商品簡介
《自然語言處理的Python實踐》通過5章內容深入解讀了自然語言處理（NLP）的文本數據處理方法和行業實際應用。其中討論了文本數據的根本問題所在和在文本數據中如何提取信息、提取哪種信息等，同時通過第2～5章，重點講解了客戶服務行業、在線評論、銀行與金融服務及保險行業、虛擬助手四大NLP重點領域的實際應用方法，其中詳細解讀了意圖挖掘、基於ML的監督學習、情感分析與挖掘、Word2Vec、CBOW、LSTM、編碼器-解碼器模型框架和當今NLP領域解決問題效果最好的BERT模型等關鍵技術方法。內容全面，案例真實。本書案例均直接深入到各行業，讀者在閱讀學習過程中，能通過書中相應的代碼和案例思路，真正解決實際工作中遇到的問題。 本書適合各個行業自然語言處理方向的技術人員閱讀學習，也適合開設自然語言處理課程的院校師生及計算機專業教學參考使用。
作者簡介
吳偉國，無黨派人士。哈爾濱工業大學教授，博士生導師，機電控制及自動化學科工學博士，日本國立名古屋大學微系統工學博士後研究員。長期從事工業機器人、仿生仿人機器人及智能運動控制、人工智能、人工情感等方面研究。作為項目負責人先後主持完成國家自然科學基金、國家863計劃、國家重點實驗室、教育部歸國留學基金項目以及參與完成各類項目共10余項。主持“十三五”國家重點研發計劃項目課題、國家自然科學基金重點課題子課題各1項。發表學術論文80余篇，參編“十一五”國家級規劃教材1部，著有國家出版基金項目資助著作3部，以第1發明人獲發明專利權20項，獲部級科技進步一、二等獎各1項。
名人推薦
1.本書為引進書，原作者權威，譯者為教授，博導
2.本書直接深入到多個行業，進行案例剖析
3.本書乾貨滿滿，代碼和案例分析極其詳盡
4.雙色印刷，一目了然
序
我很幸運能夠有機會接觸和解決複雜的NLP(自然語言處理)問題，並且涉及不同地域的各個行業。這本書源自我的學習，因而是以一個實踐者的視野來看待解決文本問題的。解決NLP問題涉及一定的創造力，並且要與技術知識結合起來。有時，有些問題採用最好的深度學習方法解決不了，用簡單的方法反而能解決。因此，我總是想起奧卡姆剃刀原理，它指出，如果存在多個可選的解決方案，那麼最簡單的那個可能是解決問題最好的方案。
在我看來，解決任何問題都離不開數據，這也是本書要在第1章討論文本數據的根本原因所在，該章全面講述不同類型的文本數據，以及可以從這些數據中提取的信息。第2、3、4和第5章重點介紹不同行業以及這些行業面臨的常見的文本挖掘問題。在這些章節中，不僅包含文本挖掘的用例，同時還將介紹相應的文本挖掘概念以及相關的代碼和Python庫。
第2章簡要介紹客戶服務行業，並對會話語料庫進行深入分析。這一章重點強調可以從會話語料庫中提取的各種類型的信息，同時提供詳細的代碼，還將詳細介紹詞袋模型（bag of words）、向量化、基於規則的方法以及有監督的學習方法。
第3章聚焦一個非常流行的文本挖掘用例：評論挖掘。在這一章中將全面而深入地研究情緒分析和意見挖掘，包括使用無監督技術和有監督技術進行情緒分析，並進一步講述用於情感分析的神經網絡。
第4章對應用於銀行、金融服務和保險行業的NLP技術進行概述，以往的傳統銀行業務使用結構化數據來驅動決策，近來，文本用例正在這個領域進行探索，該章將對其中的一個用例進行詳細討論，並且使用無監督技術和嵌入式神經網絡（embedding based neural networks）詳細探討命名實體識別器（named entity recognizers）。
第5章重點討論虛擬助手，探索如何用最先進的神經網絡結構構建網上機器人的技術，並介紹自然語言生成的概念。
目次
第1章 數據類型 001
1.1 搜索 002
1.2 評論 003
1.3 社交媒體中的帖子/博客 005
1.4 聊天數據 006
1.4.1 私人聊天 006
1.4.2 商務聊天和語音通話數據 007
1.5 SMS（短信）數據 008
1.6 內容數據 009
1.7 IVR（交互式語音應答）話語數據 010
1.8 數據中的有用信息 010
第2章 NLP在客戶服務中的應用 013
2.1 語音通話 014
2.2 聊天 015
2.3 票證數據 016
2.4 郵件數據 016
2.5 客戶需求 018
2.5.1 意圖挖掘 018
2.5.2 意圖理解的熱門詞匯 019
2.5.3 詞云 021
2.5.4 主題分類規則 024
2.6 基於機器學習的監督學習 028
2.6.1 獲取人工標記的數據 028
2.6.2 分詞 030
2.6.3 文檔詞條矩陣 031
2.6.4 數據標準化 035
2.7 替換某些模式 036
2.8 識別並標注問題所在的行 040
2.9 熱門客戶查詢 041
2.10 熱門客戶滿意度（CSAT）驅動器 043
2.11 熱門凈推薦值（NPS）驅動器 045
2.12 深入了解銷售對話 050
2.12.1 銷售對話中的熱門產品 050
2.12.2 未交易的原因 051
2.12.3 調查評論分析 052
2.12.4 挖掘語音記錄 052
第3章 NLP在在線評論中的應用 059
3.1 情感分析 060
3.2 情感挖掘 061
3.3 方法1：基於詞典的方法 062
3.4 方法2：基於規則的方法 066
3.4.1 觀察結果1 066
3.4.2 觀察結果2 067
3.4.3 觀察結果3 067
3.4.4 觀察結果4 068
3.4.5 總體得分 069
3.4.6 處理觀察結果 070
3.4.7 情緒分析庫 085
3.5 方法3：基於機器學習的方法(神經網絡) 086
3.5.1 語料庫的特徵 087
3.5.2 構建神經網絡 091
3.5.3 加以完善 093
3.6 屬性提取 093
3.6.1 步驟1：使用正則表達式進行規範化 095
3.6.2 步驟2：提取名詞形式 097
3.6.3 步驟3：創建映射文件 098
3.6.4 步驟4：將每個評論映射到屬性 100
3.6.5 步驟5：品牌分析 101
第4章 NLP在銀行、金融服務和保險業（BFSI）的應用 109
4.1 NLP之於風險控制 110
4.1.1 方法1：使用現有的庫 111
4.1.2 方法2：提取名詞短語 113
4.1.3 方法3：訓練自己的模型 115
4.1.4 模型應用 142
4.2 NLP在銀行、金融服務和保險業的其他應用案例 157
4.2.1 短信數據 157
4.2.2 銀行業的自然語言生成 158
第5章 NLP在虛擬助手中的應用 163
5.1 網絡機器人（Bot程序）種類 164
5.2 經典方法 165
5.2.1 LSTM概述 169
5.2.2 LSTM的應用 173
5.2.3 時間分布層 174
5.3 生成響應法 178
5.3.1 編碼器-解碼器模型框架 179
5.3.2 數據集 180
5.3.3 框架的實現 180
5.3.4 編碼器-解碼器模型框架的訓練 189
5.3.5 編碼器輸出 192
5.3.6 解碼器輸入 192
5.3.7 預處理 195
5.3.8 雙向LSTM 200
5.4 BERT（基於轉換器的雙向編碼表征） 202
5.4.1 語言模型和微調 202
5.4.2 BERT概述 203
5.4.3 微調BERT以構建分類器 208
5.5 構建網上對話機器人的更多細微差別 211
5.5.1 單輪對話和多輪對話的比較 211
5.5.2 多語言網上機器人 213
