本書針對當前火熱且應用前景廣闊的自然語言處理（NLP），介紹了深度學習的技術原理及其在自然語言處理中的應用；簡要分析了該領域各個應用方向上的相關模型和關鍵技術，包括Transformer、BERT、GPT，等等；匯集了眾多論文中的重要思想和研究成果；系統梳理了技術發展脈絡。此外，本書還介紹了如何使用深度學習技術來訓練模型，并分析了其在應用中的表現及優化手段，以幫助讀者更好地將理論應用于實踐。本書內容通俗易懂，可作為入門自然語言處理的參考書。
1. Meta資深工程師、數據科學家、機器學習算法研發專業人員執筆，傳遞值得借鑒學習的經驗和見解。
2. 從研究員和實踐者的雙重角度出發，系統介紹深度學習技術原理及其在自然語言處理中的應用。
3. 匯集該領域的重要思想和研究成果，清晰梳理自然語言處理技術發展脈絡，幫助讀者更好地了解該領域的發展歷程和趨勢。
4. 內容新穎全面，聚焦前沿，講解深入淺出、通俗易懂，適合入門自然語言處理，是一本不容錯過的優質參考書。
張鐳
目前在Meta公司從事機器學習算法研發。美國伊利諾伊大學芝加哥分校計算機科學博士，主要研究領域為自然語言處理、機器學習和數據挖掘。在國內外學術期刊和會議上已發表20多篇學術文章，獲得多項美國專利，合著有Mining Text Data等4本關于文本數據挖掘和大數據計算的圖書，并長期受邀擔任自然語言處理國際期刊評委和國際會議程序委員會委員。
前言 iii
第 1章 緒論 1
1.1 機器學習簡介 1
1.1.1 機器學習的發展歷程 1
1.1.2 機器學習的算法分類 4
1.2 深度學習簡介 5
1.3 自然語言處理簡介 7
1.3.1 自然語言處理的發展歷程 7
1.3.2 自然語言處理的研究方向 8
1.3.3 自然語言理解的主要任務 8
1.3.4 自然語言生成的任務 14
1.3.5 自然語言處理面臨的挑戰 15
1.4 自然語言處理與機器學習和深度學習 16
第 2章 深度學習基礎 17
2.1 前饋神經網絡 17
2.2 卷積神經網絡 20
2.3 循環神經網絡 24
2.4 長短期記憶網絡 26
2.5 記憶網絡和神經圖靈機 28
2.6 圖神經網絡 30
2.7 深度生成模型 33
2.7.1 自編碼器和變分自編碼器 34
2.7.2 生成對抗網絡 39
2.8 Transformer 39
2.8.1 Transformer的編碼模塊 41
2.8.2 Transformer的解碼模塊 42
第3章 詞表征 44
3.1 語言模型 45
3.2 基于矩陣的詞分布表征模型 46
3.2.1 潛在語義分析 46
3.2.2 GloVe 47
3.3 基于聚類的詞分布表征模型 48
3.4 基于神經網絡的詞分布表征模型 49
3.4.1 NNLM 50
3.4.2 RNNLM 52
3.4.3 Collobert-Weston模型 53
3.4.4 Word2Vec 54
3.4.5 ELMo 58
3.4.6 ULMFit 60
3.4.7 GPT 61
3.4.8 BERT 62
3.4.9 T5 64
3.5 跨語言的詞嵌入模型 64
3.5.1 基于詞對齊 65
3.5.2 基于預訓練的方法 66
3.6 其他表征 67
第4章 注意力機制 69
4.1 注意力機制的由來 69
4.2 注意力機制的擴展 72
4.2.1 全局注意力和局部注意力 72
4.2.2 自注意力 75
4.3 NTM和MemNN的注意力機制 77
4.3.1 NTM的注意力機制 78
4.3.2 MemN2N的注意力機制 79
4.4 指針網絡的注意力機制 81
第5章 遷移學習 83
5.1 遷移學習的定義和分類 83
5.2 領域自適應 86
5.2.1 基于樣本的遷移學習 86
5.2.2 基于特征映射的遷移學習 88
5.2.3 基于對抗的深度遷移學習 91
5.3 多任務學習 91
5.4 序列遷移學習 94
5.4.1 預訓練語言模型 95
5.4.2 微調 95
5.5 跨語言的遷移學習 97
第6章 強化學習 98
6.1 強化學習的定義 99
6.1.1 馬爾可夫決策過程 99
6.1.2 強化學習的模型 100
6.1.3 智能體的策略 101
6.1.4 價值函數 101
6.2 貝爾曼方程 103
6.3 強化學習的分類 104
6.3.1 有模型學習 105
6.3.2 免模型學習 107
6.3.3 基于值函數和基于策略函數的學習 112
6.4 深度強化學習 115
6.5 深度強化學習在NLP中的應用 116
第7章 機器翻譯 117
7.1 機器翻譯的發展歷程 117
7.2 神經機器翻譯 118
7.3 基于RNN的Seq2Seq模型 120
7.4 基于CNN的Seq2Seq模型 124
7.5 神經機器翻譯的策略 126
7.5.1 解碼策略 126
7.5.2 估計softmax函數計算 127
7.5.3 縮小詞典 127
7.5.4 處理生僻詞和未知詞 128
7.6 機器翻譯的評價方法 129
7.6.1 人工評價 130
7.6.2 下游系統評價 130
7.6.3 BLEU 130
第8章 文本摘要 132
8.1 抽取式摘要 132
8.1.1 傳統機器學習方法 133
8.1.2 深度學習方法 135
8.2 生成式摘要 136
8.2.1 傳統機器學習方法 137
8.2.2 深度學習方法 137
8.3 文本摘要的評價 139
第9章 自動問答 140
9.1 基于檢索的自動問答 140
9.1.1 文本檢索模塊 141
9.1.2 文本理解模塊 143
9.2 基于知識庫的自動問答 146
9.3 基于社區的自動問答 148
9.3.1 專家推薦 148
9.3.2 相似問題檢索 149
9.3.3 答案質量評估 149
9.4 深度自動問答系統 150
9.4.1 抽取式機器閱讀理解 150
9.4.2 生成式機器閱讀理解 151
9.5 自動問答系統的評價 151
第 10章 對話系統 153
10.1 面向任務的對話系統 154
10.1.1 自然語言理解 155
10.1.2 對話管理 155
10.1.3 自然語言生成 157
10.2 開放域對話系統 158
10.2.1 檢索式方法 159
10.2.2 生成式方法 159
10.2.3 混合方法 160
10.2.4 開放域對話系統的關鍵問題 160
10.3 對話系統的評測 162
第 11章 情感分析 164
11.1 情感分析的分類 165
11.1.1 文檔級情感分析 166
11.1.2 句子級情感分析 167
11.1.3 方面級情感分析 168
11.1.4 監督學習和基于詞典的方法比較 169
11.2 方面和實體提取 170
11.2.1 挖掘頻繁出現的名詞短語 170
11.2.2 利用情感詞與目標詞之間的語法關系 170
11.2.3 應用監督學習模型 171
11.2.4 使用主題模型 171
11.3 情感詞典 172
11.3.1 基于詞典的方法 172
11.3.2 基于語料庫的方法 172
11.4 多模態情感分析 173
第 12章 ChatGPT 174
12.1 大型語言模型 174
12.1.1 語言模型的演化 175
12.1.2 大型語言模型的訓練 176
12.1.3 語境學習 176
12.1.4 提示工程 177
12.2 基于人工反饋的強化學習方法 179
12.3 生成ChatGPT 180
12.3.1 步驟1：微調GPT-3.5 180
12.3.2 步驟2：訓練獎勵模型 180
12.3.3 步驟3：利用強化學習微調ChatGPT 181
12.4 ChatGPT的發展 181
參考文獻 183
新書資訊