大數(shù)據(jù)智能：數(shù)據(jù)驅(qū)動的自然語言處理技術(shù)

1 深度計算——機器大腦的結(jié)構(gòu) 1
1.1 驚人的深度學習 1
1.1.1 可以做酸奶的面包機：通用機器的概念 2
1.1.2 連接主義 4
1.1.3 用機器設(shè)計機器 5
1.1.4 深度網(wǎng)絡(luò) 6
1.1.5 深度學習的用武之地 6
1.2 從人腦神經(jīng)元到人工神經(jīng)元 8
1.2.1 生物神經(jīng)元中的計算靈感 8
1.2.2 激活函數(shù) 9
1.3 參數(shù)學習 10
1.3.1 模型的評價 11
1.3.2 有監(jiān)督學習 11
1.3.3 梯度下降法 12
1.4 多層前饋網(wǎng)絡(luò) 14
1.4.1 多層前饋網(wǎng)絡(luò) 14
1.4.2 后向傳播算法計算梯度 16
1.5 逐層預訓練 17
1.6 深度學習是終極神器嗎 20
1.6.1 深度學習帶來了什么 20
1.6.2 深度學習尚未做到什么 21
1.7 內(nèi)容回顧與推薦閱讀 . 22
1.8 參考文獻 23

2 知識圖譜——機器大腦中的知識庫 25
2.1 什么是知識圖譜 25
2.2 知識圖譜的構(gòu)建 28
2.2.1 大規(guī)模知識庫 28
2.2.2 互聯(lián)網(wǎng)鏈接數(shù)據(jù) 29
2.2.3 互聯(lián)網(wǎng)網(wǎng)頁文本數(shù)據(jù) 30
2.2.4 多數(shù)據(jù)源的知識融合 31
2.3 知識圖譜的典型應(yīng)用 32
2.3.1 查詢理解 32
2.3.2 自動問答 34
2.3.3 文檔表示 35
2.4 知識圖譜的主要技術(shù) 36
2.4.1 實體鏈指 36
2.4.2 關(guān)系抽取 37
2.4.3 知識推理 39
2.4.4 知識表示 40
2.5 前景與挑戰(zhàn) 42
2.6 內(nèi)容回顧與推薦閱讀 45
2.7 參考文獻 45

3 大數(shù)據(jù)系統(tǒng)——大數(shù)據(jù)背后的支撐技術(shù) 47
3.1 大數(shù)據(jù)有多大 47
3.2 高性能計算技術(shù) 49
3.2.1 超級計算機的組成 49
3.2.2 并行計算的系統(tǒng)支持 51
3.3 虛擬化和云計算技術(shù) 55
3.3.1 虛擬化技術(shù) 56
3.3.2 云計算服務(wù) 58
3.4 基于分布式計算的大數(shù)據(jù)系統(tǒng) 59
3.4.1 Hadoop 生態(tài)系統(tǒng) 60
3.4.2 Spark 67
3.4.3 典型的大數(shù)據(jù)基礎(chǔ)架構(gòu) 68
3.5 大規(guī)模圖計算 69
3.5.1 分布式圖計算框架 70
3.5.2 高效的單機圖計算框架 71
3.6 NoSQL 72
3.6.1 NoSQL 數(shù)據(jù)庫的類別 72
3.6.2 MongoDB 簡介 74
3.7 內(nèi)容回顧與推薦閱讀 76
3.8 參考文獻 77

4 主題模型——機器的智能摘要利器 78
4.1 由文檔到主題 78
4.2 主題模型出現(xiàn)的背景 80
4.3 第一個主題模型：潛在語義分析 81
4.4 第一個正式的概率主題模型 84
4.5 第一個正式的貝葉斯主題模型 85
4.6 LDA 的概要介紹 86
4.6.1 LDA 的延伸理解：主題模型廣義理解 . 90
4.6.2 模型求解 92
4.6.3 模型評估 93
4.6.4 模型選擇：主題數(shù)目的確定 94
4.7 主題模型的變形與應(yīng)用 95
4.7.1 基于 LDA 的變種模型 95
4.7.2 基于 LDA 的典型應(yīng)用 97
4.7.3 基于主題模型的新浪名人話題排行榜應(yīng)用 100
4.8 內(nèi)容回顧與推薦閱讀 104
4.9 參考文獻 105

5 機器翻譯——機器如何跨越語言障礙 110
5.1 機器翻譯的意義 110
5.2 機器翻譯的發(fā)展歷史 111
5.2.1 基于規(guī)則的機器翻譯 112
5.2.2 基于語料庫的機器翻譯 112
5.2.3 基于神經(jīng)網(wǎng)絡(luò)的機器翻譯 114
5.3 經(jīng)典的神經(jīng)網(wǎng)絡(luò)機器翻譯模型 114
5.3.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)機器翻譯 114
5.3.2 從卷積序列到序列模型 117
5.3.3 基于自注意力機制的 Transformer 模型 118
5.4 機器翻譯譯文質(zhì)量評價 120
5.5 機器翻譯面臨的挑戰(zhàn) 121
5.6 參考文獻 123

6 情感分析與意見挖掘——機器如何了解人類情感 125
6.1 情感可以計算嗎 125
6.2 哪里需要文本情感分析 . 126
6.2.1 情感分析的宏觀反映 127
6.2.2 情感分析的微觀特征 128
6.3 情感分析的主要研究問題 129
6.4 情感分析的主要方法 132
6.4.1 構(gòu)成情感和觀點的基本元素 132
6.4.2 情感極性與情感詞典 134
6.4.3 屬性－觀點對 141
6.4.4 情感極性分析 143
6.5 主要的情感分析資源 148
6.6 前景與挑戰(zhàn) 149
6.7 內(nèi)容回顧與推薦閱讀 150
6.8 參考文獻 151

7 智能問答與對話系統(tǒng)——智能助手是如何煉成的 154
7.1 問答：圖靈測試的基本形式 154
7.2 從問答到對話 155
7.2.1 對話系統(tǒng)的基本過程 156
7.2.2 文本對話系統(tǒng)的常見場景 157
7.3 問答系統(tǒng)的主要組成 159
7.4 文本問答系統(tǒng) 161
7.4.1 問題理解 161
7.4.2 知識檢索 165
7.4.3 答案生成 169
7.5 端到端的閱讀理解問答技術(shù) 169
7.5.1 什么是閱讀理解任務(wù) 170
7.5.2 閱讀理解任務(wù)的模型 172
7.5.3 閱讀理解任務(wù)的其他工程技巧 173
7.6 社區(qū)問答系統(tǒng) 174
7.6.1 社區(qū)問答系統(tǒng)的結(jié)構(gòu) 174
7.6.2 相似問題檢索 175
7.6.3 答案過濾 177
7.6.4 社區(qū)問答的應(yīng)用 177
7.7 多媒體問答系統(tǒng) 179
7.8 大型問答系統(tǒng)案例：IBM 沃森問答系統(tǒng) 181
7.8.1 沃森的總體結(jié)構(gòu) 182
7.8.2 問題解析 182
7.8.3 知識儲備 183
7.8.4 檢索和候選答案生成 184
7.8.5 可信答案確定 184
7.9 前景與挑戰(zhàn) 186
7.10 內(nèi)容回顧與推薦閱讀 186
7.11 參考文獻 187

8 個性化推薦系統(tǒng)——如何了解計算機背后的他 190
8.1 什么是推薦系統(tǒng) 190
8.2 推薦系統(tǒng)的發(fā)展歷史 191
8.2.1 推薦無處不在 192
8.2.2 從千人一面到千人千面 193
8.3 個性化推薦的基本問題 194
8.3.1 推薦系統(tǒng)的輸入 194
8.3.2 推薦系統(tǒng)的輸出 196
8.3.3 個性化推薦的基本形式 197
8.3.4 推薦系統(tǒng)的三大核心問題 198
8.4 典型推薦算法淺析 199
8.4.1 推薦算法的分類 199
8.4.2 典型推薦算法介紹 200
8.4.3 基于矩陣分解的打分預測 207
8.4.4 基于神經(jīng)網(wǎng)絡(luò)的推薦算法 213
8.5 推薦的可解釋性 214
8.6 推薦算法的評價 217
8.6.1 評分預測的評價 218
8.6.2 推薦列表的評價 219
8.6.3 推薦理由的評價 220
8.7 前景與挑戰(zhàn)：我們走了多遠 221
8.7.1 推薦系統(tǒng)面臨的問題 221
8.7.2 推薦系統(tǒng)的新方向 223
8.8 內(nèi)容回顧與推薦閱讀 225
8.9 參考文獻 226

9 機器寫作——從分析到創(chuàng)造 228
9.1 什么是機器寫作 228
9.2 藝術(shù)寫作 229
9.2.1 機器寫詩 229
9.2.2 AI 對聯(lián) 233
9.3 當代寫作 236
9.3.1 機器寫稿 236
9.3.2 機器故事生成 239
9.4 內(nèi)容回顧 241
9.5 參考文獻 242

10 社交商業(yè)數(shù)據(jù)挖掘——從用戶數(shù)據(jù)挖掘到商業(yè)智能應(yīng)用 243
10.1 社交媒體平臺中的數(shù)據(jù)寶藏 . 243
10.2 打通網(wǎng)絡(luò)社區(qū)的束縛：用戶網(wǎng)絡(luò)社區(qū)身份的鏈指與融合 245
10.3 揭開社交用戶的面紗：用戶畫像的構(gòu)建 247
10.3.1 基于顯式社交屬性的構(gòu)建方法 247
10.3.2 基于網(wǎng)絡(luò)表示學習的構(gòu)建方法 249
10.3.3 產(chǎn)品受眾畫像的構(gòu)建 250
10.4 了解用戶的需求：用戶消費意圖的識別 254
10.4.1 個體消費意圖識別 254
10.4.2 群體消費意圖識別 256
10.5 精準的供需匹配：面向社交平臺的產(chǎn)品推薦算法 258
10.5.1 候選產(chǎn)品列表生成 258
10.5.2 基于學習排序算法的推薦框架 259
10.5.3 基于用戶屬性的排序特征構(gòu)建 260
10.5.4 推薦系統(tǒng)的整體設(shè)計概覽 261
10.6 前景與挑戰(zhàn) 262
10.7 內(nèi)容回顧與推薦閱讀 263
10.8 參考文獻 264

11 智慧醫(yī)療——信息技術(shù)在醫(yī)療領(lǐng)域應(yīng)用的結(jié)晶 265
11.1 智慧醫(yī)療的起源 265
11.2 智慧醫(yī)療的廬山真面目 267
11.3 智慧醫(yī)療中的人工智能應(yīng)用 268
11.3.1 醫(yī)療過程中的人工智能應(yīng)用 268
11.3.2 醫(yī)療研究中的人工智能應(yīng)用 272
11.4 前景與挑戰(zhàn) 273
11.5 內(nèi)容回顧與推薦閱讀 275
11.6 參考文獻 275

12 智慧司法——智能技術(shù)促進司法公正 276
12.1 智能技術(shù)與法律的碰撞 . 276
12.2 智慧司法相關(guān)研究 . 277
12.2.1 法律智能的早期研究 278
12.2.2 判決預測：虛擬法官的誕生與未來 279
12.2.3 文書生成：司法過程簡化 283
12.2.4 要素提?。核痉ńY(jié)構(gòu)化 285
12.2.5 類案匹配：解決一案多判 289
12.2.6 司法問答：讓機器理解法律 292
12.3 智慧司法的期望偏差與應(yīng)用挑戰(zhàn) 293
12.3.1 智慧司法的期望偏差 293
12.3.2 智慧司法的應(yīng)用挑戰(zhàn) 294
12.4 內(nèi)容回顧與推薦閱讀 295
12.5 參考文獻 295

13 智能金融——機器金融大腦 298
13.1 智能金融正當其時 298
13.1.1 什么是智能金融 298
13.1.2 智能金融與金融科技、互聯(lián)網(wǎng)金融的異同 298
13.1.3 智能金融適時而生 299
13.2 智能金融技術(shù) 301
13.2.1 大數(shù)據(jù)的機遇與挑戰(zhàn) 301
13.2.2 智能金融中的自然語言處理 303
13.2.3 金融事理圖譜 307
13.2.4 智能金融中的深度學習 310
13.3 智能金融應(yīng)用 314
13.3.1 智能投顧 314
13.3.2 智能研報 315
13.3.3 智能客服 316
13.4 前景與挑戰(zhàn) 317
13.5 內(nèi)容回顧與推薦閱讀 319
13.6 參考文獻 319

14 計算社會學——透過大數(shù)據(jù)了解人類社會 320
14.1 透過數(shù)據(jù)了解人類社會 320
14.2 面向社會媒體的自然語言使用分析 321
14.2.1 詞匯的時空傳播與演化 322
14.2.2 語言使用與個體差異 325
14.2.3 語言使用與社會地位 326
14.2.4 語言使用與群體分析 328
14.3 面向社會媒體的自然語言分析應(yīng)用 330
14.3.1 社會預測 330
14.3.2 霸凌現(xiàn)象定量分析 331
14.4 未來研究的挑戰(zhàn)與展望 332
14.5 參考文獻 333
后記 334