簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• Python
• 自然語言處理
• NLP
• 文本分析
• 詞匯語義
• 句法分析
• 網絡模型
• Python編程
• 數據科學
• 機器學習

店鋪： 點點動力圖書專營店

齣版社： 機械工業齣版社

ISBN：9787111593249

商品編碼：27592902909

基本信息

原書名：Text Analytics with Python: A Practical Real-World Approach to Gaining Actionable Insights from Your Data

作者： （印）迪潘簡·撒卡爾（Dipanjan Sarkar）   

譯者： 閆龍川 高德荃 李君婷

叢書名： 數據科學與工程技術叢書

齣版社：機械工業齣版社

ISBN：9787111593249

上架時間：2018-4-23

齣版日期：2018 年4月

開本：16開

版次：1-1

所屬分類：計算機

目錄

譯者序

前言 

第1章自然語言基礎

1��1自然語言 

1��1��1什麼是自然語言

1��1��2語言哲學

1��1��3語言習得和用法

1��2語言學

1��3語言句法和結構

1��3��1詞

1��3��2短語

1��3��3從句

1��3��4語法

1��3��5語序類型學

1��4語言語義

1��4��1詞匯語義關係

1��4��2語義網絡和模型

1��4��3語義錶示

1��5文本語料庫

1��5��1文本語料庫標注及使用

1��5��2熱門的語料庫

1��5��3訪問文本語料庫

1��6自然語言處理

1��6��1機器翻譯

1��6��2語音識彆係統

1��6��3問答係統

1��6��4語境識彆與消解

1��6��5文本摘要

1��6��6文本分類

1��7文本分析

1��8小結

第2章Python語言迴顧

2��1瞭解Python

2��1��1Python之禪

2��1��2應用：何時使用Python

2��1��3缺點：何時不用Python

2��1��4Python實現和版本

2��2安裝和設置

2��2��1用哪個Python版本

2��2��2用哪個操作係統

2��2��3集成開發環境

2��2��4環境設置

2��2��5虛擬環境

2��3Python句法和結構

2��4數據結構和類型

2��4��1數值類型

2��4��2字符串

2��4��3列錶

2��4��4集閤

2��4��5字典

2��4��6元組

2��4��7文件

2��4��8雜項

2��5控製代碼流

2��5��1條件結構

2��5��2循環結構

2��5��3處理異常

2��6函數編程

2��6��1函數

2��6��2遞歸函數

2��6��3匿名函數

2��6��4迭代器

2��6��5分析器

2��6��6生成器

2��6��7itertools和functools模塊

2��7類

2��8使用文本

2��8��1字符串文字

2��8��2字符串操作和方法

2��9文本分析框架

2��10小結

第3章處理和理解文本

3��1文本切分

3��1��1句子切分

3��1��2詞語切分

3��2文本規範化

3��2��1文本清洗

3��2��2文本切分

3��2��3刪除特殊字符

3��2��4擴展縮寫詞

3��2��5大小寫轉換

3��2��6刪除停用詞

3��2��7詞語校正

3��2��8詞乾提取

3��2��9詞形還原

3��3理解文本句法和結構

3��3��1安裝必要的依賴項

3��3��2機器學習重要概念

3��3��3詞性標注

3��3��4淺層分析

3��3��5基於依存關係的分析

3��3��6基於成分結構的分析

3��4小結

第4章文本分類

4��1什麼是文本分類

4��2自動文本分類

4��3文本分類的藍圖

4��4文本規範化處理

4��5特徵提取

4��5��1詞袋模型

4��5��2TF�睮DF模型

4��5��3高級詞嚮量模型

4��6分類算法

4��6��1多項式樸素貝葉斯

4��6��2支持嚮量機

4��7評估分類模型

4��8建立一個多類分類係統

4��9應用

4��10小結

第5章文本摘要

5��1文本摘要和信息提取

5��2重要概念

5��2��1文檔

5��2��2文本規範化

5��2��3特徵提取

5��2��4特徵矩陣

5��2��5奇異值分解

5��3文本規範化

5��4特徵提取

5��5關鍵短語提取

5��5��1搭配

5��5��2基於權重標簽的短語提取

5��6主題建模

5��6��1隱含語義索引

5��6��2隱含Dirichlet分布

5��6��3非負矩陣分解

5��6��4從産品評論中提取主題

5��7自動文檔摘要

5��7��1隱含語義分析

5��7��2TextRank算法

5��7��3生成産品說明摘要

5��8小結

第6章文本相似度和聚類

6��1重要概念

6��1��1信息檢索

6��1��2特徵工程

6��1��3相似度測量

6��1��4無監督的機器學習算法

6��2文本規範化

6��3特徵提取

6��4文本相似度

6��5詞項相似度分析

6��5��1漢明距離

6��5��2曼哈頓距離

6��5��3歐幾裏得距離

6��5��4萊文斯坦編輯距離

6��5��5餘弦距離和相似度

6��6文檔相似度分析

6��6��1餘弦相似度

6��6��2海靈格-巴塔恰亞距離

6��6��3Okapi BM25排名

6��7文檔聚類

6��8佳影片聚類分析

6��8��1k�瞞eans聚類

6��8��2近鄰傳播聚類

6��8��3沃德凝聚層次聚類

6��9小結

第7章語義與情感分析

7��1語義分析

7��2探索WordNet

7��2��1理解同義詞集

7��2��2分析詞匯的語義關係

7��3詞義消歧

7��4命名實體識彆

7��5分析語義錶徵

7��5��1命題邏輯

7��5��2一階邏輯

7��6情感分析

7��7IMDb電影評論的情感分析

7��7��1安裝依賴程序包

7��7��2準備數據集

7��7��3有監督的機器學習技術

7��7��4無監督的詞典技術

7��7��5模型性能比較

7��8小結 

↑摺 疊

譯者序

自然語言處理和文本分析是當今人工智能研究和應用的重要方嚮，因其在人機交互方麵的廣泛應用和前景，吸引瞭學術界和産業界投入巨大的力量。目前，已經有一些産品陸續麵世，在機器翻譯、問答係統、語音助理、情感分析等方麵取得瞭非常不錯的進展，也給人們的生活帶來瞭便利。

本書作者Sarkar是Intel公司的數據科學傢，研究領域涉及數據科學與軟件工程，有著豐富的文本分析研究和工程方麵的經驗，齣版過多本R語言和機器學習方麵的書籍。作者在GitHub上（sgithub./dipanjanS/text�瞐nalytics�瞱ith�瞤ython）開源瞭本書相關的程序代碼和數據集，感興趣的讀者可以下載研究。

本書首先介紹瞭與文本分析相關的自然語言基本概念以及Python語言的特點、特性和常用功能。然後，結閤示例代碼詳細闡述瞭文本理解與處理、文本分類、文本摘要、文本相似性與聚類、語義與情感分析等內容，具有很強的實用性，內容覆蓋瞭文本分析的重要方麵，為相關應用的開發和研究提供瞭很好的參考藉鑒。

本書是關於自然語言處理的實踐教程，通過學習本書，讀者可以全麵地掌握文本分析的基礎技術和機器學習的一些經典方法，包括SVM、貝葉斯分類器、k�瞞eans聚類、層次聚類等，為進一步的學習和研究奠定基礎。感興趣的讀者可以繼續研究和探索深度學習技術在文本分析中的應用，這是人工智能應用中發展非常迅速的領域，相信閱讀本書打下的基礎會對你大有幫助。

後，感謝本書的作者和機械工業齣版社華章公司的編輯，是他們的鼓勵和支持使得本書能與讀者見麵。感謝我們傢人的理解。盡管我們努力準確地錶達作者的思想和方法，但仍難免有不當之處。譯文中的錯誤，敬請指齣，我們將非常感激，請將相關意見發往yanlongchuan@iie�盿c�薄�

閆龍川 高德荃 李君婷

2017年12月 

前言

從高中開始接觸數學和統計學以來，我就一直對數字著迷。分析學（analytics）、數據科學以及近的文本分析技術均齣現較晚，大概是在幾年前，當時關於大數據（big data）和數據分析的炒作越來越猛烈，甚至有些瘋狂。就個人而言，我認為其中很多都是過度炒作，但是也有一些令人興奮的東西，因為這些技術在新工作、新發現以及解決人們先前認為不可能解決的問題方麵展現瞭巨大的可能性。

自然語言處理（Natural Language Processing，NLP）一直深深吸引著我，因為人腦科學和人類認知能力確實令人著迷。如果嘗試在機器中重塑這種傳遞信息、復雜思維和情緒的能力，那一定是令人驚喜的。當然，盡管我們在認知計算（cognitive puting）和人工智能（Artificial Intelligence，AI）方麵的發展突飛猛進，但現在尚且無法實現這一點。僅通過圖靈測試可能是不夠的，機器真正能復製人的方方麵麵嗎？

當今，對於NLP和文本分析應用，迫切需求從非結構化、原始文本數據中提取有用信息和可行見解的能力。到目前為止，我一直在努力解決各種問題，麵臨諸多挑戰，並隨著時間的推移吸取瞭各種各樣的經驗教訓。本書涵蓋瞭我在文本分析領域學到的大部分知識，僅僅從一堆文本文檔中建立一個花哨的詞雲是不夠的。

在學習文本分析方麵，大的問題或許不是信息缺乏，而是信息過多，通常這稱為信息過載（information overload）。海量的資源、文檔、論文、書籍和期刊包含瞭大量的理論資料、概念、技術和算法，它們常常使該領域的新手不知所措。解決問題的正確技術是什麼？文本摘要如何真正有效？哪些纔是解決多類文本分類的佳框架？通過將數學和理論概念與現實用例的Python實現相結閤，本書嘗試解決這個問題，並幫助讀者避免迄今為止我所遇到的一些急迫問題。

本書采用瞭全麵的和結構化的介紹方法。首先，它在前幾章中介紹瞭自然語言理解和Python結構的基礎知識。熟悉瞭基礎知識之後，其餘章節將解決文本分析中的一些有趣問題，包括文本分類、聚類、相似性分析、文本摘要和主題模型。本書還將分析文本的結構、語義、情感和觀點。對於每個主題，將介紹基本概念，並使用一些現實世界中的場景和數據來實現涵蓋每個概念的技術。本書的構想是呈現一幅文本分析和NLP的藍海，並提供必要的工具、技術和知識以處理和解決工作中遇到的問題。我希望你能覺得本書很有幫助，並祝你在文本分析的世界中旅途愉快！ 

Python文本分析

深度學習：從基礎原理到前沿應用 本書旨在為讀者構建一個全麵而深入的深度學習知識體係，涵蓋從核心數學原理到最先進應用實踐的每一個關鍵環節。我們不涉及任何關於文本分析、自然語言處理（NLP）技術、詞匯語義關係網絡模型或Python句法結構的內容。本書的焦點完全集中在深度學習本身的構建、優化和部署上。 --- 第一部分：深度學習的數學基石與神經元模型 本部分將為讀者打下堅實的數學和理論基礎，這是理解和設計任何復雜深度學習架構的先決條件。我們將嚴格避免與自然語言處理、文本挖掘或特定編程語言（如Python）的句法分析相關的任何討論。 第一章：綫性代數與概率論迴顧 本章將迴顧深度學習中必需的綫性代數工具。重點關注矩陣分解（如SVD、PCA），高階張量運算，以及嚮量空間的幾何意義。我們將詳細探討特徵值與特徵嚮量在數據降維和錶示學習中的作用。隨後，我們將轉嚮概率論，詳細闡述貝葉斯定理、最大似然估計（MLE）和最大後驗估計（MAP）在模型參數推斷中的核心地位。重點分析高斯分布、多項式分布以及信息論中的熵、交叉熵和KL散度，這些是衡量模型性能和不確定性的關鍵指標。 第二章：單層感知器與激活函數 我們將從最基礎的神經元模型——感知器（Perceptron）開始介紹。深入分析感知器的局限性，特彆是其無法解決綫性不可分問題。在此基礎上，我們引入非綫性激活函數的概念。我們將詳盡比較Sigmoid、Tanh、ReLU及其變體（Leaky ReLU, PReLU, ELU）的特性、導數性質及其對梯度消失問題的潛在影響。本章的數學推導將側重於激活函數的非綫性映射能力，而非文本特徵的編碼。 第三章：反嚮傳播算法的深入剖析 反嚮傳播（Backpropagation）是訓練多層神經網絡的基石。本章將用清晰的鏈式法則推導過程，詳細解釋誤差信號如何從輸齣層逐層嚮輸入層傳遞，從而計算齣損失函數相對於每個權重的梯度。我們將使用矩陣微積分的視角來強化理解，並討論優化算法（如梯度下降）的局限性，為後續章節引入更高級的優化器做鋪墊。我們完全不涉及任何特定於序列或文本數據的梯度計算方式。 --- 第二部分：核心網絡架構與優化策略 本部分著重於構建和訓練多層深度網絡所需的關鍵架構設計和高效優化方法。 第四章：多層前饋網絡（FNN）的構建與正則化 本章詳細闡述多層感知器（MLP）的結構設計，包括層數的選擇、層內神經元數量的確定，以及如何利用全連接層的優勢進行特徵組閤。核心內容在於正則化技術的詳盡探討：L1和L2權重衰減如何通過懲罰模型的復雜度來提升泛化能力；Dropout機製的隨機性如何模擬集成學習效果；以及批歸一化（Batch Normalization, BN）如何穩定訓練過程、加速收斂，並緩解內部協變量漂移問題。 第五章：高級優化算法 純粹的梯度下降法在處理復雜損失麯麵時效率低下。本章將聚焦於一係列先進的優化器。我們將詳細分析動量（Momentum）如何加速收斂並剋服局部平坦區域；Adagrad、RMSprop如何實現自適應學習率調整；以及Adam（Adaptive Moment Estimation）算法如何結閤動量和RMSprop的優點，成為當前最常用的優化策略。每種算法的更新公式、參數選擇以及在不同數據集上的錶現差異都將進行嚴格的數學論證。 第六章：捲積神經網絡（CNN）的幾何與特徵提取 本章將深入研究捲積神經網絡（CNN），重點是其在圖像處理領域的核心應用。詳細解釋捲積核（濾波器）的工作原理、步幅（Stride）和填充（Padding）的選擇對輸齣特徵圖尺寸的影響。我們將解析池化層（Pooling）的作用，以及如何利用不同層級的捲積操作學習從邊緣、紋理到復雜形狀的層次化特徵錶示。本部分完全專注於空間數據的特徵提取，不涉及任何序列數據處理技術。 --- 第三部分：前沿模型與無監督學習 本部分拓展到更復雜的模型，特彆是針對錶示學習和生成模型的探討。 第七章：循環網絡結構的局限性與遺留問題 在轉嚮更現代的生成模型前，本章將簡要迴顧循環神經網絡（RNN）的結構（如簡化的Vanilla RNN），並著重分析其在處理長距離依賴性時遇到的梯度消失和爆炸問題。我們將用數學模型解釋這些問題如何與時間步長相關聯。本章的重點在於識彆問題，為下一章Transformer架構的齣現做鋪墊，但不會深入探討RNN在文本處理中的具體應用細節。 第八章：自注意力機製與Transformer架構 本章是全書的重點之一，完全聚焦於Transformer架構。詳細解析其核心創新——自注意力（Self-Attention）機製的 Scaled Dot-Product 運算，以及多頭注意力（Multi-Head Attention）如何允許模型從不同的錶示子空間中捕獲信息。我們將深入分析前饋子層、殘差連接和層歸一化在保持訓練穩定性和信息流動中的作用。本書將側重於Transformer作為一種通用的序列到序列（不局限於文本）的強大編碼器/解碼器框架進行討論。 第九章：生成對抗網絡（GANs） 本章探討生成對抗網絡（GANs）的原理。我們將詳細闡述判彆器（Discriminator）和生成器（Generator）之間的零和博弈過程。重點分析原始GAN的損失函數、納什均衡的概念，以及訓練過程中的不穩定性和模式崩潰（Mode Collapse）問題。隨後，我們將介紹諸如WGAN（Wasserstein GAN）和DCGAN等改進型架構，它們通過改變損失函數或網絡結構來增強訓練的穩定性和生成樣本的質量，尤其在圖像生成方麵的應用。 第十章：變分自編碼器（VAE）與概率模型 本章介紹變分自編碼器（VAE）作為一種強大的概率生成模型。我們將解釋變分推斷（Variational Inference）的基本思想，以及如何通過最小化重構誤差和KL散度項來學習數據的潛在空間（Latent Space）。重點分析潛在空間的連續性、可解釋性及其在數據點插值和新樣本生成中的應用。 --- 總結： 本書通過嚴謹的數學推導和清晰的架構分析，為讀者提供瞭深度學習領域的核心知識體係。我們聚焦於計算效率、模型結構、優化理論和通用錶示學習，確保讀者掌握構建和改進下一代神經網絡模型的必備工具。本書是一本專注於深度學習模型本質的理論與實踐指南。

評分☆☆☆☆☆

讀完《Python文本分析：自然語言處理NLP技術書籍》後，我感覺自己對NLP的理解上升到瞭一個新的層次。我之前嘗試過一些NLP的入門讀物，但總覺得缺瞭點什麼，尤其是在模型層麵，往往是知其然而不知其所以然。這本書在這方麵做得非常齣色，它沒有迴避模型背後的原理，而是用清晰易懂的方式解釋瞭各種算法，例如在討論詞匯語義關係網絡時，作者詳細講解瞭如何構建知識圖譜，如何利用embedding技術來錶示詞語的語義，以及如何通過圖神經網絡來捕捉詞語之間的復雜關係。這種深入的講解讓我不僅學會瞭如何“用”，更學會瞭“為什麼這麼用”。句法分析的部分也很有啓發性，我瞭解瞭依存句法分析和成分句法分析的區彆，以及它們在實際應用中的優劣。通過書中提供的Python代碼，我能夠親手實現這些模型，並對實驗結果進行分析，這極大地增強瞭我的學習信心。這本書的內容之豐富、講解之細緻，絕對是NLP領域一本值得反復研讀的寶藏。

評分☆☆☆☆☆

作為一名多年從事數據挖掘的工程師，我對文本分析一直有著濃厚的興趣，但苦於找不到一本能夠真正上手操作的書籍。《Python文本分析：自然語言處理NLP技術書籍》的齣現，無疑是我的福音。這本書非常務實，它從Python語言的角度齣發，係統地介紹瞭NLP的核心技術。我尤其欣賞書中對詞匯語義關係網絡的講解，它不僅介紹瞭PageRank等經典的算法，還深入探討瞭如何利用現代的深度學習模型，如Word2Vec、GloVe來構建語義網絡，並進一步分析文本的主題和情感。這些內容對於我理解用戶評論、社交媒體信息等非常有價值。此外，句法分析章節的講解也讓我受益匪淺，我學會瞭如何利用NLTK、spaCy等庫進行分詞、詞性標注、命名實體識彆，以及更高級的依存句法分析。書中提供的代碼示例可以直接在我的工作中復用，大大縮短瞭開發周期。這本書的實踐性極強，讓我能夠快速地將NLP技術應用到實際業務中，解決實際問題。

評分☆☆☆☆☆

我對NLP的熱情很大程度上源於對語言本身的著迷，而《Python文本分析：自然語言處理NLP技術書籍》這本書，則將這種熱情與技術完美地結閤在瞭一起。它不僅僅是一本技術手冊，更像是一場關於語言智慧的探索之旅。在詞匯語義關係網絡的部分，作者通過生動的例子，展示瞭如何用數學和計算機的語言來理解詞語之間的“親疏遠近”，如何構建一個能夠反映語言精妙之處的網絡。我曾為理解某些比喻或者引申義而苦惱，但通過書中對語義網絡的講解，我似乎找到瞭理解這些現象的鑰匙。句法分析的章節則讓我看到瞭語言結構之美，原來看似雜亂無章的句子，背後隱藏著如此嚴謹的規則和邏輯。通過Python代碼，我得以親手“解剖”句子，體會語法在信息傳遞中的關鍵作用。這本書的敘述方式非常引人入勝，讓我即便在閱讀技術細節時，也能感受到探索的樂趣，而非枯燥的填鴨式學習。

評分☆☆☆☆☆

一直以來，我都覺得NLP是一個既迷人又充滿挑戰的領域，而《Python文本分析：自然語言處理NLP技術書籍》這本書，為我打開瞭一扇通往這個世界的大門。它並沒有一開始就拋齣晦澀難懂的模型，而是從最基礎的文本預處理講起，讓我在舒適的Python環境中逐步建立起對NLP的認知。當我讀到詞匯語義關係網絡時，我纔真正理解瞭“語義”二字的分量，不再是簡單地將詞語視為獨立的符號，而是看到瞭它們之間韆絲萬縷的聯係，看到瞭如何通過網絡的力量來捕捉這種聯係，進而理解文本的深層含義。句法分析的部分更是讓我驚嘆於語言的結構之精巧，它讓我明白瞭為什麼同幾個詞語組閤在一起，有時意思卻截然不同。書中豐富的Python代碼示例，不僅讓我鞏固瞭理論知識，更讓我獲得瞭獨立解決問題的能力，我現在可以用書中學到的技術去分析各種文本數據，發掘其中的有價值信息。這本書真的讓我感覺受益匪淺。

評分☆☆☆☆☆

這本《Python文本分析：自然語言處理NLP技術書籍》真是讓我眼前一亮。我一直對NLP領域充滿好奇，但市麵上大部分書籍要麼過於理論化，要麼案例不夠深入。這本書恰好填補瞭這個空白。它從Python的視角切入，將抽象的NLP概念具象化，使得初學者也能快速上手。書中詳細介紹瞭從文本預處理、詞嚮量構建到更復雜的模型如詞匯語義關係網絡和句法分析。最讓我驚喜的是，它不僅僅是羅列概念，而是通過大量的Python代碼示例，一步步引導讀者實現各種NLP任務。我尤其喜歡其中關於詞匯語義關係網絡的章節，它解釋瞭如何利用圖論和機器學習模型來捕捉詞語之間的深層含義和聯係，這對於理解文本的情感傾嚮、主題演變等非常有幫助。句法分析的部分也解釋得非常透徹，讓我明白瞭如何解析句子結構，提取主謂賓等關鍵信息，這為後續的信息抽取和機器翻譯打下瞭堅實基礎。總的來說，這是一本兼具理論深度和實踐可操作性的優秀教材，強烈推薦給所有想深入瞭解NLP的Python開發者。