{正版现货新书} 自然语言处理:基于机器学习视角:a machine learning perspective 9787111742234 张岳，滕志扬著

全新正版现货，以书名为准，放心购买，购书咨询18515909251朱老师

87.82 6.3折 139 全新

库存37件

北京丰台

作者张岳，滕志扬著

出版社机械工业出版社

ISBN9787111742234

出版时间2024-03

装帧平装

开本16开

定价139元

货号15565500

上书时间2025-12-11

商品详情

品相描述：全新

商品描述: 目录
目录中文版序译者序前言符号表第一部分基础知识第1章绪论 2 1.1 自然语言处理的概念 2 1.2 自然语言处理任务 3 1.2.1 基础任务 4 1.2.2 信息抽取任务 12 1.2.3 应用 16 1.2.4 小结 18 1.3 机器学习视角下的自然语言处理任务 18 总结 19 注释 19 习题 19 参考文献 21 第2章相对频率 35 2.1 概率建模 35 2.1.1 优选似然估计 35 2.1.2 词概率建模 36 2.1.3 模型与概率分布 37 2.2 n元语言模型 41 2.2.1 一元语言模型 41 2.2.2 二元语言模型 43 2.2.3 三元及高阶语言模型 46 2.2.4 生成式模型 48 2.3 朴素贝叶斯文本分类器 49 2.3.1 朴素贝叶斯文本分类 50 2.3.2 文本分类器的评估 52 2.3.3 边缘概率的计算 53 2.3.4 特征 53 总结 54 注释 54 习题 54 参考文献 56 第3章特征向量 57 3.1 文本在向量空间中的表示 57 3.1.1 聚类 59 3.1.2 k均值聚类 61 3.1.3 分类 62 3.1.4 支持向量机 63 3.1.5 感知机 65 3.2 多分类 66 3.2.1 定义基于输出的特征 67 3.2.2 多分类支持向量机 68 3.2.3 多分类感知机 69 3.3 线性判别式模型 70 3.3.1 判别式模型及其特征 70 3.3.2 线性模型的点积形式 72 3.4 向量空间与模型训练 72 3.4.1 可分性与泛化性 72 3.4.2 处理非线性可分数据 73 总结 74 注释 74 习题 74 参考文献 76 第4章判别式线性分类器 78 4.1 对数线性模型 78 4.1.1 二分类对数线性模型的训练 79 4.1.2 多分类对数线性模型的训练 83 4.1.3 利用对数线性模型进行分类 85 4.2 基于随机梯度下降法训练支持向量机 85 4.2.1 二分类支持向量机的训练 86 4.2.2 多分类支持向量机的训练 87 4.2.3 感知机训练的目标函数 88 4.3 广义线性模型 88 4.3.1 统一在线训练 89 4.3.2 损失函数 89 4.3.3 正则化 92 4.4 模型融合 92 4.4.1 模型性能比较 92 4.4.2 模型集成 93 4.4.3 半监督学习 95 总结 96 注释 96 习题 97 参考文献 99 第5章信息论观点 101 5.1 优选熵原理 101 5.1.1 朴素优选熵模型 103 5.1.2 条件熵 104 5.1.3 优选熵模型与训练数据 105 5.2 KL散度与交叉熵 108 5.2.1 交叉熵和优选似然估计 109 5.2.2 模型困惑度 110 5.3 互信息 111 5.3.1 点互信息 112 5.3.2 基于点互信息的文本挖掘 113 5.3.3 基于点互信息的特征选取 115 5.3.4 词的点互信息与向量表示 115 总结 117 注释 117 习题 117 参考文献 120 第6章隐变量 121 6.1 期望优选算法 121 6.1.1 k均值算法 123 6.1.2 期望优选算法介绍 125 6.2 基于期望优选算法的隐变量模型 127 6.2.1 无监督朴素贝叶斯模型 127 6.2.2 IBM模型1 130 6.2.3 概率潜在语义分析 136 6.2.4 生成模型的相对优势 138 6.3 期望优选算法的理论基础 138 6.3.1 期望优选与KL散度 139 6.3.2 基于数值优化的期望优选算法推导 140 总结 141 注释 142 习题 142 参考文献 144 第二部分结构研究第7章生成式序列标注任务 146 7.1 序列标注 146 7.2 隐马尔可夫模型 147 7.2.1 隐马尔可夫模型的训练 149 7.2.2 解码 149 7.3 计算边缘概率 153 7.3.1 前向算法 154 7.3.2 后向算法 154 7.3.3 前向-后向算法 156 7.3.4 二阶隐马尔可夫模型的前向-后向算法 156 7.4 基于期望优选算法的无监督隐马尔可夫模型训练 158 总结 164 注释 164 习题 165 参考文献 166 第8章判别式序列标注任务 168 8.1 局部训练的判别式序列标注模型 168 8.2 标注偏置问题 171 8.3 条件随机场 172 8.3.1 全局特征向量 173 8.3.2 解码 174 8.3.3 边缘概率计算 175 8.3.4 训练 178 8.4 结构化感知机 181 8.5 结构化支持向量机 184 总结 186 注释 186 习题 186 参考文献 188 第9章序列分割 189 9.1 基于序列标注的序列分割任务 189 9.1.1 面向分词的序列标注特征 190 9.1.2 面向句法组块分析的序列标注特征 192 9.1.3 面向命名实体识别的序列标注特征 192 9.1.4 序列分割输出的评价方式 193 9.2 面向序列分割的判别式模型 193 9.2.1 分词中的词级别特征 194 9.2.2 基于动态规划的准确搜索解码 195 9.2.3 半马尔可夫条件随机场 197 9.2.4 优选间隔模型 202 9.3 结构化感知机与柱搜索 203 9.3.1 放宽特征局部约束 204 9.3.2 柱搜索解码 205 总结 207 注释 207 习题 207 参考文献 208 第10章树结构预测 210 10.1 生成式成分句法分析 210 10.1.1 概率上下文无关文法 212 10.1.2 CKY解码 213 10.1.3 成分句法解析器的性能评估 215 10.1.4 边缘概率的计算 215 10.2 成分句法分析的特征 218 10.2.1 词汇化概率上下文无关文法 218 10.2.2 判别式成分句法分析模型 221 10.2.3 面向成分句法分析的对数线性模型 222 10.2.4 面向成分句法分析的优选间隔模型 225 10.3 重排序 225 10.4 序列和树结构总结及展望 228 总结 228 注释 228 习题 229 参考文献 230 第11章基于转移的结构预测模型 233 11.1 基于转移的结构化预测 233 11.1.1 贪心式局部模型 235 11.1.2 结构化全局模型 236 11.2 基于转移的成分句法分析 239 11.2.1 移进归约成分句法分析 239 11.2.2 特征模板 241 11.3 基于转移的依存句法分析 242 11.3.1 标准弧转移依存句法分析 243 11.3.2 依存句法解析器的评价方法 245 11.3.3 贪心弧转移依存句法分析 245 11.3.4 基于SWAP动作的非投影树解析 246 11.4 句法分析联合模型 247 11.4.1 分词、词性标注与依存句法分析联合模型 248 11.4.2 讨论 250 总结 251 注释 251 习题 251 参考文献 252 第12章贝叶斯网络 254 12.1 通用概率模型 254 12.2 贝叶斯网络的训练 257 12.2.1 优选似然估计 258 12.2.2 优选后验估计 259 12.2.3 共轭先验 261 12.2.4 贝叶斯估计 263 12.2.5 贝叶斯一元语言模型 265 12.3 推理 266 12.3.1 准确推理 266 12.3.2 吉布斯采样 267 12.4 潜在狄利克雷分配 269 12.4.1 带有隐变量的训练过程 271 12.4.2 潜在狄利克雷分配模型的应用 274 12.4.3 主题评价 275 12.5 贝叶斯IBM模型1 276 总结 276 注释 277 习题 277 参考文献 278 第三部分深度学习第13章神经网络 282 13.1 从单层网络到多层网络 282 13.1.1 面向文本分类任务的多层感知机 284 13.1.2 多层感知机的训练 287 13.2 构建不依赖人工特征的文本分类器 292 13.2.1 词嵌入 293 13.2.2 序列编码层 293 13.2.3 输出层 296 13.2.4 训练 297 13.3 神经网络的训练优化 298 13.3.1 Short-cut连接 298 13.3.2 层标准化 298 13.3.3 Dropout机制 299 13.3.4 神经网络随机梯度下降训练算法的优化 299 13.3.5 超参数搜索 301 总结 301 注释 301 习题 301 参考文献 303 第14章表示学习 305 14.1 循环神经网络 305 14.1.1 朴素循环神经网络 306 14.1.2 循环神经网络的训练 307 14.1.3 长短期记忆网络与门控循环单元 309 14.1.4 堆叠式长短期记忆网络 311 14.2 注意力机制 312 14.2.1 键值对注意力 313 14.2.2 自注意力网络 315 14.3 树结构 315 14.3.1 Child-Sum树形长短期记忆网络 316 14.3.2 二叉树长短期记忆网络 318 14.3.3 特征对比 319 14.4 图结构 319 14.4.1 图循环神经网络 320 14.4.2 图卷积神经网络 321 14.4.3 图注意力神经网络 322 14.4.4 特征聚合 323 14.5 表示向量的分析 323 14.6 神经网络的训练 324 14.6.1 AdaGrad算法 324 14.6.2 RMSProp算法 325 14.6.3 AdaDelta算法 325 14.6.4 Adam算法 326 14.6.5 优化算法的选择 327 总结 327 注释 327 习题 328 参考文献 331 第15章基于神经网络的结构预测模型 334 15.1 基于图的局部模型 334 15.1.1 序列标注 335 15.1.2 依存分析 337 15.1.3 成分句法分析 340 15.1.4 和线性模型的对比 342 15.2 基于转移的局部贪心模型 342 15.2.1 模型1 343 15.2.2 模型2 346 15.2.3 模型3 347 15.3 全局结构化模型 349 15.3.1 基于神经网络的条件随机场模型 349 15.3.2 全局规范化的基于转移的模型 355 总结 357 注释 358 习题 358 参考文献 359 第16章两段式文本任务 361 16.1 序列到序列模型 361 16.1.1 模型1：基于长短期记忆网络 361 16.1.2 模型2：基于注意力机制 364 16.1.3 模型3：基于拷贝机制&nb