自然語言處理基礎與大模型

宗成慶、 趙陽、飛槳教材編寫組

  • 出版商: 清華大學
  • 出版日期: 2024-01-01
  • 定價: $588
  • 售價: 8.5$500
  • 語言: 簡體中文
  • ISBN: 7302651558
  • ISBN-13: 9787302651550
  • 相關分類: LangChainText-mining
  • 下單後立即進貨 (約4週~6週)

  • 自然語言處理基礎與大模型-preview-1
  • 自然語言處理基礎與大模型-preview-2
  • 自然語言處理基礎與大模型-preview-3
自然語言處理基礎與大模型-preview-1

相關主題

商品描述

《自然語言處理基礎與大模型 案例與實踐》在簡要介紹自然語言處理代表性模型和方法的基礎上,通過具體案例詳細展現了相關模型和算法的實現過程,並給出了可執行的程序代碼、數據集和運行結果。全書內容既有經典的統計語言模型,也有神經網絡基礎模型和大語言模型前沿技術。應用案例從情感分析、信息抽取、自動摘要和文本語義匹配,到閱讀理解、意圖理解、文本生成和機器翻譯,全方位地展示自然語言處理從理論到實踐的全貌。書中提供的所有代碼都已通過調試,並以Jupyter Notebook形式托管在百度AI Studio星河社區上。讀者按照書中的說明就可以直接使用AI Studio提供的免費計算資源在線編譯運行書中的程序代碼,為讀者實踐、練習提供了極大的便利 。 《自然語言處理基礎與大模型 案例與實踐》可作為高等院校相關專業高年級本科生和研究生學習自然語言處理課程的教學輔導書,也可供對自然語言處理技術感興趣的初學者或者從事相關技術研發的工程技術人員參考。

目錄大綱

目錄

 

第1章緒論

1.1自然語言處理方法概述

1.2本書的內容組織

1.3本書的實踐平臺

1.3.1本地運行

1.3.2AI Studio星河社區運行

1.3.3本書使用的API

1.3.4本書使用的數據集

 

第2章神經網絡基礎

2.1概述

2.2神經元與感知機

2.2.1神經元

2.2.2感知機

2.2.3常見的激活函數

2.3前饋神經網絡

2.4捲積神經網絡

2.4.1捲積

2.4.2池化

2.4.3捲積神經網絡

2.5循環神經網絡

2.5.1簡單循環神經網絡

2.5.2長短時記憶網絡

2.5.3門控循環單元

2.5.4循環神經網絡拓展知識

 

第3章分佈式表示

3.1詞的分佈式表示

3.1.1靜態詞向量

3.1.2動態詞向量

3.2短語的分佈式表示

3.3句子的分佈式表示

3.3.1基於循環神經網絡的表示方法

3.3.2基於預訓練語言模型的表示方法

 

第4章序列生成模型

4.1基於循環神經網絡的Seq2Seq模型

4.1.1基於RNN的Seq2Seq模型原理

4.1.2解碼策略

4.2融合註意力機制的Seq2Seq模型

4.3基於Transformer的Seq2Seq模型

4.3.1自註意力模型

4.3.2Transformer的網絡結構

4.3.3Transformer編碼器

4.3.4Transformer解碼器

4.3.5知識延伸: 基於Transformer結構的模型

 

第5章基礎語言模型

5.1統計語言模型

5.1.1模型定義

5.1.2數據平滑方法

5.1.3語言模型評價

5.2神經網絡語言模型

5.2.1前饋神經網絡語言模型

5.2.2循環神經網絡語言模型

5.2.3語言模型與詞向量

 

第6章預訓練大模型

6.1GPT語言模型

6.1.1GPT模型預訓練

6.1.2GPT在下游任務中的應用

6.2BERT語言模型

6.2.1BERT模型的預訓練任務

6.2.2BERT在下游任務中的應用

6.3ERNIE 語言模型

6.4預訓練大模型

6.4.1基礎大模型

6.4.2指令微調

6.4.3基於人類反饋的強化學習

 

第7章詞語切分

7.1基於BERT實現中文分詞

7.1.1任務目標

7.1.2實現思路及流程

7.1.3數據處理

7.1.4模型構建

7.1.5訓練配置

7.1.6模型訓練

7.1.7模型評估

7.1.8模型預測

7.2基於BPE算法實現子詞切分

7.2.1任務目標

7.2.2實現思路及流程

7.2.3構建BPE詞表

7.2.4文本子詞切分

7.2.5語料還原

7.3實驗思考

 

第8章文本情感分類方法實踐

8.1基於LSTM模型的情感分類方法

8.1.1任務目標

8.1.2實現思路及流程

8.1.3數據處理

8.1.4模型構建

8.1.5訓練配置

8.1.6模型訓練

8.1.7模型評估

8.1.8模型預測

8.2基於BERT模型實現情感分類

8.2.1數據處理

8.2.2模型構建

8.2.3訓練配置

8.2.4模型訓練

8.2.5模型評估

8.2.6模型預測

8.3基於BERT的屬性級情感分類

8.3.1任務目標

8.3.2實現思路及流程

8.3.3屬性和觀點抽取

8.3.4屬性級情感分類

8.3.5全流程模型推理

8.4實驗思考

 

第9章信息抽取實踐

9.1基於Bi-LSTM和CRF的命名實體識別方法

9.1.1任務目標和實現流程

9.1.2數據處理

9.1.3模型構建

9.1.4訓練配置

9.1.5模型訓練

9.1.6模型評估

9.1.7模型預測

9.2基於ERNIE-UIE實現實體關系抽取

9.2.1任務目標和實現流程

9.2.2數據處理

9.2.3模型構建

9.2.4訓練配置

9.2.5模型訓練

9.2.6模型評估

9.2.7模型預測

9.3實驗思考

 

第10章文本語義匹配實踐

10.1基於SimNet的文本語義匹配

10.1.1任務目標和實現流程

10.1.2數據處理

10.1.3模型構建

10.1.4訓練配置

10.1.5模型訓練

10.1.6模型評估

10.1.7模型預測

10.2基於RocketQA的文本語義匹配

10.2.1任務目標和實現流程

10.2.2數據處理

10.2.3模型構建

10.2.4訓練配置

10.2.5模型訓練

10.2.6模型評估

10.2.7模型預測

10.3實驗思考

 

第11章基於PEGASUS的中文文本摘要實踐

11.1任務目標和實現流程

11.2數據處理

11.2.1數據集確定

11.2.2數據加載

11.2.3將數據轉換成特徵形式

11.2.4構造DataLoader

11.3模型構建

11.4訓練配置

11.4.1BLEU算法

11.4.2ROUGE算法

11.5模型訓練

11.6模型評估

11.7模型預測

11.8實驗思考

 

第12章基於ERNIE 3.0實現意圖識別

12.1任務目標和實現流程

12.2數據處理

12.2.1數據集確定

12.2.2數據加載

12.2.3將數據轉換成特徵形式

12.2.4構造DataLoader

12.3模型構建

12.4訓練配置

12.5模型訓練

12.6模型評估

12.7模型預測

12.8實驗思考

 

第13章機器閱讀理解實踐

13.1任務目標

13.2實現流程

13.3數據處理

13.3.1數據集確定

13.3.2數據加載

13.3.3將數據轉換成特徵形式

13.3.4構造DataLoader

13.4模型構建

13.5訓練配置

13.6模型訓練

13.7模型評估

13.8模型預測

13.9實驗思考

 

第14章機器翻譯實踐

14.1任務目標和實現流程

14.2數據處理

14.2.1數據集確定

14.2.2數據加載

14.2.3將數據轉換成特徵形式

14.2.4構建DataLoader

14.2.5後處理

14.3模型構建

14.3.1嵌入層的代碼實現

14.3.2組裝Transformer模型

14.4訓練配置

14.5模型訓練

14.6模型評估

14.6.1數據讀取

14.6.2權重加載

14.6.3模型評估

14.7模型預測

14.8實驗思考

 

第15章基於大模型的自動問答實踐

15.1任務目標和設計方案

15.2通過飛槳零代碼開發工具實現

15.3通過PaddleNLP實現

15.3.1代碼實現邏輯

15.3.2配置大模型

15.3.3配置向量檢索模型

15.3.4定義document store

15.3.5構建文檔索引

15.3.6構建問答應用

15.3.7(可選)在線推理部署

15.4實驗思考

 

附錄  術語與縮略語

參考文獻