扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
C Primer Plus 第6版 中文版
-
>
深度学习
-
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码
机器阅读理解:算法与实践 版权信息
- ISBN：9787111649502
- 条形码：9787111649502 ; 978-7-111-64950-2
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
机器阅读理解:算法与实践 本书特色
微软高级研究员撰写，剖析机器阅读理解支撑技术、模型架构、前沿算法、模型SDNet源码与落地应用。
全书分为三篇，共8章内容。基础篇（第1～3章），介绍机器阅读理解的基础知识和关键支撑技术，涵盖机器阅读理解任务的定义，阅读理解模型中常用的自然语言处理技术和深度学习网络模块，例如如何让计算机表示文章和问题、做多项选择题及生成回答等。架构篇（第4～6章），介绍解决各类机器阅读理解任务的基本模型架构和前沿算法，并剖析对机器阅读理解研究有着重要影响的预训练模型（如BERT和GPT）。实战篇（第7～8章），包括笔者在2018年获得CoQA对话阅读理解竞赛*名时所用的模型SDNet的代码解读，机器阅读理解在各种工业界应用中的具体落地过程和挑战，以及笔者对于机器阅读理解未来发展方向的思考。
作者亲授“机器阅读理解”直播课，搭配图书学习效果更佳！
回放 PPT获取方式
1、微信关注“华章计算机”微软高级研究员撰写，剖析机器阅读理解支撑技术、模型架构、前沿算法、模型SDNet源码与落地应用。
全书分为三篇，共8章内容。基础篇（第1～3章），介绍机器阅读理解的基础知识和关键支撑技术，涵盖机器阅读理解任务的定义，阅读理解模型中常用的自然语言处理技术和深度学习网络模块，例如如何让计算机表示文章和问题、做多项选择题及生成回答等。架构篇（第4～6章），介绍解决各类机器阅读理解任务的基本模型架构和前沿算法，并剖析对机器阅读理解研究有着重要影响的预训练模型（如BERT和GPT）。实战篇（第7～8章），包括笔者在2018年获得CoQA对话阅读理解竞赛*名时所用的模型SDNet的代码解读，机器阅读理解在各种工业界应用中的具体落地过程和挑战，以及笔者对于机器阅读理解未来发展方向的思考。
作者亲授“机器阅读理解”直播课，搭配图书学习效果更佳！
回放&PPT获取方式
1、微信关注“华章计算机”
2、在后台回复关键词：机器阅读理解
机器阅读理解:算法与实践 内容简介
读者对象：1.自然语言处理开发人员；2.人工智能和深度学习工程师；3.大数据工程师与架构师；4、其他爱好者 1）微软人工智能首席技术官黄学东、中国计算机学会秘书长杜子德联袂推荐 2）微软高级研究员朱晨光撰写，曾2次获得全球性阅读理解竞赛冠军 3）剖析机器阅读理解支撑技术、模型架构、前沿算法、模型 4）机器阅读理解模型SDNet源码分析与工业级落地应用分析 作者亲授“机器阅读理解”直播课，搭配图书学习效果更佳！ 回放&PPT获取方式 1、微信关注“华章计算机” 2、在后台回复关键词：机器阅读理解
机器阅读理解:算法与实践 目录
序一
序二
前言
**篇 基础篇
第1章 机器阅读理解与关键支撑技术 2
1.1 机器阅读理解任务 2
1.1.1 机器阅读理解模型 3
1.1.2 机器阅读理解的应用 4
1.2 自然语言处理 5
1.2.1 研究现状 5
1.2.2 仍需解决的问题 6
1.3 深度学习 7
1.3.1 深度学习的特点 7
1.3.2 深度学习的成果 10
1.4 机器阅读理解任务的测评方式 11
1.4.1 机器阅读理解的答案形式 11
1.4.2 自由回答式答案评分标准ROUGE 12
1.5 机器阅读理解数据集 14
1.5.1 单段落式数据集 14
1.5.2 多段落式数据集 19
1.5.3 文本库式数据集 22
1.6 机器阅读理解数据的生成 23
1.6.1 数据集的生成 23
1.6.2 标准答案的生成 24
1.6.3 如何设计高质量的数据集 26
1.7 本章小结 30
第2章 自然语言处理基础 31
2.1 文本分词 31
2.1.1 中文分词 32
2.1.2 英文分词 33
2.1.3 字节对编码BPE 35
2.2 语言处理的基石：词向量 37
2.2.1 词的向量化 37
2.2.2 Word2vec词向量 39
2.3 命名实体和词性标注 42
2.3.1 命名实体识别 42
2.3.2 词性标注 44
2.4 语言模型 48
2.4.1 N元模型 49
2.4.2 语言模型的评测 52
2.5 本章小结 53
第3章 自然语言处理中的深度学习 54
3.1 从词向量到文本向量 54
3.1.1 利用RNN的*终状态 55
3.1.2 利用CNN和池化 55
3.1.3 利用含参加权和 58
3.2 让计算机做选择题：自然语言理解 59
3.2.1 网络模型 59
3.2.2 实战：文本分类 60
3.3 让计算机写文章：自然语言生成 62
3.3.1 网络模型 62
3.3.2 实战：生成文本 63
3.3.3 集束搜索 65
3.4 让计算机专心致志：注意力机制 67
3.4.1 注意力机制的计算 68
3.4.2 实战：利用内积函数计算注意力 69
3.4.3 序列到序列模型 69
3.5 本章小结 70
第二篇 架构篇
第4章 机器阅读理解模型架构 72
4.1 总体架构 72
4.2 编码层 74
4.2.1 词表的建立和初始化 74
4.2.2 字符编码 75
4.2.3 上下文编码 77
4.3 交互层 79
4.3.1 互注意力 79
4.3.2 自注意力 81
4.3.3 上下文编码 82
4.4 输出层 83
4.4.1 构造问题的向量表示 83
4.4.2 多项选择式答案生成 84
4.4.3 区间式答案生成 85
4.4.4 自由式答案生成 87
4.5 本章小结 93
第5章 常见机器阅读理解模型 94
5.1 双向注意力流模型 94
5.1.1 编码层 94
5.1.2 交互层 95
5.1.3 输出层 98
5.2 R-net 99
5.2.1 基于注意力的门控循环神经网络 100
5.2.2 网络架构 101
5.3 融合网络 104
5.3.1 单词历史 104
5.3.2 全关注注意力 105
5.3.3 总体架构 106
5.4 关键词检索与阅读模型 109
5.4.1 检索器 110
5.4.2 阅读器 112
5.5 本章小结 115
第6章 预训练模型 116
6.1 预训练模型和迁移学习 116
6.2 基于翻译的预训练模型CoVe 118
6.2.1 机器翻译模型 119
6.2.2 上下文编码 120
6.3 基于语言模型的预训练模型ELMo 121
6.3.1 双向语言模型 122
6.3.2 ELMo的使用 123
6.4 生成式预训练模型GPT 125
6.4.1 Transformer 125
6.4.2 GPT模型架构 129
6.4.3 GPT使用方法 129
6.5 划时代的预训练模型BERT 131
6.5.1 双向语言模型 131
6.5.2 判断下一段文本 132
6.5.3 BERT预训练细节 133
6.5.4 BERT在目标任务中的使用 133
6.5.5 实战：在区间答案型机器阅读理解任务中微调BERT 137
6.6 本章小结 138
第三篇 实战篇
第7章 机器阅读理解模型SDNet代码解析 140
7.1 多轮对话式阅读理解模型SDNet 140
7.1.1 编码层 141
7.1.2 交互层与输出层 142
7.2 SDNet代码介绍与运行指南 143
7.2.1 代码介绍 143
7.2.2 运行指南 143
7.2.3 配置文件 145
7.3 预处理程序 147
7.3.1 初始化函数 148
7.3.2 预处理函数 149
7.4 训练程序 154
7.4.1 训练基类 154
7.4.2 训练子类 155
7.5 批次数据产生器 159
7.5.1 掩码 160
7.5.2 准备BERT数据 164
7.6 SDNet模型 166
7.6.1 网络模型类 166
7.6.2 计算层 171
7.6.3 生成BERT编码 177
7.7 本章小结 178
第8章 机器阅读理解的应用与未来 179
8.1 智能客服 179
8.1.1 建立产品客服知识库 180
8.1.2 理解用户意图 181
8.1.3 答案生成 183
8.1.4 智能客服中的其他模块 183
8.2 搜索引擎 184
8.2.1 搜索引擎技术 185
8.2.2 搜索引擎中的机器阅读理解 187
8.2.3 未来与挑战 188
8.3 医疗卫生 189
8.4 法律 190
8.4.1 智能审判 191
8.4.2 确定适用条款 192
8.5 金融 193
8.5.1 股价预测 193
8.5.2 新闻摘要 195
8.6 教育 196
8.7 机器阅读理解的未来 196
8.7.1 机器阅读理解研究面临的挑战 197
8.7.2 机器阅读理解的产业化 202
8.8 本章小结 203
附录A 机器学习基础 205
附录B 深度学习基础 208
序二
前言
**篇 基础篇
第1章 机器阅读理解与关键支撑技术 2
1.1 机器阅读理解任务 2
1.1.1 机器阅读理解模型 3
1.1.2 机器阅读理解的应用 4
1.2 自然语言处理 5
1.2.1 研究现状 5
1.2.2 仍需解决的问题 6
1.3 深度学习 7
1.3.1 深度学习的特点 7
1.3.2 深度学习的成果 10
1.4 机器阅读理解任务的测评方式 11
1.4.1 机器阅读理解的答案形式 11
1.4.2 自由回答式答案评分标准ROUGE 12
1.5 机器阅读理解数据集 14
1.5.1 单段落式数据集 14
1.5.2 多段落式数据集 19
1.5.3 文本库式数据集 22
1.6 机器阅读理解数据的生成 23
1.6.1 数据集的生成 23
1.6.2 标准答案的生成 24
1.6.3 如何设计高质量的数据集 26
1.7 本章小结 30
第2章 自然语言处理基础 31
2.1 文本分词 31
2.1.1 中文分词 32
2.1.2 英文分词 33
2.1.3 字节对编码BPE 35
2.2 语言处理的基石：词向量 37
2.2.1 词的向量化 37
2.2.2 Word2vec词向量 39
2.3 命名实体和词性标注 42
2.3.1 命名实体识别 42
2.3.2 词性标注 44
2.4 语言模型 48
2.4.1 N元模型 49
2.4.2 语言模型的评测 52
2.5 本章小结 53
第3章 自然语言处理中的深度学习 54
3.1 从词向量到文本向量 54
3.1.1 利用RNN的*终状态 55
3.1.2 利用CNN和池化 55
3.1.3 利用含参加权和 58
3.2 让计算机做选择题：自然语言理解 59
3.2.1 网络模型 59
3.2.2 实战：文本分类 60
3.3 让计算机写文章：自然语言生成 62
3.3.1 网络模型 62
3.3.2 实战：生成文本 63
3.3.3 集束搜索 65
3.4 让计算机专心致志：注意力机制 67
3.4.1 注意力机制的计算 68
3.4.2 实战：利用内积函数计算注意力 69
3.4.3 序列到序列模型 69
3.5 本章小结 70
第二篇 架构篇
第4章 机器阅读理解模型架构 72
4.1 总体架构 72
4.2 编码层 74
4.2.1 词表的建立和初始化 74
4.2.2 字符编码 75
4.2.3 上下文编码 77
4.3 交互层 79
4.3.1 互注意力 79
4.3.2 自注意力 81
4.3.3 上下文编码 82
4.4 输出层 83
4.4.1 构造问题的向量表示 83
4.4.2 多项选择式答案生成 84
4.4.3 区间式答案生成 85
4.4.4 自由式答案生成 87
4.5 本章小结 93
第5章 常见机器阅读理解模型 94
5.1 双向注意力流模型 94
5.1.1 编码层 94
5.1.2 交互层 95
5.1.3 输出层 98
5.2 R-net 99
5.2.1 基于注意力的门控循环神经网络 100
5.2.2 网络架构 101
5.3 融合网络 104
5.3.1 单词历史 104
5.3.2 全关注注意力 105
5.3.3 总体架构 106
5.4 关键词检索与阅读模型 109
5.4.1 检索器 110
5.4.2 阅读器 112
5.5 本章小结 115
第6章 预训练模型 116
6.1 预训练模型和迁移学习 116
6.2 基于翻译的预训练模型CoVe 118
6.2.1 机器翻译模型 119
6.2.2 上下文编码 120
6.3 基于语言模型的预训练模型ELMo 121
6.3.1 双向语言模型 122
6.3.2 ELMo的使用 123
6.4 生成式预训练模型GPT 125
6.4.1 Transformer 125
6.4.2 GPT模型架构 129
6.4.3 GPT使用方法 129
6.5 划时代的预训练模型BERT 131
6.5.1 双向语言模型 131
6.5.2 判断下一段文本 132
6.5.3 BERT预训练细节 133
6.5.4 BERT在目标任务中的使用 133
6.5.5 实战：在区间答案型机器阅读理解任务中微调BERT 137
6.6 本章小结 138
第三篇 实战篇
第7章 机器阅读理解模型SDNet代码解析 140
7.1 多轮对话式阅读理解模型SDNet 140
7.1.1 编码层 141
7.1.2 交互层与输出层 142
7.2 SDNet代码介绍与运行指南 143
7.2.1 代码介绍 143
7.2.2 运行指南 143
7.2.3 配置文件 145
7.3 预处理程序 147
7.3.1 初始化函数 148
7.3.2 预处理函数 149
7.4 训练程序 154
7.4.1 训练基类 154
7.4.2 训练子类 155
7.5 批次数据产生器 159
7.5.1 掩码 160
7.5.2 准备BERT数据 164
7.6 SDNet模型 166
7.6.1 网络模型类 166
7.6.2 计算层 171
7.6.3 生成BERT编码 177
7.7 本章小结 178
第8章 机器阅读理解的应用与未来 179
8.1 智能客服 179
8.1.1 建立产品客服知识库 180
8.1.2 理解用户意图 181
8.1.3 答案生成 183
8.1.4 智能客服中的其他模块 183
8.2 搜索引擎 184
8.2.1 搜索引擎技术 185
8.2.2 搜索引擎中的机器阅读理解 187
8.2.3 未来与挑战 188
8.3 医疗卫生 189
8.4 法律 190
8.4.1 智能审判 191
8.4.2 确定适用条款 192
8.5 金融 193
8.5.1 股价预测 193
8.5.2 新闻摘要 195
8.6 教育 196
8.7 机器阅读理解的未来 196
8.7.1 机器阅读理解研究面临的挑战 197
8.7.2 机器阅读理解的产业化 202
8.8 本章小结 203
附录A 机器学习基础 205
附录B 深度学习基础 208
展开全部
机器阅读理解:算法与实践 相关资料
现在市面上完整介绍机器阅读理解算法研究与应用现状的书籍非常少见，相关的中文资料更是少之又少。我们团队的朱晨光博士在机器阅读理解领域深耕多年，并曾在多项国际竞赛中带领团队夺得冠军。他写这本书的目的就是将机器阅读理解的真实面貌展现给读者。书中既有对*研究成果的详细介绍，也有他对机器阅读理解未来发展方向的思考。希望本书能够启发各位读者为实现人类水平的机器阅读理解共同努力。
——黄学东博士，微软公司人工智能首席技术官
晨光的这本书系统地介绍了机器阅读理解领域的关键技术、取得的进展，以及存在的问题。相信读者读完本书后，会对这一领域的研究及应用有一个比较清晰的认识。
——杜子德，原中科院计算所研究员，现任中国计算机学会秘书长
本书作者具有在清华大学和斯坦福大学学习深造的教育背景以及在国际一流IT企业进行相关研究的丰富经历，曾带领团队取得斯坦福大学对话式问答竞赛（CoQA）、斯坦福问答数据集评测（SQuAD 1.0）、AI2 科学问答比赛（ARC）全球*的佳绩，这使本书具有理论方法与一线实战经验兼备、知行合一的显著特点，卓尔不群。目前机器阅读理解研究方兴未艾，本书正当其用，相信一定会受到读者的欢迎。
—— 孙茂松，清华大学计算机系教授、清华大学人工智能研究院常务副院长
近几年是自然语言处理，特别是机器阅读理解的黄金时代。这个领域的快速发展很可能取得许多我们以前无法想象的成就。我相信从初学者到机器阅读理解专家都会喜欢这本书，因为它很全面，而且以易于理解的方式解释了其中各种复杂的概念。我强烈推荐这本书！
—— Quoc Le，谷歌大脑首席科学家
本书以精练的文笔和详细的实例深入浅出地介绍了机器阅读理解的自然语言处理基础知识、多种模型架构及其在实际应用中的过程与挑战。作者还分享了他在机器阅读理解方面的领先研究成果和对未来发展方向的深入思考。特向从事自然语言处理，尤其是机器阅读理解工作的学生、研究者和工程师热忱推荐此书。
—— 曾南山，微软公司合伙人、语音和对话研究组负责人
我喜欢这本书：它对初学者和长期研究人员都有帮助，可以用于教学、科研，乃至自主学习和尝试。感谢这本书的出现，希望你也会因为它爱上人工智能和自然语言处理。
—— 蒋朦，圣母大学计算机科学与工程系助理教授、数据决策实验室主任
机器阅读理解:算法与实践 作者简介
朱晨光
微软公司自然语言处理高级研究员、斯坦福大学计算机系博士。负责自然语言处理研究与开发、对话机器人的语义理解、机器阅读理解研究等，精通人工智能、深度学习与自然语言处理，尤其擅长机器阅读理解、文本总结、对话处理等方向。带领团队负责客服对话机器人的语义理解与分析，进行机器阅读理解研究，在斯坦福大学举办的SQuAD 1.0机器阅读理解竞赛中获得全球第一名，在CoQA对话阅读理解竞赛中成绩超过人类水平并获得第一名。在人工智能和自然语言处理顶级会议ICLR、ACL、EMNLP、NAACL、ICLR中发表多篇文章。
作者亲授“机器阅读理解”直播课，搭配图书学习效果更佳！
回放 PPT获取方式
1、微信关注“华章计算机”朱晨光
微软公司自然语言处理高级研究员、斯坦福大学计算机系博士。负责自然语言处理研究与开发、对话机器人的语义理解、机器阅读理解研究等，精通人工智能、深度学习与自然语言处理，尤其擅长机器阅读理解、文本总结、对话处理等方向。带领团队负责客服对话机器人的语义理解与分析，进行机器阅读理解研究，在斯坦福大学举办的SQuAD 1.0机器阅读理解竞赛中获得全球第一名，在CoQA对话阅读理解竞赛中成绩超过人类水平并获得第一名。在人工智能和自然语言处理顶级会议ICLR、ACL、EMNLP、NAACL、ICLR中发表多篇文章。
作者亲授“机器阅读理解”直播课，搭配图书学习效果更佳！
回放&PPT获取方式
1、微信关注“华章计算机”
2、在后台回复关键词：机器阅读理解
书友推荐
- >
大红狗在马戏团-大红狗克里弗-助人
大红狗在马戏团-大红狗克里弗-助人
¥3.3¥10.0 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥20.9¥55.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥13.8¥32.0 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0 - >
烟与镜
烟与镜
¥18.2¥48.0 - >
李白与唐代文化
李白与唐代文化
¥9.5¥29.8 - >
推拿
推拿
¥12.2¥32.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥27.3¥45.8
本类畅销
-
深度学习自然语言处理实战
¥25.8¥59.9 -
过程控制
¥11.9¥35 -
2022图书×抽奖盲袋
¥9.9¥25 -
2023读书月阅读盲盒——天黑，闭眼，刀谁？
¥42.3¥158 -
-
2022读者节纪念徽章-三星会员专属
¥45¥45.6
