这是一部讲解如何基于NLP技术和人机交互技术实现聊天机器人的著作。 两位作者聊天机器人领域均有多年大型项目的实战经验，这本书不仅讲解了NLP和人机交互的核心技术，而且从技术、算法、实战3个维度讲解聊天机器人的原理、实现与工程实践。 本书有3个特点： 前瞻性强，专注于NLP和人机交互的前沿技术，以及会话式AI技术在热门场景中的工程实践。 实战性强，每章都提供实战代码，大部分代码简单修改后便可在实际场景中使用；数据集并非简单构造，而是具有真实性。 对比性强，结合应用场景，对比不同技术的优劣，既能指导读者进行技术选型，又能加深读者对不同技术的理解。 本书一共12章，分为三大部分： 第壹部分 基础篇（-2章） 首先系统介绍了人机交互技术和聊天机器人技术的推荐基础，然后讲解了深度学习工具的使用以及NLP开发环境的搭建 第二部分 算法篇（第3-8章） 这部分是核心内容，主要讲解中文自然语言处理的各种算法，包括分词技术、数据预处理、词向量技术、序列标注与中文 NER、文本深度学习、循环神经网络等。 第三部分 实战篇（第9-12章） 主要讲解了语言模型与对话生成、知识图谱问答、自然语言推理、实体语义理解这4种人机交互方面的高阶技术，涵盖信息抽取、槽位填充、语义理解、聊天机器人、问答系统、多轮对话技术等知识点。

前言
章人机交互导论 1
1.1图灵测试 1
1.1.1图灵测试相关背景 1
1.1.2图灵测试的定义 2
1.1.3图灵测试引发的思考 3
1.2专家系统 3
1.2.1专家系统的定义 3
1.2.2专家系统的框架 4
1.2.3专家系统的发展 6
1.3人机交互 6
1.3.1人机交互简介 6
1.3.2人机交互模块的发展 7
1.3.3自然语言理解 9
1.3.4对话管理 10
1.3.5自然语言生成 10
1.4机器人形态 11
1.4.1聊天机器人 12
1.4.2任务型机器人 13
1.4.3面向FAQ的问答机器人 13
1.4.4面向KB的问答机器人 14
1.5本章小结 14
第2章人机对话前置技术 15
2.1深度学习框架 15
2.1.1Theano 15
2.1.2TensorFlow 16
2.1.3Keras 17
2.1.4PyTorch 17
2.2搭建NLP开发环境 18
2.2.1下载和安装Anaconda 18
2.2.2conda的使用 21
2.2.3中文分词工具——Jieba 22
2.2.4PyTorch的下载与安装 24
2.2.5Jupyter Notebook远程访问 25
2.3TorchText的安装与介绍 26
2.4本章小结 29
第3章中文分词技术 30
3.1分词的概念和分类 30
3.2规则分词 31
3.2.1正向优选匹配 31
3.2.2逆向优选匹配 32
3.2.3双向优选匹配 33
3.3统计分词 35
3.4混合分词 44
3.5Jieba分词 44
3.6准确率评测 47
3.6.1混淆矩阵 48
3.6.2中文分词中的P、R、F1计算 49
3.7本章小结 51
第4章数据预处理 52
4.1数据集介绍 52
4.2数据预处理 53
4.3TorchText预处理 55
4.3.1torchtext.data 55
4.3.2torchtext.datasets 56
4.3.3构建词表 57
4.3.4构建迭代器 58
4.4本章小结 60
第5章词向量实战 61
5.1词向量的由来 61
5.1.1one-hot模型 61
5.1.2神经网络词向量模型 63
5.2word2vec 67
5.2.1初探word2vec 67
5.2.2深入CBOW模型 68
5.2.3Skip-gram模型介绍 69
5.2.4word2vec模型本质 70
5.3glove 71
5.3.1初探glove 71
5.3.2glove模型原理 72
5.4word2vec实战 74
5.4.1预处理模块 74
5.4.2模型框架 78
5.4.3模型训练 79
5.4.4模型评估 82
5.5glove实战 83
5.5.1预处理模块 83
5.5.2模型框架 85
5.5.3模型训练 86
5.5.4模型评估 87
5.6本章小结 87
第6章序列标注与中文NER实战 88
6.1序列标注任务 88
6.1.1任务定义及标签体系 88
6.1.2任务特点及对比 90
6.1.3任务应用场景 92
6.2序列标注的技术方案 94
6.2.1隐马尔可夫模型 94
6.2.2条件随机场 94
6.2.3循环神经网络 96
6.2.4Bert 97
6.3序列标注实战 99
6.3.1中文NER数据集 99
6.3.2数据预处理 100
6.3.3模型训练框架 102
6.3.4模型评估 103
6.4BiLSTM 104
6.4.1参数介绍 104
6.4.2BiLSTM模型框架 104
6.4.3模型效果评估 106
6.5BiLSTM-CRF 107
6.5.1参数介绍 107
6.5.2BiLSTM-CRF模型框架 107
6.5.3模型评价 112
6.6本章小结 112
第7章文本分类技术 113
7.1TFIDF与朴素贝叶斯 113
7.1.1TFIDF 113
7.1.2朴素贝叶斯 115
7.1.3实战案例之新闻分类 116
7.2TextCNN 118
7.2.1TextCNN网络结构解析 118
7.2.2实战案例之新闻分类 121
7.3FastText 129
7.3.1模型架构 129
7.3.2层次softmax 130
7.3.3n-gram子词特征 130
7.3.4安装与实例解析 131
7.4后台运行 134
7.5本章小结 134
第8章循环神经网络 135
8.1RNN 135
8.1.1序列数据 135
8.1.2神经网络需要记忆 136
8.1.3RNN基本概念 136
8.1.4RNN的输入输出类型 138
8.1.5双向循环神经网络 139
8.1.6深层循环神经网络 140
8.1.7RNN的问题 141
8.1.8RNN PyTorch实现 141
8.2LSTM 143
8.2.1LSTM网络结构解析 143
8.2.2LSTM PyTorch实现 147
8.3GRU 149
8.3.1GRU网络结构解析 149
8.3.2GRU PyTorch实现 151
8.4TextRNN 152
8.4.1基本概念 152
8.4.2实战案例之新闻分类 153
8.5TextRCNN 154
8.5.1基本概念 154
8.5.2实战案例之新闻分类 155
8.6实战案例之诗歌生成 155
8.6.1数据预处理 156
8.6.2模型结构 158
8.6.3模型训练 158
8.6.4诗歌生成 159
8.7本章小结 161
第9章语言模型与对话生成 162
9.1自然语言生成介绍 162
9.2序列生成模型 163
9.2.1seq2seq的基本框架 164
9.2.2Encoder-Decoder框架的缺点 165
9.3经典的seq2seq框架 166
9.3.1基于RNN的seq2seq 166
9.3.2基于CNN的seq2seq 167
9.4Attention机制 169
9.4.1序列模型RNN 169
9.4.2Attention机制的原理 170
9.4.3Self-Attention模型 171
9.4.4Transfomer模型介绍 171
9.5Bert——自然语言处理的新范式 173
9.5.1Bert结构 174
9.5.2预训练任务 175
9.6聊天机器人实战 177
9.6.1数据介绍和数据预处理 177
9.6.2实现seq2seq模型 179
9.7本章小结 182
0章知识图谱问答 183
10.1知识图谱概述 184
10.2关系抽取 186
10.3人物间关系识别 189
10.3.1任务分析 189
10.3.2模型设计 190
10.3.3代码实现及优化 191
10.4图谱构建 196
10.4.1Neo4J简介 197
10.4.2Neo4J创建图谱示例 198
10.5基于深度学习的知识图谱问答模块 203
10.5.1数据构造 205
10.5.2查询目标检测 206
10.5.3查询条件抽取 207
10.5.4基于知识图谱查询模块实现 210
10.6本章小结 212
1章自然语言推理 213
11.1自然语言推理介绍 213
11.2自然语言推理常见模型 215
11.2.1SIAMESE网络 215
11.2.2BiMPM网络 217
11.2.3Bert网络 221
11.3多轮对话中的答案导向问题 223
11.4答案导向问题的实战 224
11.4.1数据构造 224
11.4.2孪生网络实战 226
11.4.3BiMPM网络实战 232
11.4.4Bert网络实战 236
11.4.5模型结果比较 237
11.5本章小结 238
2章实体语义理解 239
12.1实体语义理解简介 239
12.2现有语义理解系统分析 242
12.2.1Time-NLPY/Time-NLP/FNLP 242
12.2.2HeidelTime 244
12.2.3知识驱动方法与数据驱动方法 246
12.3实体语义理解的技术方案 247
12.4实体语义理解实战 248
12.5数值解析实战 257
12.6时间解析实战 262
12.6.1时间信息的中间表示 262
12.6.2时长解析 263
12.6.3日期和时间点 265
12.6.4时间段 268
12.6.5时间信息的推理计算 270
12.7本章小结 273