基本信息
| 商品名称： | 智能聊天机器人:核心技术与算法 | 开本： | 16开 |
| 作者： | 黄申|责编:贾小红 | 页数： | 354 |
| 定价： | 128.0 | 出版时间： | 2021-06-01 |
| ISBN号： | 9787302570783 | 印刷时间： | 2021-06-01 |
| 出版社： | 清华大学出版社 | 版次： | 1 |
| 印次： | 1 | | |
内容提要： 随着人工智能技术的发展，人类对智能化服务更加渴望，聊天机器人成为研发热门之一。本书从聊天机器人所涉及的多个方面出发，先理论后实践，让读者不仅能了解其中的原理，还能自己动手编程。全书共9章，**章以该领域的背景知识作为开篇，重点介绍了聊天系统中的主要模块；第2章阐述了语音识别和隐马尔可夫模型；第3章侧重于通用的自然语言处理技术；第4章讲解如何使用信息检索技术，来实现问答型的聊天系统；第5章介绍一些主流的机器学习算法，以及如何使用这些算法来提升基于信息检索的问答系统；第6章介绍**系统相关的知识以及常见的**算法，并将其应用到问答系统中；第7章介绍如何使用深度学习来优化问答系统；第8章讲述了聊天系统的前沿领域—知识图谱；第9章讨论任务型和闲聊型聊天系统中更有挑战性的几个课题。
本书可为高等院校计算机科学、信息科学、电子工程和人工智能等领域的科研人员提供参考，也可作为相关专业本科生和***教学的参考书，对于从事深度学习及其应用的开发人员同样具有参考价值。
作者简介： 黄申，博士，2015年美国杰出人才，微软学者，IBM ExtremeBlue天才计划成员，KDD WISDOM’20主席。2006年博士毕业于上海交通大学计算机科学与工程专业，师从俞勇教授，发表过20余篇国际**，拥有30多项国际专利。
有20多年机器学习和大数据领域的经验，现任Glassdoor机器学习**研发经理，曾任职于Linkedln全球数据科学部、微软亚洲研究院、IBM研究院、eBay中国研发中心、1号店和大润发飞牛网。
著有《大数据架构和算法实现之路：电商系统的技术实战》《大数据架构商业之路：从业务需求到技术方案》两本原创技术图书，并翻译出版了《Elasticsearch实战》《Python机器学习实践指南》等技术图书，在极客时间发表了专栏《程序员的数学基础课》。
目录：第1章 聊天机器人概述
1.1 聊天机器人的发展历史
1.2 聊天机器人的类型和应用
1.3 聊天机器人的模块和框架
第2章 自动语音识别
2.1 自动语音识别的发展概述
2.2 隐马尔可夫模型
2.2.1 概率论基础知识
2.2.2 隐马尔可夫模型是怎么来的
2.2.3 求解隐马尔可夫模型
2.3 Python实战
第3章 自然语言处理
3.1 自然语言处理的发展概述
3.2 常见的自然语言处理技术
3.2.1 停用词
3.2.2 同义词和近义词
3.2.3 多元语法
3.2.4 词袋模型和TF-IDF机制
3.2.5 语义相关的词
3.2.6 词性标注
3.2.7 实体识别
3.2.8 语法分析和语义分析
3.3 针对中英文的特殊处理
3.3.1 取词干和词形还原
3.3.2 中文分词
第4章 基于信息检索的问答系统
4.1 问答系统的发展概述
4.2 信息检索
4.2.1 如何高效地找到信息
4.2.2 相关性模型
4.2.3 其他扩展
4.2.4 基于信息检索的问答系统架构
4.3 基于Elasticsearch搜索引擎的问答系统
4.3.1 软件和数据的准备
4.3.2 Elasticsearch的基本概念和使用
4.3.3 在Elasticsearch中处理自然语言
4.3.4 自定义Elasticsearch的排序
4.3.5 Elasticsearch中搜索结果的统计
4.3.6 Elasticsearch集群
4.3.7 集成的问答系统
第5章 用机器学习提升基于信息检索的问答系统
5.1 如何提升问答系统
5.2 分析用户提出的问题
5.2.1 分类模型和算法
5.2.2 利用朴素贝叶斯模型进行文本分类
5.2.3 问题分类的Python实战
5.2.4 实体识别及其Python实战
5.3 检索结果的优化
5.3.1 线性回归的基本概念
5.3.2 线性回归的求解和拟合度的评估
5.3.3 线性回归的Python实战
5.3.4 聚类模型和算法
5.3.5 向量空间模型上的聚类
第6章 基于社区和推荐的问答系统
6.1 什么是社区和推荐
6.2 基于社区的问答系统
6.3 推荐系统的原理和算法
6.3.1 推荐系统
6.3.2 协同过滤
6.3.3 使用Python实现协同过滤
6.4 基于推荐的问答系统
6.5 答案的摘要
6.5.1 文本摘要原理和算法
6.5.2 文本摘要的Python实战
第7章 使用深度学习加强问答系统
7.1 神经网络
7.1.1 神经网络的基础知识
7.1.2 使用TensorFlow实现基本的神经网络
7.2 深度学习
7.2.1 卷积神经网络
7.2.2 深度学习在问答系统上的应用
第8章 使用知识图谱构建问答系统
8.1 什么是知识图谱
8.1.1 知识图谱的起源
8.1.2 知识图谱的应用
8.1.3 知识图谱的关键要素
8.2 基于模板的知识图谱问答
8.2.1 基于模板方法的主要步骤
8.2.2 使用SPARQL和Python实战
8.2.3 可能的改进
第9章 打造任务型和闲聊型聊天系统
9.1 什么是任务型聊天系统
9.2 理解用户的意图
9.2.1 基本方法
9.2.2 Python实战
9.3 识别任务相关的属性
9.4 对话流程的管理
9.4.1 基于规则的方法
9.4.2 基于数据统计的方法
9.5 闲聊型聊天系统的情感分析
基本信息
