深入理解自然語言處理-從深度學習到大模型應用 宋文峰 9787302681526 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202503*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深入理解自然語言處理-從深度學習到大模型應用
ISBN：9787302681526
出版社：清華大學
著編譯者：宋文峰
頁數：293
所在地：中國大陸 *此為代購商品
書號：1732020
可大量預訂，請先連絡。

內容簡介

本書從自然語言處理（NLP）的任務視角分門別類地介紹深度學習與大模型在現階段各NLP任務中的應用。以任務視角是指以一個個場景項目為視角，這樣可以讓讀者獲得更多的實戰經驗。本書的每章都有核心模型的先驗鏈條，這對讀者理解和掌握NLP模型非常有幫助。 本書內容豐富，講解深入淺出，適合有一定機器學習基礎的NLP入門和進階人員閱讀，也適合NLP領域的從業人員作為解決具體業務問題的參考書，還適合高等院校人工智能等相關專業作為教材。

作者簡介

宋文峰 畢業於中山大學，獲計算機碩士學位。先後擔任百度、聯想和趣頭條等互聯網大廠的算法團隊負責人。熟悉自然語言處理的相關算法和模型，有多年的算法開發、推薦系統開發和自然語言處理項目經驗。業餘時間兼職自然語言處理講師，從事相關課程的講授工作，積累了豐富的經驗。

目錄

第1章 分詞和詞性標註
1 1 為什麼要學習分詞
1 2 分詞的傳統算法
1 2 1 正向最大匹配
1 3 Trie權
1 2 3 反向最大匹配
1 2 4 最短路徑
1 2 5 分詞工具jieba的實現流程
1 3 深度學習在分詞中的應用
1 3 1 Bi-LSTM模型
1 3 2 基於詞向量的分詞
1 3 3 簡易融合語料分詞
1 3 4 分詞的多標準集成學習
1 3 5 分詞的多標準融合學習
1 3 6 分詞的多標準融合學習2
1 4 為什麼要學習已經過時的模型
1 5 BERT之後的中文分詞還有必要用嗎
1 6 如何他詞性無注
1 7 大模型時代的分詞和詞性標註
1 8 小結
第2章 文本分類
2 1 文本分類的應用
2 2 文本分類的詞向量方法
2 2 1 Word2vec模型
2 2 2 fastText模型
2 2 3 Doc2vec模型
2 2 4 softmax加速
2 3 文本分類的深度學習方法
2 3 1 LSTM簡介
2 3 2 Tree-LSTM簡介
2 3 3 DCNN模型
2 3 4 TextCNN模型
2 3 5 膠囊網絡應用於文本分類
2 3 6 層級注意力網絡HAN
2 4 分類任務數據集
2 5 大模型時代的文本分類
2 5 1 使用BERT進行文本分類
2 5 2 使用ChatGPT進行文本分類
2 6 小結
第3章 命名實體識別
3 1 什麼是NER
3 1 1 中文NER的難點
3 1 2 NER的主要應用場景
3 1 3 NER的評估方法
3 2 傳統的NER方法
3 2 1 HanLP的中文人名的NER實現
3 2 2 HanLP的其他NER識別
3 3 深度學習在NER中的應用
3 3 1 使用深度學習處理NER問題的原因
3 3 2 Bi-LSTM+CRF模型
3 3 3 CharNER模型
3 3 4 Bi-LSTM+CNN模型
3 3 5 ID-CNN模型
3 3 6 序列標註的半監督多任務模型
3 3 7 LatticeLSTM模型
3 3 8 PLTE模型
3 4 大模型時代的命名實體識別
3 4 1 使用ChatGPT提示詞進行實體識別
3 4 2 使用ChatGPTAPI進行實體識別
3 5 小結
第4章 神經機器翻譯
4 1 神經機器翻譯的發展
4 2 評估指標
4 2 1 BLEU指標
4 2 2 Rouge-L指標
4 3 神經機器翻譯概述
4 4 注意力機制
4 4 1 注意力機制簡介
4 4 2 注意力機制的具體應用
4 5 NMT經典模型——Transformer
4 6 NMT前沿研究
4 6 1 NMT的新方向1：多語言交叉翻譯

第5章 文本糾錯
第6章 機器閱讀理解
第7章 句法分析
第8章 文本摘要
第9章 信息檢索和問答系統
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。