NLP漢語自然語言處理原理與實踐

第1章 中文語言的機器處理
1.1 歷史回顧
1.1.1 從科幻到現實
1.1.2 早期的探索
1.1.3 規則派還是統計派
1.1.4 從機器學習到認知計算
1.2 現代自然語言系統簡介
1.2.1 NLP流程與開源框架
1.2.2 哈工大NLP平台及其演示環境
1.2.3 Stanford NLP團隊及其演示環境
1.2.4 NLTK開發環境
1.3 整合中文分詞模塊
1.3.1 安裝Ltp Python組件
1.3.2 使用Ltp 3.3進行中文分詞
1.3.3 使用結巴分詞模塊
1.4 整合詞性標注模塊
1.4.1 Ltp 3.3詞性標注
1.4.2 安裝StanfordNLP並編寫Python接口類
1.4.3 執行Stanford詞性標注
1.5 整合命名實體識別模塊
1.5.1 Ltp 3.3命名實體識別
1.5.2 Stanford命名實體識別
1.6 整合句法解析模塊
1.6.1 Ltp 3.3句法依存樹
1.6.2 Stanford Parser類
1.6.3 Stanford短語結構樹
1.6.4 Stanford依存句法樹
1.7 整合語義角色標注模塊
1.8 結語
第2章 漢語語言學研究回顧
2.1 文字符號的起源
2.1.1 從記事談起
2.1.2 古文字的形成
2.2 六書及其他
2.2.1 象形
2.2.2 指事
2.2.3 會意
2.2.4 形聲
2.2.5 轉注
2.2.6 假借
2.3 字形的流變
2.3.1 筆與墨的形成與變革
2.3.2 隸變的方式
2.3.3 漢字的符號化與結構
2.4 漢語的發展
2.4.1 完整語義的基本形式——句子
2.4.2 語言的初始形態與文言文
2.4.3 白話文與復音詞
2.4.4 白話文與句法研究
2.5 三個平面中的語義研究
2.5.1 詞匯與本體論
2.5.2 格語法及其框架
2.6 結語
第3章 詞匯與分詞技術
3.1 中文分詞
3.1.1 什麼是詞與分詞規范
3.1.2 兩種分詞標准
3.1.3 歧義、機械分詞、語言模型
3.1.4 詞匯的構成與未登錄詞
3.2 系統總體流程與詞典結構
3.2.1 概述
3.2.2 中文分詞流程
3.2.3 分詞詞典結構
3.2.4 命名實體的詞典結構
3.2.5 詞典的存儲結構
3.3 算法部分源碼解析
3.3.1 系統配置
3.3.2 Main方法與例句
3.3.3 句子切分
3.3.4 分詞流程
3.3.5 一元詞網
3.3.6 二元詞圖
3.3.7 NShort算法原理
3.3.8 后處理規則集
3.3.9 命名實體識別
3.3.10 細分階段與最短路徑
3.4 結語
第4章 NLP中的概率圖模型
4.1 概率論回顧
4.1.1 多元概率論的幾個基本概念
4.1.2 貝葉斯與朴素貝葉斯算法
4.1.3 文本分類
4.1.4 文本分類的實現
4.2 信息熵
4.2.1 信息量與信息熵
4.2.2 互信息、聯合熵、條件熵
4.2.3 交叉熵和KL散度
4.2.4 信息熵的NLP的意義
4.3 NLP與概率圖模型
4.3.1 概率圖模型的幾個基本問題
4.3.2 產生式模型和判別式模型
4.3.3 統計語言模型與NLP算法設計
4.3.4 極大似然估計
4.4 隱馬爾科夫模型簡介
4.4.1 馬爾科夫鏈
4.4.2 隱馬爾科夫模型
4.4.3 HMMs的一個實例
4.4.4 Viterbi算法的實現
4.5 最大熵模型
4.5.1 從詞性標注談起
4.5.2 特征和約束
4.5.3 最大熵原理
4.5.4 公式推導
4.5.5 對偶問題的極大似然估計
4.5.6 GIS實現
4.6 條件隨機場模型
4.6.1 隨機場
4.6.2 無向圖的團（Clique）
與因子分解
4.6.3 線性鏈條件隨機場
4.6.4 CRF的概率計算
4.6.5 CRF的參數學習
4.6.6 CRF預測標簽
4.7 結語
第5章 詞性、語塊與命名實體識別
5.1 漢語詞性標注
5.1.1 漢語的詞性
5.1.2 賓州樹庫的詞性標注規范
5.1.3 stanfordNLP標注詞性
5.1.4 訓練模型文件
5.2 語義組塊標注
5.2.1 語義組塊的種類
5.2.2 細說NP
5.2.3 細說VP
5.2.4 其他語義塊
5.2.5 語義塊的抽取
5.2.6 CRF的使用
5.3 命名實體識別
5.3.1 命名實體
5.3.2 分詞架構與專名詞典
5.3.3 算法的策略——詞典與統計相結合
5.3.4 算法的策略——層疊式架構
5.4 結語
第6章 句法理論與自動分析
6.1 轉換生成語法
6.1.1 喬姆斯基的語言觀
6.1.2 短語結構文法
6.1.3 漢語句類
6.1.4 謂詞論元與空范疇
6.1.5 輕動詞分析理論
6.1.6 NLTK操作句法樹
6.2 依存句法理論
6.2.1 配價理論
6.2.2 配價詞典
6.2.3 依存理論概述
6.2.4 Ltp依存分析介紹
6.2.5 Stanford依存轉換、解析
6.3 PCFG短語結構句法分析
6.3.1 PCFG短語結構
6.3.2 內向算法和外向算法
6.3.3 Viterbi算法
6.3.4 參數估計
6.3.5 Stanford 的PCFG算法訓練
6.4 結語
第7章 建設語言資源庫
7.1 語料庫概述
7.1.1 語料庫的簡史
7.1.2 語言資源庫的分類
7.1.3 語料庫的設計實例：國家語委語料庫
7.1.4 語料庫的層次加工
7.2 語法語料庫
7.2.1 中文分詞語料庫
7.2.2 中文分詞的測評
7.2.3 賓州大學CTB簡介
7.3 語義知識庫
7.3.1 知識庫與HowNet簡介
7.3.2 發掘義原
7.3.3 語義角色
7.3.4 分類原則與事件分類
7.3.5 實體分類
7.3.6 屬性與分類
7.3.7 相似度計算與實例
7.4 語義網與百科知識庫
7.4.1 語義網理論介紹
7.4.2 維基百科知識庫
7.4.3 DBpedia抽取原理
7.5 結語
第8章 語義與認知
8.1 回顧現代語義學
8.1.1 語義三角論
8.1.2 語義場論
8.1.3 基於邏輯的語義學
8.2 認知語言學概述
8.2.1 象似性原理
8.2.2 順序象似性
8.2.3 距離象似性
8.2.4 重疊象似性
8.3 意象圖式的構成
8.3.1 主觀性與焦點
8.3.2 范疇化：概念的認知
8.3.3 主體與背景
8.3.4 意象圖式
8.3.5 社交中的圖式
8.3.6 完形：壓縮與省略
8.4 隱喻與轉喻
8.4.1 隱喻的結構
8.4.2 隱喻的認知本質
8.4.3 隱喻計算的系統架構
8.4.4 隱喻計算的實現
8.5 構式語法
8.5.1 構式的概念
8.5.2 句法與構式
8.5.3 構式知識庫
8.6 結語
第9章 NLP中的深度學習
9.1 神經網絡回顧
9.1.1 神經網絡框架
9.1.2 梯度下降法推導
9.1.3 梯度下降法的實現
9.1.4 BP神經網絡介紹和推導
9.2 Word2Vec簡介
9.2.1 詞向量及其表達
9.2.2 Word2Vec的算法原理
9.2.3 訓練詞向量
9.2.4 大規模上下位關系的自動識別
9.3 NLP與RNN 448
9.3.1 Simple-RNN
9.3.2 LSTM原理
9.3.3 LSTM的Python實現
9.4 深度學習框架與應用
9.4.1 Keras框架介紹
9.4.2 Keras序列標注
9.4.3 依存句法的算法原理
9.4.4 Stanford依存解析的訓練過程
9.5 結語
第10章 語義計算的架構
10.1 句子的語義和語法預處理
10.1.1 長句切分和融合
10.1.2 共指消解
10.2 語義角色
10.2.1 謂詞論元與語義角色
10.2.2 PropBank簡介
10.2.3 CPB中的特殊句式
10.2.4 名詞性謂詞的語義角色
10.2.5 PropBank展開
10.3 句子的語義解析
10.3.1 語義依存
10.3.2 完整架構
10.3.3 實體關系抽取
10.4 結語