【新书】深度学习自然语言处理，Deep Learning for Natural Language Processing

简介： 人们在阅读文章时，可以识别关键思想，作出总结，并建立文章中的联系以及对其他需要理解的内容等方面都做得很出色。深度学习的最新进展使计算机系统可以实现类似的功能。用于自然语言处理的深度学习可教您将深度学习方法应用于自然语言处理（NLP），以有效地解释和使用文章。在这本书中，NLP专家Stephan Raaijmakers提炼了他对这个快速发展的领域中最新技术发展的研究。通过详细的说明和丰富的代码示例，您将探索最具挑战性的NLP问题，并学习如何通过深度学习解决它们！

自然语言处理是教计算机解释和处理人类语言的科学。最近，随着深度学习的应用，NLP技术已跃升至令人兴奋的新水平。这些突破包括模式识别，从上下文中进行推断以及确定情感语调，从根本上改善了现代日常便利性，例如网络搜索，以及与语音助手的交互。他们也在改变商业世界！

目录：

• NLP和深度学习概述
• 文本表示
• 词嵌入
• 文本相似性模型
• 序列NLP
• 语义角色标签
• 基于深度记忆的NLP
• 语言结构
• 深度NLP的超参数

1深度NLP学习

• 1.1概述
• 1.2面向NLP的机器学习方法
• 1.2.1感知机
• 1.2.2 支持向量机
• 1.2.3基于记忆的学习
• 1.3深度学习
• 1.4语言的向量表示
• 1.4.1表示向量
• 1.4.2运算向量
• 1.5工具
• 1.5.1哈希技巧
• 1.5.2向量归一化
• 1.6总结

2 深度学习和语言：基础知识

• 2.1深度学习的基本构架
• 2.1.1多层感知机
• 2.1.2基本运算符：空间和时间
• 2.2深度学习和NLP
• 2.3总结

3文字嵌入

• 3.1嵌入
• 3.1.1手工嵌入
• 3.1.2学习嵌入
• 3.2word2vec
• 3.3doc2vec
• 3.4总结

4文字相似度

• 4.1问题
• 4.2数据
• 4.2.1作者归属和验证数据
• 4.3数据表示
• 4.3.1分割文件
• 4.3.2字的信息
• 4.3.3子字集信息
• 4.4相似度测量模型
• 4.5.1多层感知机
• 4.5.2CNN
• 4.6总结

5序列NLP和记忆

• 5.1记忆和语言
• 5.1.1问答
• 5.2数据和数据处理
• 5.3序列模型的问答
• 5.3.1用于问答的RNN
• 5.3.2用于问答的LSTM
• 5.3.3问答的端到端存储网络
• 5.4总结

6NLP的6种情景记忆

• 6.1序列NLP的记忆网络
• 6.2数据与数据处理
• 6.2.1PP附件数据
• 6.2.2荷兰小数据
• 6.2.3西班牙语词性数据
• 6.3监督存储网络
• 6.3.1PP连接
• 6.3.2荷兰小商品
• 6.3.3西班牙语词性标记
• 6.4半监督存储网络
• 6.5半监督存储网络：实验和结果
• 6.6小结
• 6.7代码和数据

7注意力机制

• 7.1神经注意力机制
• 7.2数据
• 7.3静态注意力机制：MLP
• 7.4暂态注意力机制：LSTM
• 7.4.1实验
• 7.5小结

8多任务学习

• 8.1简介
• 8.2数据
• 8.3.1数据处理
• 8.3.2硬参数共享
• 8.3.3软参数共享
• 8.3.4混合参数共享
• 8.4主题分类
• 8.4.1数据处理
• 8.4.2硬参数共享
• 8.4.3软参数共享
• 8.4.4混合参数共享
• 8.5词性和命名实体识别数据
• 8.5.1数据处理
• 8.5.2硬参数共享
• 8.5.3软参数共享
• 8.5.4混合参数共享
• 8.6结论

附录

附录A：NLP

附录B：矩阵代数

附录C：超参数估计和分类器性能评估