新書推薦：
《
无人机摄影与摄像从新手到高手
》
售價：HK$
54.8
《
电力算力网络：技术、应用与发展
》
售價：HK$
162.8
《
文明交流互鉴：原始儒家与早期基督教生命伦理比较研究
》
售價：HK$
96.8
《
博我以文：清代前中期的古文与知识秩序 国家社科基金后期资助项目
》
售價：HK$
206.8
《
一间自己的房间（精装全译本）激发女性觉醒的心灵之书
》
售價：HK$
55.0
《
印度神话（从众神角度深入解读古印度的两大史诗；窥览三相神梵天、毗湿奴和湿婆的神秘职责；探索诸神提婆与恶魔阿修罗的长久斗争）
》
售價：HK$
108.9
《
算法竞赛核心教程：策略与算法深度解析
》
售價：HK$
96.8
《
道不远人：近代中国的儒学与儒生
》
售價：HK$
96.8
|
| 編輯推薦： |
资深算法工程师多年从事NLP算法与模型研究的经验总结。
基于任务视觉详解深度学习与大模型在各类NLP任务中的应用。
详解深度学习在9种NLP任务中的应用并给出大模型实现示例。
详细介绍实现NLP任务的多种模型，并详细分析每种模型的创新点。
从基本原理、数学推导和应用场景三个方面介绍NLP的相关算法和模型。
每章都给出基于ChatGPT或BERT等大模型实现NLP相关任务的示例。
结合200余幅原理图进行讲解，让抽象的知识变得更加直观和易懂。
基于9种NLP任务组织内容，每种任务都可以视为一个具体的实战项目，各个任务之间依赖度较低，读者可以基于兴趣选择自己感兴趣的内容进行学习，或者基于当前遇到的问题直接查阅相关的解决方案和思路。
不但介绍NLP任务的传统实现方法，而且重点介绍其深度学习实现方法，并在每章后给出基于ChatGPT或者BERT等大模型实现相关任务的示例，从而帮助读者全面掌握NLP任务的实现方法和应用。
详细介绍实现NLP任务的多种模型，不但对相关模型的理论知识进行详细介绍，而且辅以大量的原理图，帮助读者更加高效、直观地理解。
以深度学习的前后发展逻辑展开讲
|
| 內容簡介： |
《深入理解自然语言处理：从深度学习到大模型应用》从自然语言处理（NLP）的任务视角分门别类地介绍深度学习与大模型在现阶段各NLP任务中的应用。以任务视角是指以一个个场景项目为视角，这样可以让读者获得更多的实战经验。《深入理解自然语言处理：从深度学习到大模型应用》的每章都有核心模型的先验链条，这对读者理解和掌握NLP模型非常有帮助。
來源：香港大書城megBookStore,http://www.megbook.com.hk
《深入理解自然语言处理：从深度学习到大模型应用》分为9章，对应9种NLP任务。第1章介绍分词和词性标注任务。第2章介绍文本分类任务，如情感分析、文章分类与打标签等。第3章介绍命名实体识别任务，如提取内容中的姓名和公司名等，在知识图谱、内容结构化和智能对话等场景中也有该类任务的具体应用。第4章介绍神经机器翻译任务，该类任务是NLP最先商用的独立场景。第5章介绍文本纠错任务，该类任务的应用非常广泛，涉及用户输入的场景一般需要用到纠错任务，否则用户体验会很差。第6章介绍机器阅读理解任务，该类任务偏学术，在实践中往往属于某个大任务下的子任务。第7章介绍句法分析任务，该类任务比较传统，基于深度学习的应用场景还不多。第8章介绍文本摘要任务，该类任务在新闻类业务场景中应用较多。第9章介绍信息检索和问答系统任务，凡是类似搜索和输入类需要等待回复的场景都会用到该类任务。
《深入理解自然语言处理：从深度学习到大模型应用》内容丰富，讲解深入浅出，适合有一定机器学习基础的NLP入门和进阶人员阅读，也适合NLP领域的从业人员作为解决具体业务问题的参考书，还适合高等院校人工智能等相关专业作为教材。
|
| 關於作者： |
|
宋文峰， 毕业于中山大学，获计算机硕士学位。先后担任百度、联想和趣头条等互联网大厂的算法团队负责人。熟悉自然语言处理的相关算法和模型，有多年的算法开发、推荐系统开发和自然语言处理项目经验。业余时间兼职自然语言处理讲师，从事相关课程的讲授工作，积累了丰富的经验。
|
| 目錄：
|
第1章 分词和词性标注
1.1 为什么要学习分词
1.2 分词的传统算法
1.2.1 正向最大匹配
1.3 Trie权
1.2.3 反向最大匹配
1.2.4 最短路径
1.2.5 分词工具jieba的实现流程
1.3 深度学习在分词中的应用
1.3.1 Bi-LSTM模型
1.3.2 基于词向量的分词
1.3.3 简易融合语料分词
1.3.4 分词的多标准集成学习
1.3.5 分词的多标准融合学习
1.3.6 分词的多标准融合学习2
1.4 为什么要学习已经过时的模型
1.5 BERT之后的中文分词还有必要用吗
1.6 如何他词性无注
1.7 大模型时代的分词和词性标注
1.8 小结
第2章 文本分类
2.1 文本分类的应用
2.2 文本分类的词向量方法
2.2.1 Word2vec模型
2.2.2 fastText模型
2.2.3 Doc2vec模型
2.2.4 softmax加速
2.3 文本分类的深度学习方法
2.3.1 LSTM简介
2.3.2 Tree-LSTM简介
2.3.3 DCNN模型
2.3.4 TextCNN模型
2.3.5 胶囊网络应用于文本分类
2.3.6 层级注意力网络HAN
2.4 分类任务数据集
2.5 大模型时代的文本分类
2.5.1 使用BERT进行文本分类
2.5.2 使用ChatGPT进行文本分类
2.6 小结
第3章 命名实体识别
3.1 什么是NER
3.1.1 中文NER的难点
3.1.2 NER的主要应用场景
3.1.3 NER的评估方法
3.2 传统的NER方法
3.2.1 HanLP的中文人名的NER实现
3.2.2 HanLP的其他NER识别
3.3 深度学习在NER中的应用
3.3.1 使用深度学习处理NER问题的原因
3.3.2 Bi-LSTM CRF模型
3.3.3 CharNER模型
3.3.4 Bi-LSTM CNN模型
3.3.5 ID-CNN模型
3.3.6 序列标注的半监督多任务模型
3.3.7 LatticeLSTM模型
3.3.8 PLTE模型
3.4 大模型时代的命名实体识别
3.4.1 使用ChatGPT提示词进行实体识别
3.4.2 使用ChatGPTAPI进行实体识别
3.5 小结
第4章 神经机器翻译
4.1 神经机器翻译的发展
4.2 评估指标
4.2.1 BLEU指标
4.2.2 Rouge-L指标
4.3 神经机器翻译概述
4.4 注意力机制
4.4.1 注意力机制简介
4.4.2 注意力机制的具体应用
4.5 NMT经典模型——Transformer
4.6 NMT前沿研究
4.6.1 NMT的新方向1：多语言交叉翻译
……
第5章 文本纠错
第6章 机器阅读理解
第7章 句法分析
第8章 文本摘要
第9章 信息检索和问答系统
|
| 內容試閱：
|
随着人工智能技术的飞速发展，自然语言处理（NLP）领域迎来了前所未有的变革。在2022年之前，NLP的研究和应用主要集中在传统的模型和方法上，如基于规则的方法、统计模型与机器学习算法等。这些技术虽然取得了一定的成果，但是在处理复杂、多变的自然语言时仍面临着诸多挑战。
近年来，随着深度学习技术的不断发展和计算能力的显著提升，大模型在NLP任务中的应用逐渐崭露头角。这些模型通过在大规模语料库上进行预训练，学会了丰富的语言知识和上下文理解能力，从而在各种NLP任务中取得了令人瞩目的表现。例如，BERT和GPT等大模型的出现，极大地推动了NLP的发展，使得机器在文本生成、问答系统和对话系统等领域的表现有了质的飞跃。
在业界，小米的小爱同学（现更名为“超级小爱”）、阿里巴巴的天猫精灵、微软的小冰等智能助手都是基于大模型技术实现的。它们能够与人类进行流畅的对话，理解用户的意图并完成各种任务，如查询天气、播放音乐、设置提醒等。这些智能助手的出现，不仅提高了人们的生活质量，也推动了NLP技术的普及和应用。
除了智能助手外，大模型还在翻译、文本分类、分词和命名实体识别等NLP任务中取得了显著的突破。特别是在翻译领域，大模型的出现使得机器翻译的准确性得到了极大的提升。如今，即便是专业翻译人员，也经常会先使用基于大模型的机器翻译工具进行初步翻译，然后再基于这些结果进行润色和修改，从而大大提高了工作效率。
然而，随着NLP技术的不断发展，业界对NLP工程师的要求也越来越高。未来的NLP工程师不仅需要掌握传统的NLP技术和方法，还需要具备深度学习和大模型的相关知识，能够应对更加复杂和多样的NLP任务。因此，对于想要进入NLP领域的人来说，掌握深度学习和大模型技术将成为NLP从业人员的 技能之一。
目前市面上系统讲解NLP任务的图书还不多，已经出版的大多数相关图书主要介绍各类算法，如朴素贝叶斯、隐马尔可夫模型（HMM）和条件随机场（CRF）等，最后介绍一下深度学习的相关内容。这样的讲述风格，其好处是讲解循序渐进，可以降低对读者学习规划能力的要求，但也会降低读者的学习兴趣。因为在遇到具体问题和应用场景之前，如何使用各类算法是不知道的，这样会导致学习目的缺失。对于编程问题，目前市面上已经有大量基于项目讲解编码的图书。但是对于算法场景而言，基于项目讲述的图书还很少。当然，算法场景也可以基于项目讲解，只是它对业务数据有强关联性，在具体项目中这样做容易陷入大量的数据清洗等细节上。
基于上述原因，笔者觉得有必要另辟蹊径，编写一本帮助学习者系统理解NLP的图书。本书基于NLP任务进行讲述，而不是基于真实的项目。如果厘清了各个任务的具体解决思路，那么当遇到真实的项目时自然可以顺利上手。这时，学习者与有经验的算法工程师的区别可能只是在特征工程、业务理解和模型参数调整等方面，而不会像工程开发那样——如果只是开发学习性项目而没有经手过真实的项目，那么学习者与“有经验”就会有很大的鸿沟。
本书特色
? 基于9种NLP任务组织内容，每种任务都可以视为一个具体的实战项目，各个任务之间依赖度较低，学习者可以基于兴趣选择自己感兴趣的内容进行学习，或者基于当前遇到的问题直接查阅相关的解决方案和思路。
? 不但介绍NLP任务的传统实现方法，而且重点介绍其深度学习实现方法，并在每章后给出基于ChatGPT或者BERT等大模型实现相关任务的示例，从而帮助学习者全面掌握NLP任务的实现方法和应用。
? 详细介绍实现NLP任务的多种模型，不但对相关模型的理论知识进行详细介绍，而且辅以200多幅原理图，以帮助学习者更加高效、直观地理解。
? 以深度学习的前后进展逻辑展开讲解，详细分析每种模型的创新点，不仅可以让学习者快速掌握深度学习模型的核心逻辑，而且可以收获前人总结的先验知识。
? 不仅可以让学习者对NLP的相关任务有清楚的认识和深入的理解，而且可以对学习者阅读NLP相关论文提供很大的帮助。
本书内容
本书共9章，分别对应9种NLP任务。
第1章分词和词性标注，首先介绍如何用Python最常见的分词工具包jieba实现分词，然后介绍深度学习模型在分词中的应用，最后给出用ChatGPT模型实现分词和词性标注的示例。分词是比较基础的NLP任务，需要NLP工程师清楚其内部逻辑。
第2章文本分类，重点介绍文本分类的词向量方法和深度学习方法，并分别给出用ChatGPT和BERT模型实现文本分类的示例。文本分类是很常见的NLP任务，几乎所有的NLP任务都可以归结为分类任务，诸如情感分析、文章分类和打标签等都是常见的文本分类任务场景。
第3章命名实体识别，首先介绍NLP工具包HanLP在命名实体识别中的实现方法，然后介绍深度学习模型在该领域的探索，最后分别给出用ChatGPT提示词和ChatGPT API进行实体识别的示例。命名实体识别最常见的应用场景是实体提取，例如从一句话中提取其中的姓名和公司名等。知识图谱、内容结构化和智能对话等场景都有命名实体识别的相关应用。
第4章神经机器翻译，详细地介绍目前比较热门的Transformer模型，并分别给出用BERT和ChatGPT模型进行神经机器翻译的示例。神经机器翻译是NLP最先商用的独立任务场景，它也是经典“编码器-解码器”模型架构的最初任务场景。
第5章文本纠错，主要介绍文本纠错的工程流解决方案，并分别给出用ChatGPT提示词和ChatGPT API进行文本纠错的示例。文本纠错是应用非常广泛的一类任务，涉及用户输入的场景一般需要用到纠错，否则用户体验会非常差。
第6章机器阅读理解，基于Match-LSTM模型逐一介绍深度学习在机器阅读理解领域的应用，并分别给出用BERT和ChatGPT模型进行机器阅读理解的示例。机器阅读理解任务学术性较强，在实践中往往属于某个大任务下面的子任务。
第7章句法分析，首先介绍短语句法分析和依存句法分析，然后介绍深度学习与句法分析的结合，最后分别给出用ChatGPT API和ChatGPT提示词进行句法分析的示例。句法分析是比较传统的NLP任务，虽然目前它基于深度学习的应用场景还不多，但是并不意味着未来依然不多。
第8章文本摘要，主要介绍传统的摘要方法、抽取式模型和生成式模型，并分别给出用ChatGPT API和ChatGPT提示词进行文本摘要的示例。文本摘要类任务在新闻类业务场景中的应用较多，它也是类似翻译的模型结构。
第9章信息检索和问答系统，重点介绍表征式模型、交互式模型和混合式模型，并给出使用ChatGPT模型进行问答和检索信息的示例。信息检索和问答系统是使用频率很高的NLP任务，凡是类似搜索和输入类需要等待回复的场景都可以归为这类任务。
本书读者对象
? 想全面学习NLP任务模型的人员。
? 有一定机器学习和深度学习基础的NLP初学者与进阶者。
? 从事NLP开发的工程师。
? 对NLP感兴趣的人员。
? 对大模型应用感兴趣的人员。
? 相关培训机构的学员。
? 高校相关专业的学生。
本书配套资源
本书涉及的配套教学PPT有两种获取方式：一是关注微信公众号“方大卓越”，回复数字“41”获取下载链接；二是在清华大学出版社网站（www.tup.com.cn）上搜索本书，然后在本书页面上找到“资源下载”栏目，单击“网络资源”或“课件下载”按钮进行下载。
本书售后支持
由于笔者水平所限，书中难免存在疏漏与不足之处，恳请广大读者批评与指正。学习者在阅读本书时若有疑问，可发送电子邮件获取帮助，邮箱地址为bookservice2008@163.com。
宋文峰
2025年1月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
