基于深度学习的自然语言处理
出版时间：2018
内容简介
自然语言处理是人工智能领域的一个重要的研究方向，是计算机科学与语言学的交叉学科。随着互联网的快速发展，网络文本尤其是用户生成的文本呈爆炸性增长，为自然语言处理带来了巨大的应用需求。但是由于自然语言具有歧义性、动态性和非规范性，同时语言理解通常需要丰富的知识和一定的推理能力，为自然语言处理带来了极大的挑战。近年来如火如荼的深度学习技术为解决自然语言处理问题的解决提供了一种可能的思路，已成为有效推动自然语言处理技术发展的变革力量。 \n本书系统阐述将深度学习技术应用于自然语言处理的方法和技术，深入浅出地介绍了深度学习的基本知识及各种常用的网络结构，并重点介绍了如何使用这些技术处理自然语言。 \n本书主要面向高等院校自然语言处理和机器学习方向的研究生，也适合自然语言处理或机器学习领域的研究人员以及工业界从事智能相关领域呀发的专业人员阅读参考。
目录
译者序
前言
致谢
第1章 引言
1.1 自然语言处理的挑战
1.2 神经网络和深度学习
1.3 自然语言处理中的深度学习
1.4 本书的覆盖面和组织结构
1.5 本书未覆盖的内容
1.6 术语
1.7 数学符号
注释
第一部分 有监督分类与前馈神经网络
第2章 学习基础与线性模型
2.1 有监督学习和参数化函数
2.2 训练集、测试集和验证集
2.3 线性模型
2.3.1 二分类
2.3.2 对数线性二分类
2.3.3 多分类
2.4 表示
2.5 独热和稠密向量表示
2.6 对数线性多分类
2.7 训练和最优化
2.7.1 损失函数
2.7.2 正则化
2.8 基于梯度的最优化
2.8.1 随机梯度下降
2.8.2 实例
2.8.3 其他训练方法
第3章 从线性模型到多层感知器
3.1 线性模型的局限性：异或问题
3.2 非线性输入转换
3.3 核方法
3.4 可训练的映射函数
第4章 前馈神经网络
4.1 一个关于大脑的比喻
4.2 数学表示
4.3 表达能力
4.4 常见的非线性函数
4.5 损失函数
4.6 正则化与丢弃法
4.7 相似和距离层
4.8 嵌入层
第5章 神经网络训练
5.1 计算图的抽象概念
5.1.1 前向计算
5.1.2 反向计算（导数、反向传播）
5.1.3 软件
5.1.4 实现流程
……
第二部分 处理自然语言数据
第三部分 特殊的结构
第四部分 其他主题
参考文献
