目 录__eol__第 1 部分 自然语言处理基础__eol__第 1 章 绪论 2__eol__1.1 自然语言处理综述 3__eol__1.1.1 自然语言处理的基本概念 3__eol__1.1.2 自然语言处理的发展历程 4__eol__1.1.3 自然语言处理的研究内容 5__eol__1.1.4 自然语言处理的挑战与发展趋势 7__eol__1.2 文本处理技能 9__eol__1.2.1 字符串处理 9__eol__1.2.2 中文分词及案例实现 11__eol__1.3 文本数据处理 13__eol__1.3.1 文本操作基础 13__eol__1.3.2 案例实现——文本数据统计 15__eol__1.3.3 案例实现——词云生成 17__eol__本章总结 19__eol__作业与练习 19__eol__第 2 章 词向量技术 21__eol__2.1 词向量概述 22__eol__2.1.1 词向量基础 22__eol__2.1.2 词向量表示的问题 22__eol__2.2 词向量离散表示 23__eol__2.2.1 独热编码 23__eol__2.2.2 词袋模型 24__eol__2.2.3 词频-逆文本频率 25__eol__2.2.4 案例实现——文本离散表示 25__eol__2.3 词向量分布表示 29__eol__2.3.1 神经网络语言模型 29__eol__2.3.2 Word2vec 模型 31__eol__2.3.3 案例实现——中文词向量训练 33__eol__本章总结 39__eol__作业与练习 39__eol__第 3 章 关键词提取 41__eol__3.1 关键词提取概述 42__eol__3.1.1 关键词提取基础 42__eol__3.1.2 基于 TF-IDF 的关键词提取 42__eol__3.1.3 基于 TextRank 的关键词提取 43__eol__3.1.4 基于 Word2vec 词聚类的关键词提取 43__eol__3.2 关键词提取的实现 44__eol__3.2.1 案例介绍 44__eol__3.2.2 案例实现——关键词提取综合案例 45__eol__本章总结 57__eol__作业与练习 57__eol__第 2 部分 自然语言处理核心技术__eol__第 4 章 朴素贝叶斯中文分类 60 4.1 朴素贝叶斯分类算法概述 60__eol__4.1.1 概率基础 60__eol__4.1.2 朴素贝叶斯分类器 62__eol__4.2 机器学习库 sklearn 64__eol__4.2.1 sklearn 获取数据 64__eol__4.2.2 sklearn 数据预处理 64__eol__4.2.3 sklearn 构建模型 65__eol__4.3 案例实现——朴素贝叶斯中文分类 65__eol__本章总结 71__eol__作业与练习 72__eol__第 5 章 N-gram 语言模型 73__eol__5.1 N-gram 概述 73__eol__5.1.1 N-gram 语言模型简介 73__eol__5.1.2 N-gram 概率计算 74__eol__5.1.3 案例——N-gram 的实现 75__eol__5.2 案例实现——基于 N-gram 的新闻文本预测 77__eol__本章总结 84__eol__作业与练习 84__eol__第 6 章 PyTorch 深度学习框架 85__eol__6.1 PyTorch 基础 85__eol__6.1.1 PyTorch 的介绍与安装 85__eol__6.1.2 PyTorch 入门使用 87__eol__6.1.3 梯度下降与反向传播 92__eol__6.1.4 案例——使用 PyTorch 实现线性回归 95__eol__6.2 PyTorch 数据加载 99__eol__6.2.1 使用数据加载器的目的 99__eol__6.2.2 DataSet 的使用方法 99__eol__6.2.3 DataLoader 的使用方法 100__eol__6.3 PyTorch 自带数据集加载 101__eol__本章总结 102__eol__作业与练习 102__eol__第 7 章 FastText 模型文本分类 104__eol__7.1 FastText 模型简介 104__eol__7.1.1 FastText 模型原理 104__eol__7.1.2 FastText 模型结构 105__eol__7.1.3 FastText 模型优化 105__eol__7.2 案例实现——FastText 模型文本分类 106__eol__本章总结 118__eol__作业与练习 118__eol__第 8 章 基于深度学习的文本分类 119__eol__8.1 基于 TextCNN 的文本分类 119__eol__8.1.1 卷积神经网络 119__eol__8.1.2 TextCNN 的原理 121__eol__8.2 基于 TextRNN 的文本分类 122__eol__8.2.1 LSTM 原理 122__eol__8.2.2 LSTM 网络结构 123__eol__8.3 基于 TextRCNN 的文本分类 124__eol__8.3.1 TextRCNN 原理 124__eol__8.3.2 TextRCNN 网络结构 125__eol__8.4 案例实现——基于深度学习的文本分类 126__eol__本章总结 146__eol__作业与练习 146__eol__第 3 部分 序列标注__eol__第 9 章 HMM 的词性标注 148__eol__9.1 词性标注简介 149__eol__9.1.1 词性标注的基本概念 149__eol__9.1.2 中文词性的分类及作用 149__eol__9.1.3 词性标注体系 150__eol__9.2 HMM 词性标注的原理和基本问题 151__eol__9.2.1 HMM 词性标注的原理 151__eol__9.2.2 HMM 的基本问题 151__eol__9.3 案例实现——HMM 的中文词性标注 152__eol__本章总结 158__eol__作业与练习 158__eol__第 10 章 HMM 的命名实体识别 159__eol__10.1 命名实体识别 160__eol__10.1.1 命名实体识别的概念 160__eol__10.1.2 NER 的标注方法 160__eol__10.2 NER 的 HMM 162__eol__10.3 案例实现——HMM 的中文命名实体识别 162__eol__本章总结 175__eol__作业与练习 175__eol__第 11 章 BiLSTM-CRF 的命名实体识别 176__eol__11.1 CRF 简介 177__eol__11.1.1 CRF 的基本概念 177__eol__11.1.2 BiLSTM 的命名实体识别 177__eol__11.1.3 CRF 的命名实体识别 178__eol__11.2 BiLSTM-CRF 的原理 179__eol__11.3 案例实现——BiLSTM-CRF 的中文命名实体识别 180__eol__本章总结 189__eol__作业与练习 189__eol__第 4 部分 预训练模型__eol__第 12 章 ALBERT 的命名实体识别 192__eol__12.1 预训练模型简介 193__eol__12.1.1 预训练模型的基本概念 193__eol__12.1.2 经典的预训练模型 193__eol__12.2 预训练模型 Hugging Face 195__eol__12.2.1 Hugging Face 简介 195__eol__12.2.2 案例实现——使用 Hugging Face完成情感分析 196__eol__12.3 案例实现——ALBERT 的中文命名实体识别 198__eol__本章总结 207__eol__作业与练习 207__eol__第 13 章 Transformer 的文本分类 209__eol__13.1 Transformer 概述 210__eol__13.1.1 Encoder-Decoder 模型 210__eol__13.1.2 Transformer 简介 210__eol__13.1.3 Transformer 总体结构 211__eol__13.2 Self-Attention 机制 213__eol__13.2.1 Self-Attention 机制的原理 213__eol__13.2.2 Self-Attention 的计算过程 214__eol__13.2.3 位置编码和 Layer Normalization 215__eol__13.3 案例实现——Transformer 的文本分类 217__eol__本章总结 234__eol__作业与练习 234__eol__第 14 章 BERT 的文本相似度计算 236__eol__14.1 文本相似度简介 237__eol__14.1.1 文本相似度的应用场景 237__eol__14.1.2 文本相似度计算的方法 237__eol__14.2 BERT 的文本相似度简介 238__eol__14.3 案例实现——BERT 的文本相似度计算 239__eol__本章总结 251__eol__作业与练习 251__eol__第 15