《大数据智能 数据驱动的自然语言处理技术》求取 ⇩

1深度计算——机器大脑的结构1

1.1惊人的深度学习1

1.1.1 可以做酸奶的面包机：通用机器的概念2

1.1.2 连接主义4

1.1.3 用机器设计机器5

1.1.4 深度网络6

1.1.5 深度学习的用武之地6

1.2从人脑神经元到人工神经元8

1.2.1 生物神经元中的计算灵感8

1.2.2 激活函数9

1.3参数学习10

1.3.1 模型的评价11

1.3.2 有监督学习11

1.3.3 梯度下降法12

1.4多层前馈网络14

1.4.1 多层前馈网络14

1.4.2 后向传播算法计算梯度16

1.5 逐层预训练17

1.6深度学习是终极神器吗20

1.6.1 深度学习带来了什么20

1.6.2 深度学习尚未做到什么21

1.7 内容回顾与推荐阅读22

1.8 参考文献23

2知识图谱——机器大脑中的知识库25

2.1什么是知识图谱25

2.2知识图谱的构建28

2.2.1 大规模知识库28

2.2.2 互联网链接数据29

2.2.3 互联网网页文本数据30

2.2.4 多数据源的知识融合31

2.3知识图谱的典型应用32

2.3.1 查询理解32

2.3.2 自动问答34

2.3.3 文档表示35

2.4知识图谱的主要技术36

2.4.1 实体链指36

2.4.2 关系抽取37

2.4.3 知识推理39

2.4.4 知识表示40

2.5 前景与挑战42

2.6 内容回顾与推荐阅读45

2.7 参考文献45

3大数据系统统——大数据背后的支撑技术47

3.1大数据有多大47

3.2高性能计算技术49

3.2.1 超级计算机的组成49

3.2.2 并行计算的系统支持51

3.3虚拟化和云计算技术55

3.3.1 虚拟化技术56

3.3.2 云计算服务58

3.4基于分布式计算的大数据系统59

3.4.1 Hadoop生态系统60

3.4.2 Spark67

3.4.3 典型的大数据基础架构68

3.5大规模图计算69

3.5.1 分布式图计算框架70

3.5.2 高效的单机图计算框架71

3.6NoSQL72

3.6.1 NoSQL数据库的类别72

3.6.2 MongoDB简介74

3.7 内容回顾与推荐阅读76

3.8 参考文献77

4主题模型——机器的智能摘要利器器78

4.1由文档到主题78

4.2 主题模型出现的背景80

4.3 第一个主题模型：潜在语义分析81

4.4 第一个正式的概率主题模型84

4.5 第一个正式的贝叶斯主题模型85

4.6LDA的概要介绍86

4.6.1 LDA的延伸理解：主题模型广义理解90

4.6.2 模型求解92

4.6.3 模型评估93

4.6.4 模型选择：主题数目的确定94

4.7主题模型的变形与应用95

4.7.1 基于LDA的变种模型95

4.7.2 基于LDA的典型应用97

4.7.3 基于主题模型的新浪名人话题排行榜应用100

4.8 内容回顾与推荐阅读104

4.9 参考文献105

5机器翻译——机器如何跨越语言障碍110

5.1机器翻译的意义110

5.2机器翻译的发展历史111

5.2.1 基于规则的机器翻译112

5.2.2 基于语料库的机器翻译112

5.2.3 基于神经网络的机器翻译114

5.3经典的神经网络机器翻译模型114

5.3.1 基于循环神经网络的神经网络机器翻译114

5.3.2 从卷积序列到序列模型117

5.3.3 基于自注意力机制的Transformer模型118

5.4 机器翻译译文质量评价120

5.5 机器翻译面临的挑战121

5.6 参考文献123

6情感分析与意见挖掘——机器如何了解人类情感125

6.1情感可以计算吗125

6.2哪里需要文本情感分析126

6.2.1 情感分析的宏观反映127

6.2.2 情感分析的微观特征128

6.3 情感分析的主要研究问题129

6.4情感分析的主要方法132

6.4.1 构成情感和观点的基本元素132

6.4.2 情感极性与情感词典134

6.4.3 属性—观点对141

6.4.4 情感极性分析143

6.5 主要的情感分析资源148

6.6 前景与挑战149

6.7 内容回顾与推荐阅读150

6.8 参考文献151

7智能问答与对话系统——智能助手是如何炼成的154

7.1问答：图灵测试的基本形式154

7.2从问答到对话155

7.2.1 对话系统的基本过程156

7.2.2 文本对话系统的常见场景157

7.3 问答系统的主要组成159

7.4文本问答系统161

7.4.1 问题理解161

7.4.2 知识检索165

7.4.3 答案生成169

7.5端到端的阅读理解问答技术169

7.5.1 什么是阅读理解任务170

7.5.2 阅读理解任务的模型172

7.5.3 阅读理解任务的其他工程技巧173

7.6社区问答系统174

7.6.1 社区问答系统的结构174

7.6.2 相似问题检索175

7.6.3 答案过滤177

7.6.4 社区问答的应用177

7.7 多媒体问答系统179

7.8大型问答系统案例：IBM沃森问答系统181

7.8.1 沃森的总体结构182

7.8.2 问题解析182

7.8.3 知识储备183

7.8.4 检索和候选答案生成184

7.8.5 可信答案确定184

7.9 前景与挑战186

7.10 内容回顾与推荐阅读186

7.11 参考文献187

8个性化推荐系统——如何了解计算机背后的他190

8.1什么是推荐系统190

8.2推荐系统的发展历史191

8.2.1 推荐无处不在192

8.2.2 从千人一面到千人千面193

8.3个性化推荐的基本问题194

8.3.1 推荐系统的输入194

8.3.2 推荐系统的输出196

8.3.3 个性化推荐的基本形式197

8.3.4 推荐系统的三大核心问题198

8.4典型推荐算法浅析199

8.4.1 推荐算法的分类199

8.4.2 典型推荐算法介绍200

8.4.3 基于矩阵分解的打分预测207

8.4.4 基于神经网络的推荐算法213

8.5 推荐的可解释性214

8.6推荐算法的评价217

8.6.1 评分预测的评价218

8.6.2 推荐列表的评价219

8.6.3 推荐理由的评价220

8.7前景与挑战：我们走了多远221

8.7.1 推荐系统面临的问题221

8.7.2 推荐系统的新方向223

8.8 内容回顾与推荐阅读225

8.9 参考文献226

9机器写作——从分析到创造228

9.1什么是机器写作228

9.2艺术写作229

9.2.1 机器写诗229

9.2.2 AI对联233

9.3当代写作236

9.3.1 机器写稿236

9.3.2 机器故事生成239

9.4 内容回顾241

9.5 参考文献242

10社交商业数据挖掘——从用户数据挖掘到商业智能应用243

10.1社交媒体平台中的数据宝藏243

10.2 打通网络社区的束缚：用户网络社区身份的链指与融合245

10.3揭开社交用户的面纱：用户画像的构建247

10.3.1 基于显式社交属性的构建方法247

10.3.2 基于网络表示学习的构建方法249

10.3.3 产品受众画像的构建250

10.4了解用户的需求：用户消费意图的识别254

10.4.1 个体消费意图识别254

10.4.2 群体消费意图识别256

10.5精准的供需匹配：面向社交平台的产品推荐算法258

10.5.1 候选产品列表生成258

10.5.2 基于学习排序算法的推荐框架259

10.5.3 基于用户属性的排序特征构建260

10.5.4 推荐系统的整体设计概览261

10.6 前景与挑战262

10.7 内容回顾与推荐阅读263

10.8 参考文献264

11智慧医疗——信息技术在医疗领域应用的结晶265

11.1智慧医疗的起源265

11.2 智慧医疗的庐山真面目267

11.3智慧医疗中的人工智能应用268

11.3.1 医疗过程中的人工智能应用268

11.3.2 医疗研究中的人工智能应用272

11.4 前景与挑战273

11.5 内容回顾与推荐阅读275

11.6 参考文献275

12智慧司法——智能技术促进司法公正276

12.1智能技术与法律的碰撞276

12.2智慧司法相关研究277

12.2.1 法律智能的早期研究278

12.2.2 判决预测：虚拟法官的诞生与未来279

12.2.3 文书生成：司法过程简化283

12.2.4 要素提取：司法结构化285

12.2.5 类案匹配：解决一案多判289

12.2.6 司法问答：让机器理解法律292

12.3智慧司法的期望偏差与应用挑战293

12.3.1 智慧司法的期望偏差293

12.3.2 智慧司法的应用挑战294

12.4 内容回顾与推荐阅读295

12.5 参考文献295

13智能金融——机器金融大脑298

13.1智能金融正当其时298

13.1.1 什么是智能金融298

13.1.2 智能金融与金融科技、互联网金融的异同298

13.1.3 智能金融适时而生299

13.2智能金融技术301

13.2.1 大数据的机遇与挑战301

13.2.2 智能金融中的自然语言处理303

13.2.3 金融事理图谱307

13.2.4 智能金融中的深度学习310

13.3智能金融应用314

13.3.1 智能投顾314

13.3.2 智能研报315

13.3.3 智能客服316

13.4 前景与挑战317

13.5 内容回顾与推荐阅读319

13.6 参考文献319

14计算社会学——透过大数据了解人类社会320

14.1透过数据了解人类社会320

14.2面向社会媒体的自然语言使用分析321

14.2.1 词汇的时空传播与演化322

14.2.2 语言使用与个体差异325

14.2.3 语言使用与社会地位326

14.2.4 语言使用与群体分析328

14.3面向社会媒体的自然语言分析应用330

14.3.1 社会预测330

14.3.2 霸凌现象定量分析331

14.4 未来研究的挑战与展望332

14.5 参考文献333

后记334