親密接觸人工智能：從零搭建對話機器人（簡體書）

對話系統是人工智能應用的一個重要領域。本書將講解如何自己搭建一個對話機器人系統。首先講解對話機器人系統的入門知識、基礎理論，然後講解怎麼搭建一個通用的對話框系統，最後再完善這個系統，成就三個實際應用的機器人系統。

周德標 IBM Watson Health 大中華區首席運營官

第1篇 快速入門
第1章 初識對話機器人 2
1.1 實例：對話機器人的一個例子 2
1.2 對話機器人的商業價值 3
1.2.1 滿足人工智能時代的社交需求 3
1.2.2 宣傳商品和服務 4
1.2.3 提供客戶服務 4
1.3 本書的學習路徑圖 5
1.4 對話機器人所需的理論知識 7
1.4.1 構建對話機器人所需的知識體系 7
1.4.2 理論知識的學習路徑圖 8
第2章 對話機器人的系統架構 10
2.1 產品需求定義 10
2.1.1 封閉域對話vs開放域對話 10
2.1.2 本書所定義的產品需求 12
2.2 產品架構設計 13
2.2.1 產品整體架構 13
2.2.2 前端：微信小程序 14
2.2.3 中台：Apache Tomcat + Java 15
2.2.4 後臺：TensorFlow + Python 16
2.3 開發環境準備 17
2.3.1 申請微信小程序賬號 17
2.3.2 下載安裝微信小程序開發環境 20
2.3.3 下載安裝Java開發環境 20
2.3.4 下載安裝Tomcat軟件 21
2.3.5 下載安裝MySQL數據庫 21
2.3.6 下載安裝Python及TensorFlow開發環境 21
2.3.7 購買配置中台以及後臺服務器 22
第2篇 理論基礎
第3章 人工智能基礎 26
3.1 入門知識：分類任務 26
3.1.1 從二分類任務說起 26
3.1.2 特徵及特徵提取 27
3.1.3 如何分類：訓練分類器 29
3.1.4 感知器 31
3.1.5 支持向量機 33
3.1.6 多類別分類 34
3.2 人工神經網絡的工作原理 35
3.2.1 為什麼需要人工神經網絡 35
3.2.2 人工神經網絡如何工作 37
第4章 自然語言處理基礎 42
4.1 自然語言處理的發展 42
4.1.1 從規則引擎到概率統計 42
4.1.2 自然語言處理要解決的問題 44
4.2 基於概率統計的解題思路 46
4.2.1 語音識別 46
4.2.2 中文自動分詞 48
4.2.3 文本匹配 49
4.2.4 機器翻譯 51
第5章 與對話機器人相關的深度學習 53
5.1 詞向量 53
5.1.1 基本概念 53
5.1.2 詞向量的意義及語言模型 55
5.1.3 Skip-Gram模型 56
5.1.4 CBOW模型 58
5.1.5 詞向量的實現方式 59
5.1.6 詞向量的應用 61
5.2 Encoder-Decoder模型 61
5.2.1 Encoder-Decoder模型的工作原理 61
5.2.2 Attention模型 63
5.3 BERT模型 64
5.3.1 從詞向量到BERT：預訓練技術的發展簡史 64
5.3.2 BERT模型的運作機制 65
5.3.3 BERT模型的意義 67
第6章 對話機器人的實現方式 68
6.1 實現對話機器人的主流技術 68
6.1.1 基於人工模版的技術 68
6.1.2 基於檢索的技術 69
6.1.3 基於機器翻譯的技術 71
6.1.4 基於深度學習的技術 72
6.2 對話管理 73
6.2.1 對話管理的主要任務 74
6.2.2 對話管理的實現方法 75
6.2.3 基於結構的方法 76
6.2.4 基於規則的方法 76
6.2.5 基於統計的方法 77
第3篇 動手實戰
第7章 前端：對話機器人的用戶界面 80
7.1 創建對話機器人小程序 80
7.1.1 新建對話機器人小程序 80
7.1.2 代碼構成 82
7.1.3 小程序調試 83
7.2 對話機器人小程序開發及測試 83
7.2.1 用戶界面設計 84
7.2.2 實戰：開發主頁面 84
7.2.3 實戰：添加對話框 85
7.2.4 實戰：添加錄音、輸入框、發送按鈕 86
7.2.5 實戰：添加功能代碼 87
第8章 中台：數據和服務管理 93
8.1 創建對話機器人的中台項目 93
8.1.1 新建中台項目 93
8.1.2 準備開發功能 95
8.2 編寫中台功能代碼 97
8.2.1 實戰：創建小程序信息處理接口SendMessageService 97
8.2.2 實戰：創建語音對話接口SendAudioService 103
第9章 後臺：對話服務 114
9.1 準備數據 114
9.1.1 下載及安裝語料庫 114
9.1.2 實戰：文本預處理 115
9.1.3 實戰：生成詞向量 117
9.1.4 實戰：生成訓練和測試數據 120
9.2 建立模型 122
9.2.1 實戰：加載預處理好的詞向量 122
9.2.2 實戰：建立模型 126
9.3 訓練及測試模型 128
9.3.1 實戰：訓練和測試模型 128
9.3.2 實戰：驗證模型的效果 130
9.4 前臺、中台、後臺系統集成 136
9.4.1 實戰：創建後臺對話服務 137
9.4.2 實戰：聯合調試前臺、中台、後台程序 139
第4篇 擴展應用
第10章 任務型機器人 142
10.1 任務型機器人的概念和實現方式 142
10.1.1 任務型機器人的架構 142
10.1.2 自然語言理解模塊 143
10.1.3 對話管理模塊 144
10.1.4 自然語言生成模塊 145
10.2 實戰：創建一個任務型機器人 145
10.2.1 實戰：準備任務型機器人所需的數據 145
10.2.2 實戰：創建任務型機器人模型 146
第11章 情感分析 155
11.1 基本概念和實現方式 155
11.1.1 什麼是情感分析 155
11.1.2 實現方式之一：基於詞典的方法 156
11.1.3 實現方式之二：基於機器學習的方法 158
11.2 實戰：基於深度學習的情感分析 158
11.2.1 實戰：準備情感分析所需的數據 158
11.2.2 實戰：創建情感分析模型 166