基于深度学习的人工智能掀起了学习热潮。Python是最广泛使用的自然语言处理(NLP)语言。本书从NLP的概述开始，介绍了将文本分成句子、词干提取和词形还原、删除停用词和词性标注的方法，以帮助您准备数据。然后，您将学习提取和表示语法信息的方法，例如依存分析和指代消解，发现使用词袋、TF-IDF、词嵌入和BERT表示语义的不同方法，并使用关键字、SVM、LSTM和其他技术开发文本分类技能。随着学习的深入，您还将了解如何从文本中提取信息、实施无监督和有监督的主题建模技术，以及对短文本（如推文）进行主题建模。此外，本书还向您展示了如何使用NLTK和Rasa开发聊天机器人并可视化文本数据。

读完这本NLP书籍，您将掌握使用一组强大的工具进行文本处理工具的技能。可以说，本书是深度学习和自然语言处理的入门教程，同时也引领读者登堂入室，进入机会与挑战并存的人工智能领域。

这本NLP书籍适于AI工程师、机器学习工程师、数据科学家和深度学习爱好者阅读。

目录

译者序

原书前言

第1章学习NLP基础知识

1.1技术要求

1.2将文本分成句子

1.3将句子切分成单词——分词

1.4词性标注

1.5词干提取

1.6组合相似词——词形还原

1.7删除停用词

第2章玩转语法

2.1技术要求

2.2计数名词——复数名词和单数名词

2.3获取依存句法

2.4将句子拆分为从句

2.5提取名词块

2.6提取实体和关系

2.7提取句子的主语和宾语

2.8寻找引用——指代消解

第3章表示文本——捕获语义

3.1技术要求

3.2将文档放入词袋中

3.3构建n-gram模型

3.4用TF-IDF表示文本

3.5使用词嵌入

3.6训练您自己的嵌入模型

3.7表示短语——phrase2vec

3.8使用BERT代替词嵌入

3.9语义搜索入门

第4章文本分类

4.1技术要求

4.2准备好数据集和评估基准

4.3使用关键词执行基于规则的文本分类

4.4使用K-means聚类句子——无监督文本分类

4.5使用SVM进行有监督的文本分类

4.6使用LSTM进行有监督的文本分类

第5章信息提取入门

5.1技术要求

5.2使用正则表达式

5.3寻找相似的字符串：Levenshtein距离

5.4使用spaCy执行命名体识别

5.5用spaCy训练您自己的NER模型

5.6发现情感分析

5.7使用LSTM的短文本情感分析：Twitter

5.8使用BERT进行情感分析

第6章主题建模

6.1技术要求

6.2使用sklearn进行LDA主题建模

6.3使用gensim进行LDA主题建模

6.4NMF主题建模

6.5使用BERT进行K-means主题建模

6.6短文本主题建模

第7章构建聊天机器人

7.1技术要求

7.2使用关键字匹配构建一个基本的聊天机器人

7.3构建一个基本的Rasa聊天机器人

7.4使用Rasa创建问答对

7.5使用Rasa创建和可视化对话路径

7.6为Rasa聊天机器人创建操作

第8章可视化文本数据

8.1技术要求

8.2可视化依存句法

8.3可视化词性

8.4可视化NER

8.5构建词云

8.6可视化主题

附录

附录AspaCy词性标签列表

附录BNLTK词性标签列表

附录C停用词列表

附录DspaCy命名实体标签