| 【套装3本】聊天机器人开发 | ||
 |
定价 | 276.00 |
| 出版社 | 电子工业出版社 | |
| 版次 | 1 | |
| 出版时间 | 2020年05月 | |
| 开本 | 16开 | |
| 作者 | （印）Sumit Raj（苏米特·拉杰） | |
| 装帧 | 平塑 | |
| 页数 | 184 | |
| 字数 | 257000 | |
| ISBN编码 | 9787121383472 | |
这是一部能指导初学者轻松进入聊天机器人领域并快速实现进阶的实战型著作。
4位作者都是ZS的NLP技术专家，在聊天机器人领域有丰富的工程实践经验，曾在W品会等公司有大规模的成功实践。这本书原理、技术、实战3个层面讲解了聊天机器人的数学与统计原理、NLP模型和技术、算法与实现、工程架构，以及案例实践。
全书共13章，可分为三大部分。
DY部分（D1章） 基础篇
简单介绍了数学和统计的基本理论，如概率统计和应用数学等。
D二部分（D2~9章） 技术篇
着重讲解了NLP的模型和技术，它们是构成对话系统的基础，一些模型可以用在自然语言理解模块（NLU）和自然语言生成模块（NLG），同时帮助读者整理对话系统的工程架构知识。
D三部分（D10~12章） 实例篇
通过对三个典型的对话系统案例的讲解，让读者完整了解架构、设计和实现对话系统的流程和方法。
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，1 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；2 章阐述了语音识别和隐马尔可夫模型；3 章侧重于通用的自然语言处理技术；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；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；6 章介绍推荐系统相关的知识以及常见的推荐算法，并将其应用到问答系统中；7 章介绍如何使用深度学习来优化问答系统；8 章讲述了聊天系统的前沿领域—知识图谱；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研究生教学的参考书，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。
目录
D 1 章 心爱的聊天机器人 .. 1
聊天机器人的受欢迎程度 .. 2
Python 之禅以及为什么它适用于聊天机器人 .. 3
对聊天机器人的需求 .. 4
商业视角 .... 5
开发者视角 9
受聊天机器人影响的行业 11
聊天机器人的发展历程 .... 12
1950 .. 12
1966 .. 12
1972 .. 12
1981 .. 12
1985 .. 12
1992 .. 13
1995 .. 13
1996 .. 13
2001 .. 13
2006 .. 13
2010 .. 13
目录 XIII
2012 .. 14
2014 .. 14
2015 .. 14
2016 .. 14
2017 .. 14
我可以用聊天机器人解决什么样的问题 15
这个问题能通过简单的问答或来回交流解决吗 ... 15
这个工作是否有高度重复性，需要进行数据收集和分析 ... 15
你的机器人的任务可以自动化和固定化吗 ... 16
一个 QnA 机器人 ...... 16
从聊天机器人开始 .... 17
聊天机器人中的决策树 .... 18
在聊天机器人中使用决策树 ... 18
决策树如何起到作用 ....... 18
Z好的聊天机器人/机器人框架 ....... 21
聊天机器人组件和使用的相关术语 23
意图（Intent） . 23
实体（Entities） ...... 23
话术（Utterances） . 24
训练机器人 ...... 24
置信度得分 ...... 24
D 2 章 聊天机器人中的自然语言处理 .... 25
为什么我需要自然语言处理知识来搭建聊天机器人 .... 25
spaCy 是什么 ..... 26
spaCy 的基准测试结果 .... 27
spaCy 提供了什么能力 .... 27
spaCy 的特性 ..... 28
安装和前置条件 ...... 29
spaCy 模型是什么.... 31
搭建聊天机器人所使用的自然语言处理基本方法 32
XIV Python 聊天机器人开发
词性标注 .. 32
词干提取和词性还原 ....... 36
命名实体识别 .. 38
停用词 ...... 41
依存句法分析 .. 43
名词块 ...... 47
计算相似度 ...... 49
搭建聊天机器人时自然语言处理的一些好方法 .... 51
分词 .. 51
正则表达式 ...... 52
z结 ... 53
D 3 章 轻松搭建聊天机器人 .... 55
Dialogflow 简介 55
开始 ... 56
搭建一个点餐机器人 ....... 57
确定范围 .. 57
列举意图 .. 57
列举实体 .. 58
搭建点餐机器人 58
Dialogflow 入门 ....... 59
创建意图的几大要点 ....... 62
创建意图并添加自定义话术 ... 62
为意图添加默认回复 ....... 63
菜品描述意图及附属实体 ....... 64
理解用户需求并回复 ....... 67
将 Dialogflow 聊天机器人发布到互联网上 .... 72
在 Facebook Messenger 上集成 Dialogflow 聊天机器人 75
设置 Facebook .. 76
创建一个 Facebook 应用程序 . 76
设置 Dialogflow 控制台 .. 77
配置 Webhook .. 79
目录 XV
测试信使机器人 ...... 80
Fulfillment .. 83
启用 Webhook .. 85
检查响应数据 .. 87
z结 ... 89
D 4 章 从零开始搭建聊天机器人 .... 91
Rasa NLU 是什么 ...... 92
我们为什么要使用 Rasa NLU . 92
深入了解 Rasa NLU . 93
从零开始训练和搭建聊天机器人 .... 94
搭建一个星座聊天机器人 ....... 94
星座机器人和用户之间的对话脚本 ....... 95
为聊天机器人准备数据 ... 96
训练聊天机器人模型 ..... 101
从模型进行预测 .... 103
使用 Rasa Core 进行对话管理 ....... 105
深入了解 Rasa Core 及对话系统 .. 105
理解 Rasa 概念 ....... 108
为聊天机器人创建域文件 ..... 111
为聊天机器人编写自定义动作 ...... 113
训练机器人的数据准备 .. 116
构造故事数据 117
交互学习 119
将对话导出成故事. 132
测试机器人 ...... 133
测试用例一 .... 133
测试用例二 .... 134
z结 . 135
XVI Python 聊天机器人开发
D 5 章 部署自己的聊天机器人 ...... 137
前提条件.. 137
Rasa 的凭据管理 ..... 137
在 Facebook 上部署聊天机器人 .... 139
在 Heroku 上创建一个应用 ... 139
在本地系统中安装 Heroku .... 140
在 Facebook 上创建和设置应用程序 ... 140
在 Heroku 上创建和部署 Rasa 动作服务器应用程序 . 143
创建 Rasa 聊天机器人 API 应用程序... 144
创建一个用于 Facebook Messenger 聊天机器人的D立脚本 ..... 144
验证对话管理应用程序在 Heroku 上的部署情况 ....... 147
集成 Facebook Webhook 148
部署后验证：Facebook 聊天机器人 .... 149
在 Slack 上部署聊天机器人 ... 151
为 Slack 创建D立脚本 .. 151
编辑 Procfile ... 154
将 Slack 机器人Z终部署到 Heroku 上 154
订阅 Slack 事件 ...... 155
订阅机器人事件 .... 156
部署后验证：Slack 机器人 ... 156
D立部署聊天机器人 ...... 157
编写脚本实现自己的聊天机器人通道 . 158
编写 Procfile 并部署到 Web 上 ..... 159
验证你的聊天机器人 API ..... 160
绘制聊天机器人的图形界面 . 161
z结 . 165
推荐序一
推荐序二
前言
D1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
D2章语言模型与多元文法
2.1词袋模型
2.2N-Gram模型
2.2.1N-Gram简介
2.2.2N-Gram算法
2.2.3N-Gram用途
2.3数据平滑
2.3.1加法平滑方法
2.3.2Good-Turing估计法
2.3.3组合平滑方法
D3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
D4章文本分析
4.1关键词抽取
4.1.1词频-逆文档频次算法
4.1.2Text 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
4.2.3SVM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
D5章深度学习模型
5.1基于深度学习的自然语言模型
5.1.1神经网络自然语言模型与词向量
5.1.2A Neural Probabilistic Language Model
5.1.3CBOW和Skip-Gram
5.1.4Huffman编码与Huffman tree
5.1.5CBOW-Hierarchical Softmax
5.1.6Skip-Gram-Hierarchical Softmax
5.1.7FastText
5.1.8词的全局向量表示
5.2卷积网络CNN
5.2.1卷积网络CNN理论
5.2.2利用CNN进行文本分类
5.3循环网络RNN
5.3.1循环网络RNN（LSTM，GRU）理论
5.3.2利用RNN 进行情感分析
5.3.3Sequence-to-Sequence with Attention Model
5.4Transformer
5.4.1ResNet（Residual Network）残差网络模型
5.4.2Attention is all you need（Transformer）
5.5预训练模型
5.5.1Embeddings from Language Models（ELMo）
5.5.2BERT
D6章对话机器人的发展综述
6.1对话机器人发展史
6.1.1对话机器人的近况
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
6.2.1深度学习在机器人方面的应用
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
D7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
7.2.1知识抽取-命名实体识别
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
D8章答案生成与多轮对话
8.1预测会话与答案生成
8.1.1信息检索：利用搜索来预测答案
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
8.2.1多轮对话概述
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
D9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
D10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
10.2.1FAQ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
D11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
D12章实战场景之三——聊天机器人
12.1Seq2Seq以及Attention机制
12.2Beam 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
1章 聊天机器人概述 1
1.1 聊天机器人的发展历史 1
1.2 聊天机器人的类型和应用 3
1.3 聊天机器人的模块和框架 4
2章 自动语音识别 7
2.1 自动语音识别的发展概述 7
2.2 隐马尔可夫模型 8
2.2.1 概率论基础知识 9
2.2.2 隐马尔可夫模型是怎么来的 18
2.2.3 求解隐马尔可夫模型 25
2.3 Python实战 28
3章 自然语言处理 33
3.1 自然语言处理的发展概述 33
3.2 常见的自然语言处理技术 34
3.2.1 停用词 34
3.2.2 同义词和近义词 37
3.2.3 多元语法 39
3.2.4 词袋模型和TF-IDF机制 40
3.2.5 语义相关的词 44
3.2.6 词性标注 61
3.2.7 实体识别 64
3.2.8 语法分析和语义分析 66
3.3 针对中英文的特殊处理 70
3.3.1 取词干和词形还原 71
3.3.2 中文分词 72
4章 基于信息检索的问答系统 78
4.1 问答系统的发展概述 78
4.2 信息检索 78
4.2.1 如何高效地找到信息 79
4.2.2 相关性模型 84
4.2.3 其他扩展 95
4.2.4 基于信息检索的问答系统架构 99
4.3 基于Elasticsearch搜索引擎的问答系统 103
4.3.1 软件和数据的准备 103
4.3.2 Elasticsearch的基本概念和使用 105
4.3.3 在Elasticsearch中处理自然语言 114
4.3.4 自定义Elasticsearch的排序 123
4.3.5 Elasticsearch中搜索结果的统计 126
4.3.6 Elasticsearch集 129
4.3.7 集成的问答系统 136
5章 用机器学习提升基于信息检索的问答系统 141
5.1 如何提升问答系统 141
5.2 分析用户提出的问题 142
5.2.1 分类模型和算法 142
5.2.2 利用朴素贝叶斯模型进行文本分类 148
5.2.3 问题分类的Python实战 152
5.2.4 实体识别及其Python实战 159
5.3 检索结果的优化 166
5.3.1 线性回归的基本概念 166
5.3.2 线性回归的求解和拟合度的评估 168
5.3.3 线性回归的Python实战 181
5.3.4 聚类模型和算法 184
5.3.5 向量空间模型上的聚类 189
6章 基于社区和推荐的问答系统 195
6.1 什么是社区和推荐 195
6.2 基于社区的问答系统 195
6.3 推荐系统的原理和算法 199
6.3.1 推荐系统 199
6.3.2 协同过滤 206
6.3.3 使用Python实现协同过滤 211
6.4 基于推荐的问答系统 214
6.5 答案的摘要 218
6.5.1 文本摘要原理和算法 218
6.5.2 文本摘要的Python实战 219
7章 使用深度学习加强问答系统 227
7.1 神经网络 227
7.1.1 神经网络的基础知识 227
7.1.2 使用TensorFlow实现基本的神经网络 234
7.2 深度学习 243
7.2.1 卷积神经网络 243
7.2.2 深度学习在问答系统上的应用 248
8章 使用知识图谱构建问答系统 261
8.1 什么是知识图谱 261
8.1.1 知识图谱的起源 261
8.1.2 知识图谱的应用 263
8.1.3 知识图谱的关键要素 264
8.2 基于模板的知识图谱问答 269
8.2.1 基于模板方法的主要步骤 269
8.2.2 使用SPARQL和Python实战 271
8.2.3 可能的改进 304
9章 打造任务型和闲聊型聊天系统 306
9.1 什么是任务型聊天系统 306
9.2 理解用户的意图 307
9.2.1 基本方法 307
9.2.2 Python实战 308
9.3 识别任务相关的属性 314
9.4 对话流程的管理 324
9.4.1 基于规则的方法 325
9.4.2 基于数据统计的方法 334
9.5 闲聊型聊天系统的情感分析 342
