自然語言處理入門

第1章新手上路1

1.1自然語言與編程語言.2

1.1.1詞匯量.2

1.1.2結構化.2

1.1.3歧義性.3

1.1.4容錯性.3

1.1.5易變性.4

1.1.6簡略性.4

1.2自然語言處理的層次.4

1.2.1語音、圖像和文本..5

1.2.2中文分詞、詞性標注和命名實體識別.5

1.2.3信息抽取.6

1.2.4文本分類與文本聚類..6

1.2.5句法分析.6

1.2.6語義分析與篇章分析..7

1.2.7其他高級任務7

1.3自然語言處理的流派.8

1.3.1基于規(guī)則的專家系統(tǒng)..8

1.3.2基于統(tǒng)計的學習方法..9

1.3.3歷史.9

1.3.4規(guī)則與統(tǒng)計.11

1.3.5傳統(tǒng)方法與深度學習11

1.4機器學習..12

1.4.1什么是機器學習13

1.4.2模型..13

1.4.3特征..13

1.4.4數(shù)據(jù)集..15

1.4.5監(jiān)督學習..16

1.4.6無監(jiān)督學習.17

1.4.7其他類型的機器學習算法..18

1.5語料庫19

1.5.1中文分詞語料庫19

1.5.2詞性標注語料庫19

1.5.3命名實體識別語料庫20

1.5.4句法分析語料庫20

1.5.5文本分類語料庫20

1.5.6語料庫建設.21

1.6開源工具..21

1.6.1主流NLP工具比較..21

1.6.2Python接口23

1.6.3Java接口.28

1.7總結.31

第2章詞典分詞32

2.1什么是詞..32

2.1.1詞的定義..32

2.1.2詞的性質(zhì)--齊夫定律..33

2.2詞典.34

2.2.1HanLP詞典.34

2.2.2詞典的加載.34

2.3切分算法..36

2.3.1完全切分..36

2.3.2正向最長匹配.37

2.3.3逆向最長匹配.39

2.3.4雙向最長匹配.40

2.3.5速度評測..43

2.4字典樹46

2.4.1什么是字典樹.46

2.4.2字典樹的節(jié)點實現(xiàn)47

2.4.3字典樹的增刪改查實現(xiàn)..48

2.4.4首字散列其余二分的字典樹.50

2.4.5前綴樹的妙用.53

2.5雙數(shù)組字典樹55

2.5.1雙數(shù)組的定義.55

2.5.2狀態(tài)轉(zhuǎn)移..56

2.5.3查詢..56

2.5.4構造*57

2.5.5全切分與最長匹配60

2.6AC自動機..60

2.6.1從字典樹到AC自動機61

2.6.2goto表61

2.6.3output表..62

2.6.4fail表63

2.6.5實現(xiàn)..65

2.7基于雙數(shù)組字典樹的AC自動機.67

2.7.1原理..67

2.7.2實現(xiàn)..67

2.8HanLP的詞典分詞實現(xiàn)71

2.8.1DoubleArrayTrieSegment72

2.8.2AhoCorasickDoubleArrayTrie-Segment.73

2.9準確率評測.74

2.9.1準確率..74

2.9.2混淆矩陣與TP/FN/FP/TN..75

2.9.3精確率..76

2.9.4召回率..76

2.9.5F1值..77

2.9.6中文分詞中的P、R、F1計算..77

2.9.7實現(xiàn)..78

2.9.8第二屆國際中文分詞評測..79

2.9.9OOVRecallRate與IVRecallRate.81

2.10字典樹的其他應用.83

2.10.1停用詞過濾..83

2.10.2簡繁轉(zhuǎn)換87

2.10.3拼音轉(zhuǎn)換90

2.11總結.91

第3章二元語法與中文分詞.92

3.1語言模型..92

3.1.1什么是語言模型92

3.1.2馬爾可夫鏈與二元語法..94

3.1.3n元語法..95

3.1.4數(shù)據(jù)稀疏與平滑策略96

3.2中文分詞語料庫.96

3.2.11998年《人民日報》語料庫PKU.97

3.2.2微軟亞洲研究院語料庫MSR98

3.2.3繁體中文分詞語料庫98

3.2.4語料庫統(tǒng)計.99

3.3訓練.100

3.3.1加載語料庫..101

3.3.2統(tǒng)計一元語法..101

3.3.3統(tǒng)計二元語法..103

3.4預測..104

3.4.1加載模型104

3.4.2構建詞網(wǎng)107

3.4.3節(jié)點間的距離計算111

3.4.4詞圖上的維特比算法.112

3.4.5與用戶詞典的集成115

3.5評測..118

3.5.1標準化評測..118

3.5.2誤差分析118

3.5.3調(diào)整模型119

3.6日語分詞122

3.6.1日語分詞語料..122

3.6.2訓練日語分詞器.123

3.7總結..124

第4章隱馬爾可夫模型與序列標注.125

4.1序列標注問題.125

4.1.1序列標注與中文分詞.126

4.1.2序列標注與詞性標注.127

4.1.3序列標注與命名實體識別128

4.2隱馬爾可夫模型..129

4.2.1從馬爾可夫假設到隱馬爾可夫模型129

4.2.2初始狀態(tài)概率向量.130

4.2.3狀態(tài)轉(zhuǎn)移概率矩陣.131

4.2.4發(fā)射概率矩陣..132

4.2.5隱馬爾可夫模型的三個基本用法..133

4.3隱馬爾可夫模型的樣本生成133

4.3.1案例--醫(yī)療診斷.133

4.3.2樣本生成算法..136

4.4隱馬爾可夫模型的訓練..138

4.4.1轉(zhuǎn)移概率矩陣的估計.138

4.4.2初始狀態(tài)概率向量的估計139

4.4.3發(fā)射概率矩陣的估計.140

4.4.4驗證樣本生成與模型訓練141

4.5隱馬爾可夫模型的預測..142

4.5.1概率計算的前向算法.142

4.5.2搜索狀態(tài)序列的維特比算法..143

4.6隱馬爾可夫模型應用于中文分詞.147

4.6.1標注集148

4.6.2字符映射149

4.6.3語料轉(zhuǎn)換150

4.6.4訓練151

4.6.5預測152

4.6.6評測153

4.6.7誤差分析154

4.7二階隱馬爾可夫模型*154

4.7.1二階轉(zhuǎn)移概率張量的估計155

4.7.2二階隱馬爾可夫模型中的維特比算法156

4.7.3二階隱馬爾可夫模型應用于中文分詞158

4.8總結..159

第5章感知機分類與序列標注.160

5.1分類問題160

5.1.1定義160

5.1.2應用161

5.2線性分類模型與感知機算法161

5.2.1特征向量與樣本空間.162

5.2.2決策邊界與分離超平面164

5.2.3感知機算法..167

5.2.4損失函數(shù)與隨機梯度下降*169

5.2.5投票感知機和平均感知機171

5.3基于感知機的人名性別分類174

5.3.1人名性別語料庫.174

5.3.2特征提取174

5.3.3訓練175

5.3.4預測176

5.3.5評測177

5.3.6模型調(diào)優(yōu)178

5.4結構化預測問題..180

5.4.1定義180

5.4.2結構化預測與學習的流程180

5.5線性模型的結構化感知機算法..180

5.5.1結構化感知機算法.180

5.5.2結構化感知機與序列標注182

5.5.3結構化感知機的維特比解碼算法..183

5.6基于結構化感知機的中文分詞..186

5.6.1特征提取187

5.6.2多線程訓練..189

5.6.3特征裁剪與模型壓縮*.190

5.6.4創(chuàng)建感知機分詞器.192

5.6.5準確率與性能..194

5.6.6模型調(diào)整與在線學習*.195

5.6.7中文分詞特征工程*.197

5.7總結..199

第6章條件隨機場與序列標注.200

6.1機器學習的模型譜系200

6.1.1生成式模型與判別式模型201

6.1.2有向與無向概率圖模型202

6.2條件隨機場..205

6.2.1線性鏈條件隨機場.205

6.2.2條件隨機場的訓練*207

6.2.3對比結構化感知機.210

6.3條件隨機場工具包.212

6.3.1CRF++的安裝212

6.3.2CRF++語料格式213

6.3.3CRF++特征模板214

6.3.4CRF++命令行訓練215

6.3.5CRF++模型格式*216

6.3.6CRF++命令行預測217

6.3.7CRF++代碼分析*218

6.4HanLP中的CRF++API220

6.4.1訓練分詞器..220

6.4.2標準化評測..220

6.5總結..221

第7章詞性標注.222

7.1詞性標注概述.222

7.1.1什么是詞性..222

7.1.2詞性的用處..223

7.1.3詞性標注223

7.1.4詞性標注模型..223

7.2詞性標注語料庫與標注集.224

7.2.1《人民日報》語料庫與PKU標注集..225

7.2.2國家語委語料庫與863標注集.231

7.2.3《誅仙》語料庫與CTB標注集..234

7.3序列標注模型應用于詞性標注..236

7.3.1基于隱馬爾可夫模型的詞性標注..237

7.3.2基于感知機的詞性標注238

7.3.3基于條件隨機場的詞性標注..240

7.3.4詞性標注評測..241

7.4自定義詞性..242

7.4.1樸素實現(xiàn)242

7.4.2標注語料243

7.5總結..244

第8章命名實體識別.245

8.1概述..245

8.2基于規(guī)則的命名實體識別.246

8.3命名實體識別語料庫..250

8.4基于層疊隱馬爾可夫模型的角色標注框架252

8.5基于序列標注的命名實體識別..260

8.6自定義領域命名實體識別.266

8.7總結..268

第9章信息抽取.270

9.1新詞提取270

9.2關鍵詞提取..276

9.3短語提取283

9.4關鍵句提取..284

9.5總結..287

第10章文本聚類.288

10.1概述..288

10.2文檔的特征提取291

10.3k均值算法293

10.4重復二分聚類算法..300

10.5標準化評測..303

10.6總結..305

第11章文本分類.306

11.1文本分類的概念306

11.2文本分類語料庫307

11.3文本分類的特征提取.308

11.4樸素貝葉斯分類器..312

11.5支持向量機分類器..317

11.6標準化評測..320

11.7情感分析321

11.8總結..323

第12章依存句法分析.324

12.1短語結構樹..324

12.1.3賓州樹庫和中文樹庫.326

12.2依存句法樹..327

12.3依存句法分析.333

12.4基于轉(zhuǎn)移的依存句法分析..334

12.5依存句法分析API340

12.6案例：基于依存句法樹的意見抽取..342

12.7總結..344

第13章深度學習與自然語言處理345

13.1傳統(tǒng)方法的局限345

13.2深度學習與優(yōu)勢348

13.3word2vec..353

13.4基于神經(jīng)網(wǎng)絡的高性能依存句法分析器.360

13.5自然語言處理進階..363

自然語言處理學習資料推薦.365