本书基于Python编程语言，以实战为导向，主要介绍自然语言处理的各种理论、方法及应用案例。全书共14章：第1～3章侧重介绍自然语言处理所必需的理论基础知识，包括自然语言处理基础、Python基础、语料库基础等内容；第4～10章主要讲解词法分析、词向量与关键词提取、句法分析、语义分析、情感分析等自然语言处理核心技术的原理及实现方法，以及自然语言处理中常用的机器学习和深度学习技术；第11～14章主要介绍自然语言处理比较典型的应用场景，包括机器翻译与写作、智能问答与对话及个性化推荐，以及自然语言处理技术在医疗、司法和金融领域的应用情况。本书设置较多示例，实操性较强，建议读者根据书内讲解动手完成实验，以便巩固所学内容。
本书适合人工智能相关专业的学生和技术人员，以及人工智能领域的兴趣爱好者阅读。

第1章 自然语言处理基础
1.1 什么是自然语言处理
1.1.1 自然语言处理的概念
1.1.2 自然语言处理的研究任务
1.2 自然语言处理的发展历程
1.3 自然语言处理相关知识的构成
1.3.1 基础术语
1.3.2 知识结构
1.4 探讨自然语言处理的几个层面
1.5 自然语言处理与人工智能
第2章 Python基础
2.1 搭建Python开发环境
2.1.1 Python的科学计算发行版——Anaconda
2.1.2 Anaconda的下载与安装
2.2 正则表达式在自然语言处理中的基本应用
2.2.1 匹配字符串
2.2.2 使用转义符
2.2.3 抽取文本中的数字
2.3 Numpy使用详解
2.3.1 创建数组
2.3.2 获取Numpy中数组的维度
2.3.3 获取本地数据
2.3.4 正确读取数据
2.3.5 Numpy数组索引
2.3.6 Numpy数组切片
2.3.7 数组比较
2.3.8 替代值
2.3.9 数据类型的转换
2.3.10 Numpy的统计计算方法
第3章 语料库基础
3.1 语料库基础概述
3.2 自然语言工具包NLTK
3.2.1 NLTK概述
3.2.2 安装NLTK
3.2.3 使用NLTK
3.2.4 在Python NLTK下使用Stanford NLP
3.3 获取语料库
3.3.1 访问网站
3.3.2 编写程序
3.3.3 通过NLTK获取
3.4 综合案例：走进《红楼梦》
3.4.1 数据采集和预处理
3.4.2 构建本地语料库
3.4.3 语料操作
第4章 词法分析
4.1 中文分词
4.1.1 中文分词介绍
4.1.2 规则分词
4.1.3 统计分词
4.1.4 混合分词
4.1.5 中文分词工具——Jieba
4.2 词性标注
4.2.1 词性标注概述
4.2.2 词性标注规范
4.2.3 Jieba分词中的词性标注
4.3 命名实体识别
4.3.1 命名实体识别概述
4.3.2 基于CRF的命名实体识别
4.3.3 日期识别实战
4.3.4 地名识别实战
第5章 词向量与关键词提取
5.1 词向量算法word2vec
5.1.1 神经网络语言模型
5.1.2 C&W模型
5.1.3 CBOW模型和Skip-gram模型
5.2 关键词提取技术概述
5.3 TF-IDF算法
5.4 TextRank算法
5.5 LSA/LSI/LDA算法
5.5.1 LSA/LSI算法
5.5.2 LDA算法
5.6 提取文本关键词
第6章 句法分析
6.1 句法分析概述
6.1.1 句法分析的基本概念
6.1.2 句法分析的基本方法
6.2 句法分析的数据集与评测方法
6.2.1 句法分析的数据集
6.2.2 句法分析的评测方法
6.3 句法分析的常用方法
6.3.1 基于PCFG的句法分析
6.3.2 基于最大间隔马尔可夫网络的句法分析
6.3.3 基于CRF的句法分析
6.3.4 基于移进-归约的句法分析模型
6.4 使用Stanford Parser的PCFG算法进行句法分析
6.4.1 Stanford Parser
6.4.2 基于PCFG的中文句法分析实战
第7章 语义分析
7.1 词义消歧
7.1.1 基于规则的词义消歧
7.1.2 基于统计的词义消歧
7.1.3 基于实例的词义消歧
7.1.4 基于词典的词义消歧
7.2 语义角色标注
7.2.1 格语法
7.2.2 基于统计机器学习技术的语义角色标注
7.3 深层语义推理
7.3.1 命题逻辑和谓词逻辑
7.3.2 语义网络
7.3.3 概念依存理论
第8章 情感分析
8.1 情感分析的应用领域
8.2 情感分析的基本方法
8.2.1 词法分析
8.2.2 机器学习方法
8.2.3 混合分析
8.3 实战——电影评论情感分析
8.3.1 模型选择
8.3.2 载入数据
8.3.3 辅助函数
8.3.4 模型设置
8.3.5 调参配置
8.3.6 训练过程
第9章 机器学习与自然语言处理
9.1 几种常用的机器学习方法
9.1.1 文本分类
9.1.2 特征提取
9.1.3 标注
9.1.4 搜索与排序
9.1.5 推荐系统
9.1.6 序列学习
9.2 无监督学习的文本聚类
9.3 文本分类实战：中文垃圾邮件分类
9.3.1 实现代码
9.3.2 评价指标
9.4 文本聚类实战：用k-means对豆瓣读书数据聚类
第10章 深度学习与自然语言处理
10.1 词嵌入算法
10.1.1 词向量
10.1.2 word2vec
10.1.3 词向量模型
10.1.4 CBOW和Skip-gram
10.2 训练词向量实践
10.3 RNN
10.3.1 简单RNN
10.3.2 LSTM网络
10.3.3 Attention机制
10.4 seq2seq模型与实战
10.4.1 seq2seq模型
10.4.2 实战seq2seq问答机器人
第11章 机器翻译与写作
11.1 机器翻译
11.1.1 机器翻译的意义
11.1.2 经典的神经网络机器翻译模型
11.1.3 机器翻译译文质量评价
11.1.4 机器翻译面临的挑战
11.2 机器写作
11.2.1 什么是机器写作
11.2.2 艺术写作
11.2.3 当代写作
第12章 智能问答与对话
12.1 智能问答