這是一部能指導初學者輕鬆進入聊天機器人領域並快速實現進階的實戰型著作。
 
4位作者都是資深的NLP技術專家，在聊天機器人領域有豐富的工程實踐經驗，曾在唯品會等公司有大規模的成功實踐。這本書原理、技術、實戰3個層面講解了聊天機器人的數學與統計原理、NLP模型和技術、演算法與實現、工程架構，以及案例實踐。
 
全書共13章，可分為三大部分。
第一部分（第1章） 基礎篇
簡單介紹了數學和統計的基本理論，如概率統計和應用數學等。
 
第二部分（第2~9章） 技術篇
著重講解了NLP的模型和技術，它們是構成對話系統的基礎，一些模型可以用在自然語言理解模組（NLU）和自然語言生成模組（NLG），同時説明讀者整理對話系統的工程架構知識。
 
第三部分（第10~12章） 實例篇
通過對三個典型的對話系統案例的講解，讓讀者完整瞭解架構、設計和實現對話系統的流程和方法。

★劉宇
資料科學技術總監 ，畢業於清華大學，現就職於獵聘網。
在NLP演算法領域有7年以上的開發經驗，目前的研究重點是深度學習在NLP方面的實際應用，熱衷於鑽研NLP演算法技術在對話系統、搜索系統等實際場景下的應用。對機器學習、大資料應用與開發、深度學習等也頗有研究。精通Java、C++、Python等主流程式設計語言，熟悉軟體架構和開發原則。
 
★崔燕紅
資深人工智慧技術專家，畢業於開普敦大學，博士，現任北京泰迪熊科技公司首席資料演算法科學家。
曾在唯品會NLP部門擔任主任研究員。精通Java 語言，有6年Java 相關開發經驗，熟悉Python語言，在時間序列分析、全域優化演算法、機器學習、NLP、深度學習領域卓有建樹。

★郭師光
資深大資料和人工智慧技術專家，畢業於奧克拉荷馬大學，博士。
曾在斯倫貝謝公司從事研發工作，研究領域涉及資料建模、油氣藏的智慧模式識別等。後在唯品會研究院擔任資深研發，研究專案主要包括深度學習演算法、搜索意圖識別等。現於北京資訊科技大學任職，主要研究方向包括大資料、智慧對話系統、圖像識別以及深度學習模型的商業化應用。累計發表SCI檢索論文和國際會議論文十餘篇。

★黨習歌
NLP演算法工程師，畢業於北京郵電大學，電腦專業碩士。
現就職於唯品會智慧應用部。精通Java，在NLP演算法領域有3年以上開發經驗。目前主要研究NLP在對話系統、搜索等場景的應用，對機器學習、NLP演算法、數學模型等頗有研究。
 


推薦序一

推薦序二

前言

第1章概率統計與應用數學的基礎知識
1.1概率的定義
1.2條件概率與貝葉斯公式
1.3隨機變數與分佈函數
1.4概率分佈與參數估計
1.5隨機過程與瑪律可夫模型
1.6信息熵
1.7本章小結

第2章語言模型與多元文法
2.1詞袋模型
2.2N-Gram模型
2.2.1N-Gram簡介
2.2.2N-Gram演算法
2.2.3N-Gram用途
2.3數據平滑
2.3.1加法平滑方法
2.3.2Good-Turing估計法
2.3.3組合平滑方法

第3章序列標注模型
3.1中文分詞
3.1.1條件隨機場
3.1.2條件隨機場進行中文分詞
3.2詞性標注
3.2.1詞性標注的標準
3.2.2利用隱瑪律可夫進行詞性標注
3.3命名實體識別
3.3.1利用條件隨機場模型進行命名實體識別
3.3.2命名實體識別在對話系統中的作用
3.4序列標注模型
3.5本章小結

第4章文本分析
4.1關鍵字抽取
4.1.1詞頻-逆文檔頻次演算法
4.1.2Text Rank
4.2文本分類
4.2.1貝葉斯文本分類模型
4.2.2決策樹文本分類模型
4.2.3SVM文本分類模型
4.3主題模型
4.3.1基礎知識回顧
4.3.2吉布斯採樣
4.3.3隱狄利克雷分配模型
4.4本章小結

第5章深度學習模型
5.1基於深度學習的自然語言模型
5.1.1神經網路自然語言模型與詞向量
5.1.2A Neural Probabilistic Language Model
5.1.3CBOW和Skip-Gram
5.1.4Huffman編碼與Huffman tree
5.1.5CBOW-Hierarchical Softmax
5.1.6Skip-Gram-Hierarchical Softmax
5.1.7FastText
5.1.8詞的全域向量表示
5.2卷積網路CNN
5.2.1卷積網路CNN理論
5.2.2利用CNN進行文本分類
5.3迴圈網路RNN
5.3.1迴圈網路RNN（LSTM，GRU）理論
5.3.2利用RNN 進行情感分析
5.3.3Sequence-to-Sequence with Attention Model
5.4Transformer
5.4.1ResNet（Residual Network）殘差網路模型
5.4.2Attention is all you need（Transformer）
5.5預訓練模型
5.5.1Embeddings from Language Models（ELMo）
5.5.2BERT

第6章對話機器人的發展綜述
6.1對話機器人發展史
6.1.1對話機器人的近況
6.1.2開放域
6.1.3垂直領域
6.1.4對話機器人的未來發展趨勢
6.2人工智慧在對話機器人中的應用
6.2.1深度學習在機器人方面的應用
6.2.2強化學習在機器人方面的應用
6.2.3知識圖譜在機器人方面的應用

第7章自然語言理解與知識圖譜
7.1知識圖譜的表示：三元組模型
7.2知識抽取
7.2.1知識抽取-命名實體識別
7.2.2利用CRF模型識別 NER
7.2.3利用BiLSTM+CRF模型進行命名實體識別
7.3知識抽取-實體關係抽取：Relation Extraction
7.4知識圖譜的構建

第8章答案生成與多輪對話
8.1預測會話與答案生成
8.1.1資訊檢索：利用搜索來預測答案
8.1.2句型範本匹配標準問題生成答案
8.1.3根據知識圖譜推理得到答案
8.2多輪對話
8.2.1多輪對話概述
8.2.2任務型多輪對話的控制和生成
8.2.3多主題多輪對話

第9章對話系統的工程架構
9.1對話系統的工程技術
9.1.1常用技術
9.1.2對話系統的分類
9.1.3主要系統軟體介紹
9.1.4系統運維相關
9.2對話系統的架構實現
9.2.1阿裡小蜜
9.2.2百度對話系統
9.2.3垂直領域對話系統的架構
9.2.4開放領域對話系統的架構
9.3本章小結

第10章實戰場景之一——客服機器人
10.1客服機器人架構
10.1.1功能需求
10.1.2系統邏輯架構圖
10.2客服機器人設計
10.2.1FAQ的設計
10.2.2導購機器人的設計
10.2.3實例分析
10.3本章小結

第11章實戰場景之二——開放域的QA問答
11.1開放領域問答機器人的架構
11.2開放領域問答機器人的開發流程和方案
11.3開放領域問答機器人的開發案例

第12章實戰場景之三——聊天機器人
12.1Seq2Seq以及Attention機制
12.2Beam Search
12.3基於Seq2Seq的聊天機器人開發流程
12.3.1語料準備
12.3.2定義Encoder和Decoder
12.3.3模型訓練和評估模組
12.3.4模型預測和Beam Search模組
12.4本章小結