基于深度学习的自然语言处理

图书标准信息

• 作者 [美]邓力、[中]刘洋 著；李轩涯、卢苗苗、赵玺、计湘婷 译
• 出版社 清华大学出版社
• 出版时间 2020-06
• 版次 1
• ISBN 9787302551942
• 定价 198.00元
• 装帧 其他
• 开本 16开
• 页数 384页
• 字数 0.369千字

【内容简介】

介绍深度学习领域最先进的技术

 

以及深度学习在主要的自然语言处理任务中的成功应用

 

对深度学习时代自然语言处理领域的不同研究前沿进行了概括与分析

 

 

 

列举了深度学习与自然语言处理领域中交叉的技术性术语以及常用的首字母缩略词。

 

【作者简介】

邓力博士，2019年当选加拿大国家工程学院和美国华盛顿州科学院院士，目前担任Citadel首席人工智能官。2000―2017年，邓博士在微软曾担任AI首席科学家、深度学习技术中心(Deep Learning Technology Center)创始人、微软合伙人研究经理。1989―1999年，邓博士在加拿大滑铁卢大学曾担任助理教授、终身副教授和正教授，还曾在麻省理工学院(1992―1993年)、ATR(1997―1998年，日本京都)和香港科技大学(1995年，香港)担任教学/研究职位。邓博士是IEEE(2004)、美国声学学会(1993)和ISCA(2011)的研究员。自2000年以来，邓博士一直是西雅图华盛顿大学的兼职教授。
  刘洋博士，清华大学计算机科学与技术系长聘教授、人工智能研究所所长，国家杰出青年基金获得者。研究方向是自然语言处理，在自然语言处理和人工智能领域重要国际刊物和国际会议上发表80余篇论文，获得ACL 2017杰出论文奖和ACL 2006优秀亚洲自然语言处理论文奖。获得国家科技进步二等奖、中国电子学会科技进步一等奖、中国中文信息学会钱伟长青年创新一等奖、北京市科学技术奖二等奖等多项科技奖励。担任或曾担任国际计算语言学学会亚太分会执委兼秘书长、Computational Linguistics编委、ACM TALLIP副编辑、中国中文信息学会青年工作委员会主任。

【目录】

章自然语言处理与深度学习概述11.1自然语言处理的概况11.2第一大浪潮：理性主义21.3第二大浪潮：经验主义41.4第三大浪潮：深度学习71.5从现在到未来的转变111.5.1从经验主义到深度学习的变革111.5.2当前深度学习技术的限制121.6自然语言处理未来的发展方向131.6.1神经符号集成(NeuralSymbolic Integration)131.6.2结构、记忆和知识151.6.3无监督和生成式深度学习151.6.4多模式和多任务深度学习161.6.5元学习171.7结论18第2章基于深度学习的对话语言理解202.1引言202.2历史性视角222.3主要的语言理解任务242.3.1域检测和意图识别242.3.2填槽242.4提升技术水平：从统计建模到深度学习252.4.1域检测和意图识别252.4.2填槽282.4.3联合多任务多域模型352.4.4上下文理解372.5结论40第3章基于深度学习的语音与文本对话系统433.1引言433.2系统组件的学习方法463.2.1判别性方法473.2.2生成性方法483.2.3决策性方法493.3目标导向型神经对话系统493.3.1神经语言理解493.3.2对话状态追踪器503.3.3深度对话管理器513.4基于模型的用户模拟器533.5自然语言生成543.6基于端到端深度学习构建对话系统573.7面向开放式对话系统的深度学习593.8对话建模的数据集603.8.1卡内基 梅隆传播语料库603.8.2ATIS：航空旅行信息系统飞行员语料库603.8.3对话状态追踪挑战数据集603.8.4Maluuba框架数据集613.8.5Facebook对话数据集623.8.6Ubuntu对话语料库633.9开源对话软件633.10对话系统评估653.11结论67第4章基于深度学习的词法分析和句法分析684.1引言684.2典型的词法分析和句法分析任务694.2.1分词694.2.2词性标注704.2.3句法分析704.2.4结构化预测问题724.3结构化预测744.3.1基于图的方法754.3.2基于转移的方法774.4基于神经图的方法824.4.1神经条件随机场824.4.2基于图的神经依存句法分析844.5基于神经转移的方法864.5.1贪婪移位减少依存句法分析864.5.2贪婪序列标注904.5.3全局优化模型944.6结论101第5章基于深度学习的知识图谱1025.1引言1025.1.1基本概念1035.1.2典型的知识图谱1035.2知识表征学习1075.3神经关系抽取1095.3.1语句级NRE1095.3.2文档级NRE1155.4知识与文本的桥梁:实体连接1165.4.1实体连接框架1175.4.2用于实体连接的深度学习1205.5结论127第6章基于深度学习的机器翻译1296.1引言1296.2统计机器翻译及其面对的挑战1306.2.1基本原理1306.2.2统计机器翻译所面对的挑战1336.3基于组件深度学习的机器翻译1346.3.1用于词对齐的深度学习与基于深度学习的词对齐1346.3.2用于翻译规则概率估计的深度学习1376.3.3用于短语调序的深度学习1406.3.4用于语言建模的深度学习1426.3.5用于特征组合的深度学习1436.4基于端到端深度学习的机器翻译1466.4.1编码器解码器框架1466.4.2机器翻译的神经注意力1486.4.3处理大词汇量的技术挑战1506.4.4使用端到端训练直接优化评估指标1526.4.5结合先验知识1536.4.6低资源语言翻译1566.4.7神经机器翻译中的网络结构1586.4.8SMT和NMT的结合1596.5结论161第7章基于深度学习的问答系统1637.1引言1637.2基于深度学习的KBQA1647.2.1信息提取范式1657.2.2语义分析范式1697.2.3对比信息提取范式与语义分析范式1747.2.4数据集1747.2.5挑战1767.3基于深度学习的机器阅读理解1777.3.1任务描述1777.3.2基于特征工程的方法1827.3.3基于深度学习的方法1867.4结论191第8章基于深度学习的情感分析1948.1引言1948.2特殊情感词嵌入1968.3语句级情感分类2018.3.1卷积神经网络2028.3.2循环神经网络2048.3.3递归神经网络2078.3.4整合外部资源2098.4文档级情感分类2108.5细粒度情感分析2138.5.1意见挖掘2148.5.2针对特定目标的情感分析2158.5.3方面级情感分析2188.5.4立场检测2218.5.5讽刺识别2228.6结论223第9章基于深度学习的社会计算2249.1引言2249.2基于深度学习对用户生成内容进行建模2289.2.1传统的语义表征方法2299.2.2基于浅层嵌入技术的语义表征2299.2.3基于深度神经网络的语义表征2329.2.4运用注意力机制增强语义表征2369.3基于深度学习建立社会联系模型2379.3.1社交媒体中的社交联系2379.3.2建模社会关系的网络表征学习方法2389.3.3基于浅层嵌入的模型2399.3.4基于深度神经网络的模型2439.3.5网络嵌入的应用2449.4基于深度学习的推荐系统2459.4.1社交媒体中的推荐系统2459.4.2传统推荐算法2469.4.3基于浅层嵌入的模型2469.4.4基于深度神经网络的模型2489.5结论2540章基于深度学习的图像描述25510.1引言25510.2背景介绍25610.3图像描述的深度学习框架25710.3.1端到端框架25710.3.2组合框架26010.3.3其他框架26210.4评估指标和基准26310.5图像描述的工业部署26410.6示例：图像中的自然语言描述26510.7从图像生成文体自然语言的研究进展26810.8结论2701章后记：深度学习时代下自然语言处理的前沿研究27111.1引言27111.2两个新视角27211.2.1以任务为中心的视角27311.2.2以表征为中心的视角27411.3基于深度学习的NLP的研究进展与热点27611.3.1组合性泛化27611.3.2NLP中的无监督学习27711.3.3NLP中的强化学习27811.3.4NLP中的元学习28011.3.5弱可解释性与强可解释性28211.4结论284附录参考答案288术语表360
作者介绍

序言