具体描述
产品特色
编辑推荐
全书主要从语义模型详解、自然语言处理系统基础算法和系统案例实战三个方面，介绍了自然语言处理中相关的一些技术。每一个算法又分别从应用原理、数学原理、代码实现，以及对当前方法的思考四个方面进行讲解。
1）语义模型详解：从应用的角度介绍自然语言处理中的一些语义处理模型，比如关键词提取、计算词距离、文本自动生成等。
2）自然语言处理系统基础算法：这一部分主要是从基础系统搭建的角度对相关算法进行介绍。包括分词、词性标注、句法分析等。
3）系统案例实战：介绍了搭建一个舆情分析和挖掘系统所涉及的环节、各个环节的算法实现，以及部分实现代码。
内容简介
《自然语言处理技术入门与实战》主要从语义模型详解、自然语言处理系统基础算法和系统案例实战三个方面，介绍了自然语言处理中相关的一些技术。对于每一个算法又分别从应用原理、数学原理、代码实现，以及对当前方法的思考四个方面进行讲解。
《自然语言处理技术入门与实战》面向的读者为有志于从事自然语言处理相关工作的在校学生、企事业单位工作人员等人群。本书的结构是由浅入深地进行相关内容的介绍，以满足不同层次读者的学习需求。
作者简介
兰红云，湖北襄阳人。曾任职于猎豹移动，现为阿里影业数据挖掘专家，拥有多年的算法和数据挖掘的工作经验，申请过多项算法专利。研究方向包括自然语言处理和机器学习。
内页插图
目录
第1篇语义模型详解
第1章关键词抽取模型 3
1.1 TF-IDF算法实现关键词抽取 4
1.2 TextRank算法实现关键词抽取 11
1.3 基于语义的统计语言模型实现关键词抽取 16
第2章短语抽取模型 22
2.1 基于互信息和左右信息熵实现短语抽取 23
2.2 TextRank算法实现短语抽取 28
2.3 LDA算法实现短语抽取 31
第3章自动摘要抽取模型 38
3.1 决策树算法实现自动摘要 39
3.2 基于逻辑回归算法实现自动摘要 44
3.3 贝叶斯算法实现自动摘要 50
第4章深度学习——计算任意词距离模型 55
4.1 FP-Growth算法实现词距离计算 56
4.2 N-Gram算法实现词距离计算 61
4.3 BP算法实现词距离计算 65
第5章拼音汉字混合识别模型 70
5.1 贝叶斯模型实现拼音汉字混合识别 71
5.2 HMM模型实现拼音汉字混合识别 75
5.3 RNN神经网络模型实现拼音汉字混合识别 80
第6章文本自动生成模型 87
6.1 基于关键词的文本自动生成模型 88
6.2 RNN模型实现文本自动生成 93
第2篇自然语言处理系统基础算法
第7章Dijkstra算法 101
7.1 算法应用原理介绍 102
7.2 算法数学原理介绍 102
7.3 算法源码说明 106
7.4 算法应用扩展 107
第8章AC-DoubleArrayTrie算法 108
8.1 算法应用原理介绍 109
8.2 算法数学原理介绍 111
8.3 算法应用扩展 116
第9章最大熵算法 117
9.1 算法应用原理介绍 118
9.2 算法数学原理介绍 119
9.3 算法源码说明 124
9.4 算法应用扩展 125
第10章CRF算法 126
10.1 算法应用原理介绍 127
10.2 算法数学原理介绍 130
10.3 算法源码说明 135
10.4 算法应用扩展 136
第11章马尔可夫逻辑网算法 137
11.1 算法应用原理介绍 138
11.2 算法数学原理介绍 142
11.3 算法源码说明 144
11.4 算法应用扩展 145
第12章DIPRE算法 147
12.1 算法应用原理介绍 148
12.2 算法数学原理介绍 151
12.3 算法源码说明 152
12.4 算法应用扩展 153
第13章LSTM算法 155
13.1 算法应用原理介绍 156
13.2 算法数学原理介绍 158
13.3 算法源码说明 163
13.4 算法应用扩展 165
第14章TransE算法 166
14.1 算法应用原理介绍 167
14.2 算法数学原理介绍 170
14.3 算法源码说明 172
14.4 算法应用扩展 174
第3篇系统案例实战
第15章搭建舆情分析与挖掘的系统 177
15.1 系统功能设计简述 178
15.2 系统模块实现详解 181
15.3 系统实现源码说明 186
前言/序言
随着移动互联网的飞速发展，特别是物联网（InternetofThing，IoT）的飞速发展，人与设备的语言交互场景也越来越多，并且越来越成为核心。这种语言的交互既包括纯文字的，也包括语音的。自然语言处理（NaturalLanguageProcessing,NLP）就是以电子计算机、编程语言为工具对人类特有的书面和口头形式的自然语言信息进行各种类型处理和加工的技术。当然，随着技术的不断发展，其处理领域也出现了跨形态的组合。比如通过与图形图像处理技术的结合，可以实现看图说话、在线答题等应用。所以，自然语言处理是一门涉及语言学、计算机科学，当然还有数学的交叉性科学。自然语言处理的目的是为了让计算机能够理解人的语言，然后做出相应的处理或者应答。根据应用场景的不同，自然语言处理可以分为如下三点：（1）信息抽取，包括自动摘要、自动检索、舆情分析等；（2）语言理解，包括机器翻译、人机对话、语义理解等；（3）跨形态组合，包括看图说话、语音自动合成、辅助教学等。这些应用都是利用自然语言处理技术，对所需要处理的信息进行挖掘和分析，找出人们想要的东西，进而做出响应。而落实到具体的应用，又会衍生出很多不同的应用系统，由此衍生出来的应用系统包括但不限于：信息自动抽取系统、信息自动检索系统、文本信息挖掘系统、机器翻译系统、人机对话系统、图片描述自动生成系统、语音自动识别系统、语音自动合成系统、计算机辅助教学系统，等等。
因为自然语言自身的复杂性，比如：很多歧义、结构复杂多样、表达千变万化，导致其处理方法纷繁复杂，要考虑非常多的情景。所以上述这些系统之间又存在交叉，或者上下关联，或者前后依赖等复杂的关系。而这些复杂的应用对于一个初学者来说，是非常庞杂和难以掌握的，在学习的过程中难免存在因为其中某一个细节不能掌握，而影响整个进程的进度。或者是虽然理解了算法的数学原理，但是怎么在实际场景中应用，以及当前算法能解决哪些实际问题，还是不了解。在笔者学习的过程中，发现目前出版的一些书籍，或者是偏理论性的，会介绍很多自然语言处理技术发展的历史，比如符号逻辑的发展轨迹、语义网络的发展轨迹、语言学派和统计学派的“恩怨情仇”，会让初学者在学习的过程中抓不住重点，有时候又感觉它们好像就是一回事；又或者介绍的内容过于技术，开篇就把其中涉及的一些数学知识全都介绍一遍，因为这其中有很多数学知识是比较高阶的，比如隐马尔科夫链、条件随机场、数理逻辑推理等，在介绍数学知识的过程中，又难免会涉及相关的证明。本来其数学形式就比较复杂，再加上连环的证明就更难懂了，对于数学基础稍微薄弱一点的读者，就感觉没有学习的欲望和必要了。但是在实际应用中，其实这些烦琐的证明根本不需要，有时候只需要记住一个结论，然后根据自己数据的情况，优化模型中的参数就可以了。所以笔者就想结合自己学习过程中和实际工作中的一些经验和教训，从应用的角度来对自然语言处理中的一些技术进行介绍。在介绍的时候，希望尽量地避免烦琐和突兀的数学证明，从应用的角度尽可能简洁明了地对一个算法或者处理系统进行简要的介绍，先让大家对这个方法有一个直观感性的认识，然后再深入了解其中的难点，进而深入学习和攻克难点。
本书采用以应用为主，算法和实现为辅的形式对自然语言处理中的一些技术进行介绍。对于算法数学原理的介绍，都是穿插在每一个应用的介绍中，对每一部分的数学知识进行分别介绍和讲解，没有开篇便对所涉及的数学知识进行一个全面的介绍，这样大家就不会因为某一个部分的数学知识不完备，或者掌握起来有困难而放弃整个知识体系的学习，这样大家就可以独立学习和掌握。同时因为知识遗忘的必然性，笔者将数学知识融入到应用中进行介绍，就更容易让读者记住。否则前后脱节之后，就忘记了之前讲解的数学原理，即使在应用中又要重新学习，也并不一定能够知道具体的应用原理。
因此，笔者完全从应用的角度来进行各个内容的组织，没有涉及太多的处理技术起源、变革、发展等历史信息。这一方面是因为各个技术都有自己的长处和缺点，这个是理论学派争论的焦点，但不是应用层面应该关心或者需要表明立场的地方；另一方面作为主要介绍应用实战的书，这里更多的是想让读者了解对于同一个问题目前的一些处理的方法和这些方法之间的优劣，以及相互的关联，以便找到解决问题更好的方法，这样也更有利于整个事情的发展。所以从做事情的本身来说，我们需要关心的是事情怎么能够做起来，没有做起来是因为什么，所以我们更多关心的是“术”的事情，而对于“道”的层面更多的是了解，是取众家之长，来“集大成”，而不能剑走偏锋。
目前，随着源工具的不断增加，大家对底层应用的开发需求在逐渐降低，所以本书先从上层应用介绍入手，让读者能够直接用起来，这样更有利于读者边实践边学习，也可以避免大家因为学习底层技术太难而阻碍后期应用的学习。从企业的角度出发，缺的也不是底层通用的处理技术和能力，更多的是缺少对实际业务的处理能力，业务跑起来之后，整个系统便会随着业务的发展而不断发展。所以本书采用以应用贯串始终的方式来进行相关技术的介绍和说明。
具体来说，本书主要从以下三个方面介绍了自然语言处理中相关的一些技术。
1）语义模型详解：主要是从应用的角度介绍自然语言处理中的一些语义处理模型，比如关键词提取、计算词距离、文本自动生成等。
2）自然语言处理系统基础算法：这一部分主要是从基础系统搭建的角度对相关算法进行介绍。包括分词、词性标注、句法分析等。这两部分介绍的内容又分别从使用原理、实现原理、具体的代码实现，以及对当前方法的思考这四个角度进行介绍。
3）系统案例实战：介绍了搭建一个舆情分析和挖掘系统所要涉及的环节、各个环节的算法实现，以及部分实现代码。
本书在写作过程中力求普及并与实践相结合，尽可能地照顾到不同层次不同专业的读者。另外，本书是以应用场景来组织各个内容的，每一个章节都包含一个完整的应用解决方案：问题解决的原理、实现的算法原理、具体算法的实现，所以读者可以根据自己的需要独立地学习各个章节的内容。在各个章节的学习过程中，笔者强烈建议读者在学习具体方法之前，一定要认真地理解所要解决问题的具体场景。要理解当前场景的输入是什么、输出是什么，为什么会是这样的结构，只有弄明白了这些，才会对算法有更深入的理解，也才能更好地使用所学习的算法，做到举一反三。因为算法本身是一种数据处理逻辑，所以只要具有相同处理逻辑的问题都可以用同样的算法，比如最大熵模型发挥了巨大的作用是人们找到了其适用的场景，而不是对模型进行各种变形以让其去适合具体的应用。
本书在写作的过程中参考了很多国内外学者的论文和著作。如果没有他们的出色工作，没有他们极为宝贵的研究成果，本书是写不出来的。在本书出版之际，谨向他们表示衷心的感谢。
在本书写作过程中，笔者常为自己的学识不足而苦恼、自然语言处理作为一门交叉性边缘性学科，涉及语言学、计算机科学、数学等各个方面的知识，笔者学识浅陋，论述之中倘有不当，恳请读者批评指正。有任何意见和建议请发到392071814@qq.com，不胜感激。
最后，谨向帮助、支持和鼓励我完成本书的我的家人、同事、领导、朋友以及出版社的领导、编辑致以深深的敬意和真挚的感谢！
作者
2017年9月于杭州
用户评价
这本书的叙事方式简直是行云流水，读起来一点都不枯燥。作者就像一位经验丰富的向导，带领我们穿越NLP的重重迷雾。他用非常接地气的语言，将那些原本听起来高大上的概念，一一拆解，并且总能找到绝佳的比喻。比如说，在讲到分词时，他会用“把一句话切成一个个有意义的小片段”来形容，这让我这种初学者一下子就抓住了核心。而且，他并不满足于仅仅解释“是什么”，而是会花很多笔墨去讲“为什么”，为什么需要分词，为什么某种分词方法比另一种更好。 我最喜欢的部分是作者在引入每个新技术时，都会先交代清楚它出现的背景，解决的是什么问题。就像他在讲到Transformer模型的时候，先回顾了RNN和LSTM的局限性，然后才引出Transformer的创新点。这种“追根溯源”的做法，让我更容易理解新技术的重要性和它所带来的突破。而且，作者在讲解模型结构时，也总是用图文并茂的方式，把复杂的网络层级关系清晰地呈现出来，配合文字解释，真的是事半功倍。 这本书还有一个很棒的地方，就是它很注重“动手能力”的培养。作者在每个重要的概念或者技术点之后，都会提供相应的代码片段，并且会详细讲解每行代码的作用。我跟着书中的代码，在自己的电脑上跑了一遍又一遍，看到那些原本杂乱无章的数据，经过代码的处理，变得井井有条，并且能输出有用的信息，那种感觉太棒了！这不仅仅是学习知识，更是在学习如何“运用”知识。 而且，作者在讲解过程中，还会时不时地给出一些“小贴士”或者“注意事项”，这些细节非常实用，能够帮助我们避开很多新手常犯的错误。比如，在讲到文本特征提取时，他会提醒我们注意数据的归一化，或者在选择词向量模型时，建议我们考虑语料库的大小和质量。这些经验之谈，无疑是作者多年实践的结晶，对于我们快速成长非常有帮助。 最后，我觉得这本书的价值在于它提供了一个非常扎实的NLP学习“路线图”。它循序渐进，从基础概念到高级模型，再到实际应用，几乎涵盖了一个初学者需要掌握的所有关键要素。读完这本书，我感觉自己对NLP有了一个系统性的认识，不再是零散的知识点堆砌，而是构成了一个完整的知识体系。这让我对接下来的深入学习和项目实践充满了信心。
评分这本书最大的吸引力在于它能够将晦涩的技术概念，用一种非常人性化、易于理解的方式呈现出来。作者在写作时，仿佛是一位经验丰富的朋友，坐在你旁边，耐心地向你解释每一个细节，让你在不知不觉中就掌握了复杂的知识。比如，在介绍文本预处理的时候，作者并没有上来就讲一堆专业术语，而是先从“为什么我们要对文本进行清洗”开始，让我们明白预处理的必要性，然后再逐步介绍各种具体的处理方法。 让我特别欣赏的是，作者在讲解每一个重要的算法或模型时，都会结合具体的代码实现。他会将代码分解成一个个小模块，然后详细讲解每个模块的功能和背后的逻辑。这种“由代码理解原理，由原理指导代码”的双向学习方式，对于我这种动手能力较弱的读者来说，简直是福音。我跟着书中的代码，一步步地运行，调试，最终能够独立完成一些基础的NLP任务，这让我充满了成就感。 作者在书中还分享了很多关于NLP技术发展历程的见解，以及不同技术之间的优劣对比。比如，在讲到循环神经网络（RNN）的时候，他会详细分析RNN在处理长序列时的不足，然后引出长短期记忆网络（LSTM）的诞生，以及Transformer模型的出现。这种“纵向”和“横向”的梳理，让我对NLP技术的演进有了更清晰的认识，也能够更好地理解当前主流技术的核心优势。 让我惊喜的是，这本书不仅仅停留在技术讲解层面，还触及到了NLP技术的应用落地。作者在书中分享了如何将NLP技术集成到实际产品中，以及在产品开发过程中可能遇到的各种挑战和解决方案。这些实用的建议，对于想要将NLP技术应用于实际项目中的读者来说，无疑是宝贵的财富。它让我们不仅仅是学习“怎么做”，更学会了“如何做得更好”。 总的来说，这本书为我提供了一个系统且易于掌握的NLP学习路径。它不仅仅是一本技术书籍，更像是一位循循善诱的老师，陪伴我一步步地探索NLP的奥秘，并且让我有能力将这些知识转化为实际的行动。
评分读完这本书，我最大的感受就是，作者在讲解NLP技术时，总能抓住问题的本质，并且用一种非常直观的方式呈现出来。很多时候，我们学习新技术，会陷入各种复杂的公式和晦涩的术语中，但这本书却恰恰相反，它更注重用“感觉”和“理解”来引导读者。例如，在介绍命名实体识别时，作者并没有一开始就抛出复杂的模型，而是先让我们思考“在一段文字中，我们是如何识别出人名、地名、组织名的”，通过这种类比，让我对问题的理解瞬间提升了一个维度。 书中的案例分析也做得非常出色。作者挑选的都是一些贴近生活，或者在业界有广泛应用的场景，比如垃圾邮件过滤、新闻文章分类等等。他不仅仅是展示了如何用NLP技术解决这些问题，更重要的是，他会深入剖析解决这些问题时所面临的挑战，以及作者是如何通过优化算法或者调整参数来克服这些挑战的。这种“知其然，更知其所以然”的讲解方式，让我对NLP技术的实用性和有效性有了更深刻的认识。 让我印象深刻的是，作者在讲解一些比较前沿的技术时，也并没有显得高不可攀。他会用一些非常形象的比喻来解释像注意力机制（Attention Mechanism）这样的核心概念。比如，他会把注意力机制比作我们在阅读一篇文章时，会不自觉地将注意力集中在重要的词语或句子上，而忽略掉一些不那么关键的信息。这种生动有趣的讲解，让我在轻松愉快的氛围中，就掌握了复杂的技术原理。 此外，这本书非常强调“实战出真知”。作者不仅仅是理论的传递者，更是一位实践的倡导者。他会在每个章节都设计相应的练习题或者小项目，鼓励读者动手去尝试。我跟着书中的指导，完成了几个简单的NLP任务，虽然过程中遇到了一些困难，但在作者的引导下，我都能一一克服。这种“学以致用”的过程，让我对NLP技术有了更深的体会，也培养了我独立解决问题的能力。 总而言之，这本书就像一本“平民化的NLP百科全书”，它将高深的NLP技术，用一种极其友好的方式呈现给读者，并且通过大量的实战指导，帮助读者真正掌握这些技术，并能将其应用到实际工作中。这本书不仅让我学习到了知识，更重要的是，它点燃了我对NLP领域探索的热情。
评分这本书最让我觉得“读懂了”的地方，在于作者对于“理解”的强调。很多NLP的书籍，可能会上来就讲模型，讲算法，但这本书不一样，它会花很多篇幅去解释“为什么我们需要这些东西”。比如，在讲到词性标注的时候，作者先让我们思考，为什么识别词性对理解句子结构很重要，然后再引出不同的标注方法，并且会分析它们的优劣。这种由“目的”驱动的学习方式，让我对每一个技术点都有了更深刻的理解，而不是死记硬背。 我非常喜欢作者在书中对“实操”的倾斜。他提供的代码示例，都不是那种“拿来主义”，而是会在讲解时，把代码的每一部分都剖析得清清楚楚，并且会给出一些修改和扩展的建议，鼓励读者自己去尝试。我跟着书中的例子，自己动手去写代码，去调试，去修改参数，看到那些原本陌生的代码变成了一个个能运行的小程序，并且能完成实际的任务，那种学习的乐趣和成就感是无与伦比的。 而且，作者在讲解一些复杂的模型时，非常善于使用类比和图形化解释。比如，在介绍Transformer模型的“多头自注意力机制”时，作者会用“一群人一起讨论一个问题，每个人都关注不同的方面，然后综合大家的意见”这样的比喻来解释，让我一下子就抓住了核心思想。这种深入浅出的讲解方式，让我在面对那些看似高不可攀的技术时，也能保持学习的兴趣和动力。 让我觉得这本书非常“贴心”的是，它还会提供一些关于如何“避坑”的建议。作者会分享他在实际项目中遇到过的各种问题，以及他是如何解决的。比如，在处理中文分词时，他会提醒我们注意各种分词器的优缺点，以及在不同场景下应该如何选择。这些经验之谈，对于新手来说，无疑是极其宝贵的财富，能够帮助我们少走很多弯路。 总而言之，这本书为我提供了一个既有深度又有广度的NLP学习体验。它不仅仅教会了我NLP的技术，更重要的是，它教会了我如何去思考，如何去实践，以及如何去解决实际问题。这本书让我对NLP技术产生了浓厚的兴趣，并且有信心能够在这个领域继续深入学习和探索。
评分这本书给我留下了深刻的印象，虽然我不是NLP领域的专家，但阅读过程中，作者深入浅出的讲解方式让我感觉一切都变得触手可及。他不仅仅是罗列枯燥的理论，而是通过生动的案例，将抽象的概念具象化。比如，在讲解词向量时，作者没有直接给出复杂的数学公式，而是从“国王 - 男人 + 女人 = 王后”这样的类比入手，让我一下子就理解了词向量背后的语义关系。这种循序渐进的教学方法，让我在轻松愉快的氛围中掌握了NLP的核心知识。 书中的实战部分更是点睛之笔。作者提供了很多实际的应用场景，从文本分类到情感分析，再到机器翻译，每一个章节都伴随着详细的代码示例和操作指导。我按照书中的步骤，一步步地搭建了自己的文本分类模型，看到了代码在我手中“活”起来，将无序的文本数据转化为有意义的分析结果，这种成就感是前所未有的。更重要的是，作者在代码讲解中，会穿插对代码实现的原理的深入剖析，让我不仅学会了“怎么做”，更理解了“为什么这么做”，这对于我未来独立解决问题至关重要。 让我特别惊喜的是，作者在处理一些复杂的NLP问题时，并没有回避其难度，而是通过清晰的逻辑梳理，将复杂性分解成易于理解的步骤。比如，在介绍深度学习模型在NLP中的应用时，作者详细阐述了RNN、LSTM、Transformer等模型的演进过程，以及它们各自的优缺点。他没有止步于介绍模型架构，而是进一步探讨了这些模型在解决具体NLP任务时，如何通过不同的设计来捕捉文本的上下文信息和语义关联，这种严谨的学术态度和清晰的表达能力，让我受益匪浅。 阅读这本书，我感觉作者不仅仅是在传授技术，更是在传递一种解决问题的思维方式。他鼓励读者去思考，去探索，去动手实践。在书的结尾，作者还分享了一些关于NLP领域发展趋势的见解，以及如何保持学习和进步的方法。这让我意识到，NLP技术日新月异，持续学习是跟上时代步伐的关键。这本书不仅为我打开了NLP世界的大门，更激发了我对这个领域持续探索的热情。 这本书的另一个亮点在于它对NLP技术的“落地”进行了深入的探讨。作者并没有将理论停留在空中楼阁，而是着重于如何将这些先进的技术应用到实际业务场景中，解决真实世界的问题。从如何进行数据预处理，到如何选择合适的模型，再到如何评估模型的性能，作者都给出了非常具体和可操作的建议。例如，在讨论文本情感分析时，他详细介绍了如何处理网络语境下的俚语、表情符号等特殊情况，这些都是在纯理论书籍中难以找到的宝贵经验。
评分遇上618，做活动，价格合适，但最近京东上卖的书，印刷质量都很一般，纸张廉价，图片小的话，图中文字非常不清晰。
评分很好啊，。。。。。。。。。。。。。。。。。。。。。。。
评分书很好，快递速度也快，称搞活动满减买的，很划算
评分东西不错，可以看看，就是基于win10系统的，不是linux系统
评分好。。。。。。。。。
评分纸张质量不错，内容还没看
评分送货快，质量不错，祝京东618大卖。
评分书籍包装完好，内容详细，收获颇深，京东物流给力，当天送达。
评分买了一批书，非常有价值，京东图书值得信赖！
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.coffeedeals.club All Rights Reserved. 静流书站 版权所有