5.3.3Sequence-to-Sequence with Attention Model

 

5.4Transformer

 

5.4.1ResNet（Residual Network）残差网络模型

 

5.4.2Attention is all you need（Transformer）

 

5.5预训练模型

 

5.5.1Embeddings from Language Models（ELMo）

 

5.5.2BERT

 

第6章对话机器人的发展综述

 

6.1对话机器人发展史

 

6.1.1对话机器人的近况

 

6.1.2开放域

 

6.1.3垂直领域

 

6.1.4对话机器人的未来发展趋势

 

6.2人工智能在对话机器人中的应用

 

6.2.1深度学习在机器人方面的应用

 

6.2.2强化学习在机器人方面的应用

 

6.2.3知识图谱在机器人方面的应用

 

第7章自然语言理解与知识图谱

 

7.1知识图谱的表示：三元组模型

 

7.2知识抽取

 

7.2.1知识抽取-命名实体识别

 

7.2.2利用CRF模型识别 NER

 

7.2.3利用BiLSTM+CRF模型进行命名实体识别

 

7.3知识抽取-实体关系抽取：Relation Extraction

 

7.4知识图谱的构建

 

第8章答案生成与多轮对话

 

8.1预测会话与答案生成

 

8.1.1信息检索：利用搜索来预测答案

 

8.1.2句型模板匹配标准问题生成答案

 

8.1.3根据知识图谱推理得到答案

 

8.2多轮对话

 

8.2.1多轮对话概述

 

8.2.2任务型多轮对话的控制和生成

 

8.2.3多主题多轮对话

 

第9章对话系统的工程架构

 

9.1对话系统的工程技术

 

9.1.1常用技术

 

9.1.2对话系统的分类

 

9.1.3主要系统软件介绍

 

9.1.4系统运维相关

 

9.2对话系统的架构实现

 

9.2.1阿里小蜜

 

9.2.2百度对话系统

 

9.2.3垂直领域对话系统的架构

 

9.2.4开放领域对话系统的架构

 

9.3本章小结

 

第10章实战场景之一——客服机器人

 

10.1客服机器人架构

 

10.1.1功能需求

 

10.1.2系统逻辑架构图

 

10.2客服机器人设计

 

10.2.1FAQ的设计

 

10.2.2导购机器人的设计

 

10.2.3实例分析

 

10.3本章小结

 

第11章实战场景之二——开放域的QA问答

 

11.1开放领域问答机器人的架构

 

11.2开放领域问答机器人的开发流程和方案

 

11.3开放领域问答机器人的开发案例

 

第12章实战场景之三——聊天机器人

 

12.1Seq2Seq以及Attention机制

 

12.2Beam Search

 

12.3基于Seq2Seq的聊天机器人开发流程

 

12.3.1语料准备

 

12.3.2定义Encoder和Decoder

 

12.3.3模型训练和评估模块

 

12.3.4模型预测和Beam Search模块

 

12.4本章小结