書名: | 【正版】基於深度學習的自然語言處理|7891598 |
圖書定價: | 69元 |
圖書作者: | (以)約阿夫·戈爾德貝格(Yoav Goldberg) |
齣版社: | 機械工業齣版社 |
齣版日期: | 2018/5/1 0:00:00 |
ISBN號: | 9787111593737 |
開本: | 16開 |
頁數: | 0 |
版次: | 1-1 |
內容簡介 |
本書重點介紹瞭神經網絡模型在自然語言處理中的應用。首先介紹有監督的機器學習和前饋神經網絡的基本知識,如何將機器學習方法應用在自然語言處理中,以及詞嚮量錶示(而不是符號錶示)的應用。然後介紹更多專門的神經網絡結構,包括一維捲積神經網絡、循環神經網絡、條件生成模型和基於注意力的模型。後討論樹形網絡、結構化預測以及多任務學習的前景。 |
目錄 |
譯者序 前言 緻謝 第1章引言 1��1自然語言處理的挑戰 1��2神經網絡和深度學習 1��3自然語言處理中的深度學習 1��4本書的覆蓋麵和組織結構 1��5本書未覆蓋的內容 1��6術語 1��7數學符號 注釋 第一部分有監督分類與前饋神經網絡 第2章學習基礎與綫性模型 2��1有監督學習和參數化函數 2��2訓練集、測試集和驗證集 2��3綫性模型 2��3��1二分類 2��3��2對數綫性二分類 2��3��3多分類 2��4錶示 2��5獨熱和稠密嚮量錶示 2��6對數綫性多分類 2��7訓練和優化 2��7��1損失函數 2��7��2正則化 2��8基於梯度的優化 2��8��1隨機梯度下降 2��8��2實例 2��8��3其他訓練方法 第3章從綫性模型到多層感知器 3��1綫性模型的局限性:異或問題 3��2非綫性輸入轉換 3��3核方法 3��4可訓練的映射函數 第4章前饋神經網絡 4��1一個關於大腦的比喻 4��2數學錶示 4��3錶達能力 4��4常見的非綫性函數 4��5損失函數 4��6正則化與丟棄法 4��7相似和距離層 4��8嵌入層 第5章神經網絡訓練 5��1計算圖的抽象概念 5��1��1前嚮計算 5��1��2反嚮計算(導數、反嚮傳播) 5��1��3軟件 5��1��4實現流程 5��1��5網絡構成 5��2實踐經驗 5��2��1優化算法的選擇 5��2��2初始化 5��2��3重啓與集成 5��2��4梯度消失與梯度爆炸 5��2��5飽和神經元與死神經元 5��2��6隨機打亂 5��2��7學習率 5��2��8minibatch 第二部分處理自然語言數據 第6章文本特徵構造 6��1NLP分類問題中的拓撲結構 6��2NLP問題中的特徵 6��2��1直接可觀測特徵 6��2��2可推斷的語言學特徵 6��2��3核心特徵與組閤特徵 6��2��4n元組特徵 6��2��5分布特徵 第7章NLP特徵的案例分析 7��1文本分類:語言識彆 7��2文本分類:主題分類 7��3文本分類:作者歸屬 7��4上下文中的單詞:詞性標注 7��5上下文中的單詞:命名實體識彆 7��6上下文中單詞的語言特徵:介詞詞義消歧 7��7上下文中單詞的關係:弧分解分析 第8章從文本特徵到輸入 8��1編碼分類特徵 8��1��1獨熱編碼 8��1��2稠密編碼(特徵嵌入) 8��1��3稠密嚮量與獨熱錶示 8��2組閤稠密嚮量 8��2��1基於窗口的特徵 8��2��2可變特徵數目:連續詞袋 8��3獨熱和稠密嚮量間的關係 8��4雜項 8��4��1距離與位置特徵 8��4��2補齊、未登錄詞和詞丟棄 8��4��3特徵組閤 8��4��4嚮量共享 8��4��5維度 8��4��6嵌入的詞錶 8��4��7網絡的輸齣 8��5例子:詞性標注 8��6例子:弧分解分析 第9章語言模型 9��1語言模型任務 9��2語言模型評估:睏惑度 9��3語言模型的傳統方法 9��3��1延伸閱讀 9��3��2傳統語言模型的限製 9��4神經語言模型 9��5使用語言模型進行生成 9��6副産品:詞的錶示 第10章預訓練的詞錶示 10��1隨機初始化 10��2有監督的特定任務的預訓練 10��3無監督的預訓練 10��4詞嵌入算法 10��4��1分布式假設和詞錶示 10��4��2從神經語言模型到分布式錶示 10��4��3詞語聯係 10��4��4其他算法 10��5上下文的選擇 10��5��1窗口方法 10��5��2句子、段落或文檔 10��5��3句法窗口 10��5��4多語種 10��5��5基於字符級彆和子詞的錶示 10��6處理多字單元和字變形 10��7分布式方法的限製 第11章使用詞嵌入 11��1詞嚮量的獲取 11��2詞的相似度 11��3詞聚類 11��4尋找相似詞 11��5同中選異 11��6短文檔相似度 11��7詞的類比 11��8改裝和映射 11��9實用性和陷阱 第12章案例分析:一種用於句子意義推理的前饋結構 12��1自然語言推理與 SNLI數據集 12��2文本相似網絡 第三部分特殊的結構 第13章n元語法探測器:捲積神經網絡 13��1基礎捲積池化 13��1��1文本上的一維捲積 13��1��2嚮量池化 13��1��3變體 13��2其他選擇:特徵哈希 13��3層次化捲積 第14章循環神經網絡:序列和棧建模 14��1RNN抽象描述 14��2RNN的訓練 14��3RNN常見使用模式 14��3��1接收器 14��3��2編碼器 14��3��3傳感器 14��4雙嚮RNN 14��5堆疊RNN 14��6用於錶示棧的RNN 14��7文獻閱讀的注意事項 第15章實際的循環神經網絡結構 15��1作為RNN的CBOW 15��2簡單RNN 15��3門結構 15��3��1長短期記憶網絡 15��3��2門限循環單元 15��4其他變體 15��5應用到RNN的丟棄機製 第16章通過循環網絡建模 16��1接收器 16��1��1情感分類器 16��1��2主謂一緻語法檢查 16��2作為特徵提取器的RNN 16��2��1詞性標注 16��2��2RNN�睠NN文本分類 16��2��3弧分解依存句法分析 第17章條件生成 17��1RNN生成器 17��2條件生成(編碼器解碼器) 17��2��1序列到序列模型 17��2��2應用 17��2��3其他條件上下文 17��3無監督的句子相似性 17��4結閤注意力機製的條件生成 17��4��1計算復雜性 17��4��2可解釋性 17��5自然語言處理中基於注意力機製的模型 17��5��1機器翻譯 17��5��2形態屈摺 17��5��3句法分析 第四部分其他主題 第18章用遞歸神經網絡對樹建模 18��1形式化定義 18��2擴展和變體 18��3遞歸神經網絡的訓練 18��4一種簡單的替代——綫性化樹 18��5前景 第19章結構化輸齣預測 19��1基於搜索的結構化預測 19��1��1基於綫性模型的結構化預測 19��1��2非綫性結構化預測 19��1��3概率目標函數(CRF) 19��1��4近似搜索 19��1��5重排序 19��1��6參考閱讀 19��2貪心結構化預測 19��3條件生成與結構化輸齣預測 19��4實例 19��4��1基於搜索的結構化預測:一階依存句法分析 19��4��2基於Neural�睠RF的命名實體識彆 19��4��3基於柱搜索的NER�睠RF近似 第20章級聯、多任務與半監督學習 20��1模型級聯 20��2多任務學習 20��2��1多任務設置下的訓練 20��2��2選擇性共享 20��2��3作為多任務學習的詞嵌入預訓練 20��2��4條件生成中的多任務學習 20��2��5作為正則的多任務學習 20��2��6注意事項 20��3半監督學習 20��4實例 20��4��1眼動預測與句子壓縮 20��4��2弧標注與句法分析 20��4��3介詞詞義消歧與介詞翻譯預測 20��4��4條件生成:多語言機器翻譯、句法分析以及圖像描述生成 20��5前景 第21章結論 21��1我們學到瞭什麼 21��2未來的挑戰 參考文獻 |
評分
評分
評分
評分
評分
評分
評分
評分
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息,本站不存儲任何數據與內容,任何內容與數據均與本站無關,如有需要請聯繫相關搜索引擎包括但不限於百度,google,bing,sogou 等
© 2025 book.cndgn.com All Rights Reserved. 新城书站 版權所有