《自己动手做聊天机器人》从零开始介绍了聊天机器人的发展历程及技术原理，并配合项目实 战案例，重点介绍了问答系统、对话系统、闲聊系统这三种主要聊天机器人的技术原理及实现细节。 让读者可以由浅入深、循序渐进地学聊天机器人的相关知识，并对聊天机器人有深入的理解。 《自己动手做聊天机器人》分为 12 章，主要内容有聊天机器人概述；快速开发个智能语音助手； 文本相似度计算方法；基于 BERT 模型的智能客服；基于知识库的问答系统；基于知识图谱的电影知 识问答系统；基于知识图谱的医疗诊断问答系统；基于任务导向的聊天机器人；基于 Rasa 的电影订票 助手；基于 UNIT 的智能出行助手；快速搭建个“夸夸”闲聊机器人；聊天机器人的发展展望。 《自己动手做聊天机器人》内容通俗易懂，案例丰富，实用性强，别适合对聊天机器人技术感 兴趣的入门读者和进读者阅读，也适合人工智能技术研究人员、自然语言处理技术研究人员等其 他编程爱好者阅读。另外，本书还可以作为高等院校或相关培训机构的教材使用。

 

第1章 聊天机器人概述
1.1 了解聊天机器人
1.1.1 人工智能与图灵测试
1.1.2 聊天机器人的发展历程
1.1.3 聊天机器人的前景
1.2 聊天机器人的分类与应用场景
1.2.1 相关术语介绍
1.2.2 聊天机器人的分类
1.2.3 问答聊天机器人
1.2.4 对话聊天机器人
1.2.5 闲聊机器人
1.3 聊天机器人的评指标
1.3.1 问答系统的评方法
1.3.2 对话系统的评方法
1.3.3 闲聊系统的评方法
1.4 聊天机器人的挑战
1.4.1 自然语言多种表达方式的挑战
1.4.2 语义差异性的挑战
1.4.3 整合语境信息的挑战
1.4.4 回复多样性的挑战
1.4.5 人格性的挑战
第2章 快速开发个智能语音助手
2.1 项目背景及框架
2.2 环境配置
2.2.1 Python环境安装
2.2.2 PyCharm安装配置
2.3 语音识别模块的实现
代码2.1 将语音数据转换为文本
2.4 语音生成模块的实现
代码2.2 将文本转换为语音
2.5 对话模块
代码2.3 对话模块
2.6 智能语音助手的实现
代码2.4 智能语音助手
第3章 文本相似度计算方法
3.1 文本相似度计算方法介绍
3.2 基于字符的文本相似度计算方法
3.2.1 编辑距离
代码3.1 计算编辑距离
3.2.2 汉明距离
代码3.2 计算汉明距离
3.2.3 TF-IDF
代码3.3 计算TF-IDF
3.2.4 BM25
代码3.4 计算BM25
3.2.5 统计语言模型
代码3.5 计算N-gram
3.2.6 Jaccard距离
代码3.6 计算Jaccard距离
3.2.7 长公共子序列

ISBN编号: 9787302570783

书名: "智能聊天机器人 —— 核技术与算法"

作者: 黄申

定: 128.00元

开本: 16开

是否是套装: 否

出版社名称: 清华大学出版社

 

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。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 章介绍些主流的机器学算法，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来化问答系统；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，也可作为相关业本科生和研究生教学的参考书，对于从事深度学及其应用的开发人员同样具有参考值。

 

1章  聊天机器人概述 1 1.1  聊天机器人的发展 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 使用深度学加强问答系统 227 7.1 经网络 227 7.1.1 经网络的基础知识 227 7.1.2 使用TensorFlow实现基本的经网络 234 7.2 深度学 243 7.2.1 卷积经网络 243 7.2.2 深度学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 

书名:python深度学实战：基于tensorflow和keras的聊天机器人以及人脸物体和语音识别

 定:69元

 作者:[印] 纳温·库马尔·马纳西（Navin Kumar Manaswi）

 出版社：机械工业出版社

 出版日期：2019-04-08

 ISBN 号：9787111622765

 开 本: 16开

 页 数: 176

 

本书讨论使用TensorFlow和Keras等框架构建深度学应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供建能够执行深度学的程序所需的概念、技术和算法实现。

 

序
1章 TensorFlow基础 1
1.1 张量 2
1.2 计算图与会话 2
1.3 常量、占位符与变量 4
1.4 占位符 6
1.5 建张量 8
1.5.1 固定张量 9
1.5.2 序列张量 11
1.5.3 随机张量 11
1.6 矩阵作 12
1.7 激活函数 13
1.7.1 双曲正切函数与Sigmoid函数 13
1.7.2 ReLU与ELU 15
1.7.3 ReLU6 15
1.8 损失函数 17
1.8.1 损失函数实例 18
1.8.2 常用的损失函数 18
1.9 化器 19
1.9.1 化器实例 20
1.9.2 常用的化器 21
1.10 度量 21
1.10.1 度量实例 22
1.10.2 常用的度量 22
2章 理解并运用Keras 25
2.1 深度学模型构建的主要步骤 25
2.1.1 载入数据 26
2.1.2 预处理数据 27
2.1.3 定义模型 27
2.1.4 编译模型 29
2.1.5 拟合模型 29
2.1.6 评估模型 30
2.1.7 预测 30
2.1.8 存与重载模型 31
2.1.9 可选：总结模型 31
2.2 改进Keras模型的附加步骤 32
2.3 Keras联合TensorFlow 33
3章 多层感知机 35
3.1 人工经网络 35
3.2 单层感知机 37
3.3 多层感知机 37
3.4 逻辑斯谛回归模型 38
4章 TensorFlow中的回归到MLP 45
4.1 TensorFlow搭建模型的步骤 45
4.2 TensorFlow中的线性回归 46
4.3 逻辑斯谛回归模型 49
4.4 TensorFlow中的多层感知机 52
5章 Keras中的回归到MLP 55
5.1 对数-线性模型 55
5.2 线性回归的Keras经网络 56
5.3 逻辑斯谛回归 58
5.3.1 scikit-learn逻辑斯谛回归 58
5.3.2 逻辑斯谛回归的Keras经网络 59
5.3.3 流行的MNIST数据：Keras中的逻辑斯谛回归 60
5.4 基于Iris数据的MLP 62
5.4.1 编写代码 62
5.4.2 构建个序列Keras模型 63
5.5 基于MNIST数据的MLP数字分类 66
5.6 基于随机生成数据的MLP 68
6章 卷积经网络 71
6.1 CNN中的各种层 71
6.2 CNN结构 74
7章 TensorFlow中的CNN 77
7.1 为什么用TensorFlow搭建CNN模型 77
7.2 基于MNIST数据集搭建图片分类器的TensorFlow代码 78
7.3 使用高级API搭建CNN模型 82
8章 Keras中的CNN 83
8.1 在Keras中使用MNIST数据集搭建图片分类器 83
8.1.1 定义网络结构 85
8.1.2 定义模型架构 85
8.2 使用CIFAR-10数据集搭建图片分类器 86
8.2.1 定义网络结构 87
8.2.2 定义模型架构 88
8.3 预训练模型 89
9章 RNN与LSTM 91
9.1 循环经网络的概念 91
9.2 长短时记忆网络的概念 93
9.3 LSTM常见模式 93
9.4 序列预测 94
9.4.1 数字序列预测 94
9.4.2 序列分类 95
9.4.3 序列生成 95
9.4.4 序列到序列预测 95
9.5 利用LSTM模型处理时间序列预测问题 96
10章 语音-文本转换及其逆过程 101
10.1 语音-文本转换 101
10.2 语音数据 102
10.3 语音征：将语音映射为矩阵 103
10.4 声谱图：将语音映射为图像 104
10.5 利用MFCC征构建语音识别分类器 104
10.6 利用声谱图构建语音识别分类器 105
10.7 开源方法 106
10.8 使用API的例子 107
10.8.1 使用PocketSphinx 107
10.8.2 使用Google Speech API 108
10.8.3 使用Google Cloud Speech API 108
10.8.4 使用Wit.ai API 108
10.8.5 使用Houndify API 109
10.8.6 使用IBM Speech to Text API 109
10.8.7 使用Bing Voice Recognition API 110
10.9 文本-语音转换 110
10.9.1 使用pyttsx 110
10.9.2 使用SAPI 111
10.9.3 使用SpeechLib 111
10.10 音频剪辑代码 111
10.11 认知服务提供商 112
10.11.1 Microsoft Azure 113
10.11.2 Amazon Cognitive Services 113
10.11.3 IBM Watson Services 113
10.12 语音分析的未来 113
11章 建聊天机器人 115
11.1 为什么是聊天机器人 116
11.2 聊天机器人的设计和功能 116
11.3 构建聊天机器人的步骤 116
11.3.1 预处理文本和消息 117
11.3.2 用API构建聊天机器人 130
11.4 聊天机器人开发的佳实践 133
11.4.1 了解潜在用户 133
11.4.2 读入用户情感使得机器人情感更丰富 133
12章 人脸检测与识别 135
12.1 人脸检测、人脸识别与人脸分析 135
12.2 OpenCV 136
12.2.1 征脸 137
12.2.2 LBPH 137
12.2.3 费歇脸 138
12.3 检测人脸 139
12.4 跟踪人脸 141
12.5 人脸识别 144
12.6 基于深度学的人脸识别 147
12.7 迁移学 149
12.7.1 为什么要用迁移学 150
12.7.2 迁移学实例 150
12.7.3 计算迁移值 152
12.8 API 158
附录1 图像处理的Keras函数 161
附录2 可用的质图像数据集 165
附录3 医学成像：DICOM文件格式 167