基於深度學習的自然語言處理基礎教程 胡玥 曹亞男 方芳等 9787030816955 【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：202506*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：基於深度學習的自然語言處理基礎教程
ISBN：9787030816955
出版社：科學
著編譯者：胡玥 曹亞男 方芳等
頁數：197
所在地：中國大陸 *此為代購商品
書號：1741475
可大量預訂，請先連絡。

內容簡介
《基於深度學習的自然語言處理基礎教程》作為基於深度學習的自然語言處理基礎教程，介紹基於深度學習的自然語言處理領域的各種技術範式以及相關概念，構建該領域的知識體系，幫助讀者對該領域知識有全面和系統的瞭解。《基於深度學習的自然語言處理基礎教程》共12章，分別介紹深度學習自然語言處理數據資源、常用的神經網絡模型、語言模型的基本概念、注意力機制的基本概念、自然語言處理基本任務及建模方法、預訓練語言模型，以及典型的自然語言處理核心任務模型。

目錄

目錄

前言
第1章 緒論 1
1 1 人工智能與自然語言處理 1
1 1 1 人工智能 1
1 1 2 自然語言處理 1
1 1 3 自然語言處理知識體系 2
1 2 自然語言處理任務 2
1 3 自然語言處理技術 3
1 3 1 自然語言處理學派 3
1 3 2 自然語言處理發展歷程及技術變遷 4
1 4 自然語言處理技術支撐理論及資源 6
1 5 本書知識體系 8
參考文獻 10
第2章 深度學習自然語言處理數據資源 11
2 1 任務數據資源 12
2 1 1 文本分類 12
2 1 2 情感分析 12
2 1 3 機器翻譯 13
2 1 4 文本摘要 13
2 1 5 機器閱讀理解 14
2 1 6 問答系統 14
2 2 預訓練數據資源 15
2 2 1 網頁數據 15
2 2 2 書籍 16
2 2 3 學術資料 17
2 2 4 維基百科 17
2 2 5 代碼 18
2 3 預訓練微調數據資源 18
2 3 1 指令微調數據集 18
2 3 2 人類價值觀對齊數據集 19
2 4 其他資源 20
2 5 本章 小結 21
參考文獻 21
第3章 深度學習基礎知識 25
3 1 神經網絡基本概念 25
3 1 1 人工神經網絡 25
3 1 2 神經網絡基本特徵 25
3 2 前饋神經網絡 26
3 2 1 人工神經元模型 26
3 2 2 激活函數 26
3 2 3 前饋神經網絡模型結構 29
3 2 4 神經網絡的梯度下降法 30
3 2 5 前饋神經網絡的反向傳播算法 30
3 3 卷積神經網絡 32
3 3 1 概述 32
3 3 2 卷積神經網絡結構 32
3 3 3 卷積神經網絡學習 34
3 3 4 卷積神經網絡應用 34
3 4 循環神經網絡 35
3 4 1 概述 35
3 4 2 循環神經網絡結構 35
3 4 3 循環神經網絡訓練 36
3 4 4 梯度消失和爆炸 37
3 4 5 循環神經網絡變體 38
3 4 6 循環神經網絡應用 39
3 5 本章 小結 40
參考文獻 40
第4章 語言模型與詞向量 41
4 1 統計語言模型 41
4 1 1 語言模型基本概念 41
4 1 2 語言模型參數學習 43
4 1 3 參數的數據平滑 44
4 1 4 語言模型性能評估 45
4 1 5 語言模型應用 46
4 1 6 語言模型變體擴展 47
4 2 神經網絡語言模型 49
4 2 1 神經網絡語言模型概述 49
4 2 2 前饋神經網絡語言模型 50
4 2 3 循環神經網絡語言模型 52
4 2 4 循環神經網絡語言模型變體 54
4 3 淺層詞向量 56
4 3 1 詞表示概述 57
4 3 2
第1詞向量表示模型 60
4 3 3 詞向量特徵及應用 67
4 4 本章 小結 68
參考文獻 68
第5章 自然語言處理中的注意力機制 69
5 1 注意力機制概述 69
5 2 注意力模塊 70
5 2 1 注意力模塊結構 70
5 2 2 模塊訓練與評估 71
5 2 3 注意力模塊相關術語 71
5 3 傳統注意力模塊應用 72
5 4 注意力編碼機制模塊應用 73
5 4 1 單一向量編碼 74
5 4 2 不同序列間的編碼 75
5 4 3 同一序列間的編碼 76
5 5 本章 小結 77
參考文獻 77
第6章 自然語言處理基本任務 78
6 1 文本分類 78
6 1 1 文本分類任務概述 78
6 1 2 神經網絡文本分類方法 78
6 1 3 文本分類評估指標 81
6 2 文本匹配 83
6 2 1 文本匹配任務概述 83
6 2 2 文本匹配方法 83
6 3 序列標注 84
6 3 1 序列標注任務概述 84
6 3 2 神經網絡序列標注方法 85
6 3 3 典型神經網絡序列標注模型 86
6 4 序列生成 88
6 4 1 序列生成任務定義 88
6 4 2 序列生成模型 88
6 4 3 生成式解碼模型 89
6 4 4 選擇式解碼模型 97
6 4 5 選擇-生成混合解碼模型 98
6 4 6 序列生成模型評估指標 100
6 5 本章 小結 101
參考文獻 101
第7章 預訓練語言模型 102
7 1 預訓練語言模型概述 102
7 1 1 預訓練語言模型基本思想 102
7 1 2 預訓練語言模型發展歷程 103
7 2 預訓練語言模型+精調階段（第三範式） 104
7 2 1 編碼器結構：BERT 104
7 2 2 解碼器結構：GPT-1 106
7 2 3 編碼-解碼器結構：BART 107
7 3 預訓練語言模型+提示工程階段（第四範式） 108
7 3 1 提示學習 109
7 3 2 答案工程 110
7 3 3 提示微調策略 111
7 4 大語言模型+提示工程階段（第五範式） 111
7 4 1
第1代大語言模型：快回答 112
7 4 2
第二代大語言模型：慢思考 121
7 5 國產大語言模型傑出代表：DeepSeek-R1 127
7 5 1 DeepSeek-V系列語言模型 128
7 5 2 DeepSeek-R系列推理模型 129
7 6 本章 小結 133
參考文獻 133
第8章 機器翻譯 136
8 1 深度學習機器翻譯概述 136
8 2 典型神經機器翻譯模型 137
8 2 1 RNN編碼-解碼模型 137
8 2 2 基於注意力機制的RNN 編碼-解碼模型 137
8 2 3 谷歌神經機器翻譯系統 138
8 2 4 卷積編碼-解碼模型 138
8 2 5 Transformer模型 139
8 3 神經機器翻譯解碼策略改進 140
8 3 1 推敲網絡 140
8 3 2 非自回歸機器翻譯模型 142
8 3 3 基於隱變量的非自回歸模型 142
8 4 神經機器翻譯系統需要考慮的問題 143
8 4 1 詞表受限問題 144
8 4 2 翻譯覆蓋率問題 144
8 4 3 系統魯棒性問題 145
8 5 低資源神經機器翻譯 146
8 5 1 少量雙語語料和大量單語語料 146
8 5 2 無雙語語料只有單語語料 147
8 6 多語言預訓練語言模型 148
8 6 1 XLM 148
8 6 2 mBART 148
8 7 本章 小結 149
參考文獻 149
第9章 情感分析 151
9 1 情感分析概述 151
9 2 情感極性分類 152
9 2 1 任務定義 152
9 2 2 任務框架 152
9 2 3 技術路線 153
9 3 屬性情感分析 154
9 3 1 任務定義 154
9 3 2 技術路線 154
9 4 本章 小結 157
參考文獻 157
第10章 信息抽取 159
10 1 信息抽取概述 159
10 1 1 基本概念 159
10 1 2 發展歷史 159
10 1 3 任務定義 160
10 2 命名實體識別 160
10 2 1 相關概念 160
10 2 2 簡單命名實體識別 161
10 2 3 複雜命名實體識別 162
10 3 關係抽取 164
10 3 1 任務定義 164
10 3 2 主要方法 164
10 4 事件抽取 166
10 4 1 任務定義 167
10 4 2 任務實現步驟 167
10 4 3 任務實現方法 167
10 4 3 評估 171
10 5 本章 小結 172
參考文獻 172
第11章 機器閱讀理解 173
11 1 機器閱讀理解概述 173
11 2 任務定義 174
11 3 神經機器閱讀理解模型框架 174
11 4 神經機器閱讀理解各類任務及典型模型 176
11 4 1 完形填空式機器閱讀理解任務 176
11 4 2 多項選擇式機器閱讀理解任務 177
11 4 3 片段抽取式機器閱讀理解任務 178
11 4 4 自由生成式機器閱讀理解任務 180
11 5 機器閱讀理解的主要挑戰與開放性問題 182
11 5 1 機器閱讀理解的可解釋性 182
11 5 2 機器閱讀理解的魯棒性 182
11 5 3 機器閱讀理解的長文章 理解能力 182
11 5 4 機器閱讀理解的輸入文本受限 183
11 5 5 機器閱讀理解的推理能力 183
11 5 6 機器閱讀理解的已知知識利用 183
11 5 7 機器閱讀理解的自主利用無標注資源 184
11 5 8 機器閱讀理解的遷移能力 184
11 6 本章 小結 184
參考文獻 184
第12章 對話系統 187
12 1 對話系統概述 187
12 1 1 背景 187
12 1 2 對話系統的特點與分類 187
12 2 開放領域對話 187
12 2 1 基於檢索的開放領域對話系統 188
12 2 2 基於生成的開放領域對話系統 188
12 2 3 檢索-生成融合的開放領域對話系統 189
12 2 4 開放領域對話系統中的關鍵問題 189
12 3 任務型對話 192
12 3 1 基於管道結構的任務型對話系統 192
12 3 2 基於端到端的任務型對話系統 194
12 3 3 任務型對話系統發展趨勢 196
12 4 本章 小結 197
參考文獻 197

精彩書摘
第1章 緒論
1 1人工智能與自然語言處理
1 1 1人工智能
人工智能（artificial intelligence，AI）是引領未來科技發展的核心技術。國際數據公司（International Data Corporation，IDC）近期發佈的多份報告顯示，2024年全球人工智能及生成式人工智能總投資規模為3158億美元，有望在2028年增至8159億美元，其中中國人工智能投資預計突破1000億美元。人工智能已成為全球科技競爭的核心領域。
人工智能的基本目標是構建能夠智能處理任務的系統，使機器能夠像人類一樣執行任務（如學習、推理、規劃和決策等）。這一概念可以追溯到1950年，英國數學家阿蘭 圖靈在其著名論文《計算機器與智能》中提出的圖靈測試：將一個人和一台計算機隔離開，讓提問者與二者進行交流，如果提問者無法區分出哪方是人、哪方是計算機，則表明計算機具備了類似于人的智能。
人工智能系統應具有以下幾個層次的能力。
（1）運算智能：包括記憶和計算能力。
（2）感知智能：包括聽覺、視覺和觸覺的感知能力。
（3）認知智能：包括理解和使用語言、掌握並運用知識，以及基於語言和知識進行推理的能力。
（4）創造智能：在現有條件和想像力的基礎上創作出作品或產品的能力。
隨著計算機視覺、語音處理等技術的快速發展，機器已經具備了感知智能。因此，人工智能研究的重點正逐步從感知智能向認知智能邁進，其中*關鍵的任務是使計算機能夠像人類一樣理解和使用自然語言，並利用其承載的知識進行推理和決策。
1 1 2自然語言處理
自然語言是人類社會發展過程中約定俗成的語言系統，用於溝通和思維的表達，涵蓋了如中文、英語、日語等通過發聲器官產生的聲音來表達的發聲語言，以及手語、旗語等通過手勢、口令、符號等非聲音方式來表達的非發聲語言。自然語言處理（na

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。