更新时间：2019-11-25 10:30:33
封面
版权信息
推荐序一
推荐序二
前言
第1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
第2章 语言模型与多元文法
2.1 词袋模型
2.2 N-Gram模型
2.2.1 N-Gram简介
2.2.2 N-Gram算法
2.2.3 N-Gram用途
2.3 数据平滑
2.3.1 加法平滑方法
2.3.2 Good-Turing估计法
2.3.3 组合平滑方法
第3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
第4章 文本分析
4.1 关键词抽取
4.1.1 词频-逆文档频次算法
4.1.2 Text 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
4.2.3 SVM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
第5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
5.1.2 A Neural Probabilistic Language Model
5.1.3 CBOW和Skip-Gram
5.1.4 Huffman编码与Huffman tree
5.1.5 CBOW-Hierarchical Softmax
5.1.6 Skip-Gram-Hierarchical Softmax
5.1.7 FastText
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
5.3.3 Sequence-to-Sequence with Attention Model
5.4 Transformer
5.4.1 ResNet（Residual Network）残差网络模型
5.4.2 Attention is all you need（Transformer）
5.5 预训练模型
5.5.1 Embeddings from Language Models（ELMo）
5.5.2 BERT
第6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
第7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
第8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
第9章 对话系统的工程架构
9.1 对话系统的工程技术
