聊天机器人:入门、进阶与实战 - (EPUB全文下载)
文件大小:0.4 mb。
文件格式:epub 格式。
书籍内容:
聊天机器人:入门、进阶与实战
第1章 概率统计与应用数学的基础知识
1.1 概率的定义
1.2 条件概率与贝叶斯公式
1.3 随机变量与分布函数
1.4 概率分布与参数估计
1.5 随机过程与马尔可夫模型
1.6 信息熵
1.7 本章小结
第2章 语言模型与多元文法
2.1 词袋模型
2.2 N-Gram模型
2.2.2 N-Gram算法
2.2.3 N-Gram用途
2.3 数据平滑
2.3.1 加法平滑方法
2.3.2 Good-Turing估计法
2.3.3 组合平滑方法
第3章 序列标注模型
3.1 中文分词
3.1.1 条件随机场
3.1.2 条件随机场进行中文分词
3.2 词性标注
3.2.1 词性标注的标准
3.2.2 利用隐马尔可夫进行词性标注
3.3 命名实体识别
3.3.1 利用条件随机场模型进行命名实体识别
3.3.2 命名实体识别在对话系统中的作用
3.4 序列标注模型
3.5 本章小结
第4章 文本分析
4.1 关键词抽取
4.1.1 词频-逆文档频次算法
4.1.2 Text Rank
4.2 文本分类
4.2.1 贝叶斯文本分类模型
4.2.2 决策树文本分类模型
4.2.3 SVM文本分类模型
4.3 主题模型
4.3.1 基础知识回顾
4.3.2 吉布斯采样
4.3.3 隐狄利克雷分配模型
4.4 本章小结
第5章 深度学习模型
5.1 基于深度学习的自然语言模型
5.1.2 A Neural Probabilistic Language Model
5.1.3 CBOW和Skip-Gram
5.1.4 Huffman编码与Huffman tree
5.1.5 CBOW-Hierarchical Softmax
5.1.6 Skip-Gram-Hierarchical Softmax
5.1.7 FastText
5.1.8 词的全局向量表示
5.2 卷积网络CNN
5.2.2 利用CNN进行文本分类
5.3 循环网络RNN
5.3.2 利用RNN进行情感分析
5.3.3 Sequence-to-Sequence with Attention Model
5.4 Transformer
5.4.2 Attention is all you need(Transformer)
5.5 预训练模型
5.5.2 BERT
第6章 对话机器人的发展综述
6.1 对话机器人发展史
6.1.2 开放域
6.1.3 垂直领域
6.1.4 对话机器人的未来发展趋势
6.2 人工智能在对话机器人中的应用
6.2.2 强化学习在机器人方面的应用
6.2.3 知识图谱在机器人方面的应用
第7章 自然语言理解与知识图谱
7.1 知识图谱的表示:三元组模型
7.2 知识抽取
7.2.2 利用CRF模型识别NER
7.2.3 利用BiLSTM+CRF模型进行命名实体识别
7.3 知识抽取-实体关系抽取:Relation Extraction
7.4 知识图谱的构建
第8章 答案生成与多轮对话
8.1 预测会话与答案生成
8.1.2 句型模板匹配标准问题生成答案
8.1.3 根据知识图谱推理得到答案
8.2 多轮对话
8.2.2 任务型多轮对话的控制和生成
8.2.3 多主题多轮对话
第9章 对话系统的工程架构
9.1 对话系统的工程技术
9.1.1 常用技术
9.1.2 对话系统的分类
9.1.3 主要系统软件介绍
9.1.4 系统运维相关
9.2 对话系统的架构实现
9.2.1 阿里小蜜
9.2.2 百度对话系统
9.2.3 垂直领域对话系统的架构
9.2.4 开放领域对话系统的架构
9.3 本章小结
第10章 实战场景之一——客服机器人
10.1 客服机器人架构
10.1.1 功能需求
10.1.2 系统逻辑架构图
10.2 客服机器人设计
10.2.1 FAQ的设计
10.2.2 导购机器人的设计
10.2.3 实例分析
10.3 本章小结
第11章 实战场景之二——开放域的QA问答
11.1 开放领域问答机器人的架构
11.2 开放领域问答机器人的开发流程和方案
11.3 开放领域问答机器人的开发案例
第12章 实战场景之三——聊天机器人
12.1 Seq2Seq以及Attention机制
12.2 Beam Search
12.3 基于Seq2Seq的聊天机器人开发流程
12.3.1 语料准备
12.3.2 定义Encoder和Decoder
12.3.3 模型训练和评估模块
12.3.4 模型预测和Beam Search模块
12.4 本章小结
第1章 概率统计与应用数学的基础知识
自然语言处理是机器学习应用的一个分支,它不但涉及自然语言学的知识,更重要的是还关系到很多应用数学的知识,特别是概率与统计的一些基础知识,这些都需要熟练掌握。
本章将简要介绍概率统计和应用数学的基础知识,这更有利于我们对后面知识点的掌握。已经对本章所述内容有了解的读者,可以将本章作为复习,或者跳过本章阅读后面的内容。
1.1 概率的定义
概率的定义:在统计学里,概率是一个事件将要发生的可能性的一种测度。概率值的范围是0~1,0代表不可能发生,1代表确定发生。一个事件发生的概率值越高,它会发生的可能性就越大。
在Kolmogorov概率论的定义里,假设概率值P为某个事件A发生的概率,则记作P(A)。假设(Ω,F,P)为一个测度空间满足P(Ω)=1,Ω是样本空间,F表示事件空间,那么一定会满足以下条件。
Kolmogorov公理1:事件的概率是一个非负的实数,且P(A)∈RP(A)≥0,A∈F。
Kolmogorov公理2:样本空间集合的概率值为1,P(Ω)=1。
Kolmogorov公理3:任意可数的无交集的事件序列A1,A2,…,Ai满足如下公式。
通过Kolmogorov的3条概率公理,可以得出以下3条有用的推论。
推论1:空集的概率值为0,P()=0。
证明:通过公理1和3可以得到:P(Ω)=P(∪Ω)=P( ............
以上为书籍内容预览,如需阅读全文内容请下载EPUB源文件,祝您阅读愉快。
书云 Open E-Library » 聊天机器人:入门、进阶与实战 - (EPUB全文下载)