自然语言处理理论与实战

基础部分

介绍在自然语言交叉学科中，工程应用常用的学科知识，包括自然语言处理概述、Python 基础知识和环境搭建、线性代数、概率论、统计学、语言学。

理论部分

介绍自然语言处理常用的理论知识，包括自然语言处理任务限制、技术范畴、语料库、中文自动分词、数据预处理、马尔可夫模型、条件随机场、模型评估和命名实体识别。

实战部分

通过GitHub 数据提取与可视化分析、微博话题爬取与存储分析，综合介绍网络爬虫、中文分词、数据处理、模型选择、数据分析、自然语言处理工具和数据可视化等技术点。

唐聃教授，中科院工学博士。现工作于成都信息工程大学软件工程学院。研究方向包括自然语言处理、信息安全、数据分析。曾参与多项国家863项目和中科院知识创新工程项目、省科技厅和教育厅项目；2016年入选中国科学院西部之光人才计划（中国科学院西部青年学者）。白宁超四川省计算机研究院软件开发工程师，曾参与多项四川省科技厅项目。其自然语言处理系列博文曾被CSDN、博客园、阿里云栖等多个技术社区转载。

适读人群 ：本书适用于具备一定编程基础的计算机专业、软件工程专业、通信专业、电子技术专业和自动化专业的大学二年级以上的学生、科研工作者和相关技术人员。一些做工程应用的自然语言处理工程师，也可以通过阅读本书补充理论知识，理论知识的魅力在于遇到工程难题时，可以知道其背后的原因，快速、准确地解决问题。

1.讲解自然语言处理的理论

2.案例丰富，实战性强

3.适合自然语言处理学习的入门者

前言

本书讲述自然语言处理重要的相关学科知识和理论基础，并介绍使用这些知识的应用和工具，以及如何在实际环境中使用它们。市面上出版的自然语言处理书籍不多，且大多数讨论的是其背后的深奥原理，很少涉及基础知识和编程实现。自然语言处理是一门多学科交叉的学科，初入门的读者难以把握知识的广度和宽度，尤其对侧重点不能全面掌握。本书针对以上情况，经过科学调研分析，选择以理论结合实例的方式呈现知识点。首先介绍开发工具、Python语言、线性代数、概率论、统计学、语言学等工程上常用的知识，然后介绍自然语言处理的核心理论和案例解析，最后通过几个综合性的例子完成自然语言处理的学习和深入。本书旨在帮助读者快速高效地学习自然语言处理和人工智能技术。

读者对象

自然语言处理是什么？谁需要学习自然语言处理？自然语言处理在哪些地方应用？本书就是对这几个问题的回答。自然语言处理领域主要探讨：如何处理及运用自然语言；自然语言认知（让计算机“懂”人类的语言）；自然语言生成系统（将计算机数据转化为自然语言）和自然语言理解系统（将自然语言转化为计算机程序更易于处理的形式）。自然语言处理在我们身边应用得非常广泛，其中包括：语音的自动合成与识别、机器翻译、自然语言理解、人机对话、信息检索、文本分类、自动文摘，等等。此外，自然语言处理也是人工智能、机器学习、深度学习的基础，重要程度不言而喻。如果读者有一定的编程基础，那么将有助于本书的阅读。如果读者不具备线性代数、概率论、统计学、语言学的知识，则可从本书中快速学习常见的工程应用知识；如果读者具备线性代数、概率论、统计学、语言学的知识，则更利于本书的阅读，可以对知识进行查全补充。此外，本身使用Python 语言进行编程，假设读者具备Python 知识，则可以跳过第2 章，也更有利于本书的阅读。本书对于具备一定编程基础的计算机专业、软件工程专业、通信专业、电子技术专业和自动化专业的大学二年级以上的学生都是适宜的。一些做工程应用的自然语言处理工程师，也可以通过阅读本书补充理论知识。理论知识的最大魅力在于遇到工程难题时，可以知道其背后的原因，快速准确地解决问题。本书整体难度适宜，适合作为自学用书或课程教材。

本书结构

本书共四大部分15 章，第一部分为基础部分，从第1 章至第6 章，主要介绍在自然语言交叉学科中，工程应用常用的学科知识，包括自然语言处理概述、Python 基础知识和环境搭建、线性代数、概率论、统计学、语言学。第二部分为理论部分，从第7 章至第14 章，主要介绍自然语言处理常用的理论知识，包括自然语言处理任务限制、技术范畴、语料库、中文自动分词、数据预处理、马尔可夫模型、条件随机场、模型评估和命名实体识别。第三部分为实战部分，第15 章通过GitHub 数据提取与可视化分析、微博话题爬取与存储分析，综合介绍网络爬虫、中文分词、数据处理、模型选择、数据分析、自然语言处理工具和数据可视化等技术点，这些技术也适用于以机器学习为代表的人工智能领域。本书各章节的具体内容介绍如下。

? 第1 章基础入门：随着人工智能的快速发展，自然语言处理和机器学习技术的应用愈加广泛。然而身为初学者，要想快速入门这些前沿技术总是存在着各种各样的困难。为使读者对该领域的整体概况有一个系统明晰的认识，本章主要从发展历程、研究现状、应用前景等角度概要介绍自然语言处理及相关的机器学习技术。

? 第2 章快速上手Python：Python 作为一门简洁优美且功能强大的语言，越来越受到编程人员的青睐，在工业界和学术界也非常受欢迎。本书的全部代码都是通过Python 实现的，之所以选择Python 语言，是因为其可以跨平台跨应用开发，因此本章旨在帮助读者快速领略Python 的概貌。如果读者已经具备Python 基础，则可略过此章。

? 第3 章线性代数：机器学习是计算机科学、统计学、数学和信息论等多个领域交叉的学科。线性代数又是数学的一个重要分支，对机器学习有着直接的影响。诸如算法建模、参数设置、验证策略、识别欠拟合和过拟合，等等。读者往往知道线性代数很有用，常常全书通读，造成时间不足和效率较低，归因于对线性代数在机器学习中的重点和用途不明。本章主要以简明的方式介绍常用的线性代数知识，并使读者知道线性代数常用于哪些方面。

? 第4 章概率论：机器学习与深度学习是多学科交叉的科学技术，其中数学尤为重要，是很多形式化模型向数学建模的必经过程。继线性代数核心知识的介绍之后，本章着重介绍概率论的相关知识。

? 第5 章统计学：在数据科学中，统计学的地位尤为显著。这是一门在数据分析的基础上，研究如何测定、收集、整理、归纳和分析数据规律，以便给出正确消息的学科。通过揭示数据背后的规律和隐藏信息，给相关角色提供参照价值，以做出相应的决策。其在数据挖掘、自然语言处理、机器学习中都被广泛应用。本章首先介绍常见的图形可

视化的概念和使用，继而介绍数据度量标准、概率分布、统计假设检验、相关和回归，以短小精悍的篇章使读者掌握基本的统计知识。

? 第6 章语言学：本章主要从语音、词汇、语法三个角度对现代汉语进行一个简单概要的勾勒，在以往传统的语言学教材中一般还有“文字”“修辞”两节内容，因篇幅有限、与全书关联不强，在此删繁就简，未给读者一一呈现。需要注意的是，语言学本身是一门十分庞杂的学科，知识体系与研究方法或因语言不同而有区别，或因派别主义不同而有区别。但无论是何种语言，或是何门何派，在进行自然语言处理时我们要面临的永远是一个个真实的语料和具体的语言现象。理论是用来指导实践、拓宽我们研究思路的，究竟最后采用何种理论，这只是一个“白猫黑猫”的问题。

? 第7 章自然语言处理：本章开篇直击要点，即自然语言处理的任务和限制。进而介绍其所涉及的主要技术范畴，并对这些技术方向进行介绍。在针对当前自然语言处理的难点进行详细剖析后，最终对2017 年以后自然语言处理的发展进行展望。

? 第8 章语料库：大数据发展的基石就是数据量的快速增加，无论是自然语言处理、数据挖掘、文本处理，还是机器学习领域，都是在此基础上通过规则或统计方法进行模型构建的。但是不是数据量足够大就叫大数据了呢？是不是数据量足够多就构成语料库了呢？带着这些疑问，本章将带你走进语料库的世界，对语料知识进行一次全面而深入的了解。

? 第9 章中文自动分词：中文分词技术属于自然语言处理的技术范畴，中文分词是其他中文信息处理的基础，搜索引擎只是中文分词的一个应用。诸如机器翻译（MT）、语音合成、自动分类、自动摘要、自动校对，等等。

? 第10 章数据预处理：数据预处理的整个步骤流程在自然语言处理的工程中要比其在机器学习的工程中精简一些，最大的区别就在于数据清洗和特征构造这两个至关重要的过程。在自然语言处理中特征构造是否良好，很大程度上取决于所构造的特征数据集的数据特性与文本内容语义吻合程度的高低。比如，文本情感分类和文本内容分类都属于分类范畴，但对于同一种算法（参数都调整到最优），在两个不同分类的业务下，得到的结果可能会相差很大。通过仔细分析，我们不难发现造成这种差异的根本原因就是构造出来的特征数据集的数据模式没有很好地契合文本的真实语义，这也是自然语言处理的最大难点。

? 第11 章马尔可夫模型：笔者最早接触马尔可夫模型的定义源于吴军先生的《数学之美》一书，起初觉得深奥难懂且没什么用处。直到学习自然语言处理时，才真正使用到马尔可夫模型，并体会到此模型的奇妙之处。马尔可夫模型在处理序列分类时具有强大的功能，解决诸如词类标注、语音识别、句子切分、字素音位转换、局部句法剖析、语块分析、命名实体识别、信息抽取等问题。此外它还广泛应用于自然科学、工程技术、生物科技、公用事业、信道编码等多个领域。

? 第12 章条件随机场：条件随机场常用于序列标注、数据分割等自然语言处理任务中，此外在中文分词、中文人名识别和歧义消解等任务中也有应用。本书基于笔者在做语句识别序列标注过程中对条件随机场产生的了解。主要内容源于自然语言处理、机器学习、统计学习方法和部分网上资料对CRF 的相关介绍，最后由笔者进行大量研究整理后汇总成知识体系。本章首先介绍条件随机场的相关概念，然后结合实例以期让读者深入理解条件随机场的应用。

? 第13 章模型评估：本章源于基于HMM 模型序列标注的一个实验，在实验完成之后，迫切想知道采用的序列标注模型好坏，有哪些指标可以度量。于是就产生了对这一专题进度的学习总结，这样也便于其他人参考。本章依旧简明扼要地梳理出模型评估核心指标，以期达到实用的目的。

? 第14 章命名实体识别：命名实体识别在自然语言处理中占据着非常重要的地位，也是不可逾越的学术问题。命名实体识别的学术理论和研究方法众多，本章侧重整体介绍。首先阐述命名实体识别的背景知识和研究概况，介绍中文命名实体识别的特点与难点，辅以案例加深理解；然后对命名实体识别当前的研究方法和核心技术进行详细介绍；最后展望其在未来人工智能方面的发展前景。

? 第15 章自然语言处理实战：自然语言处理技术是理论与实践相结合的一门学科，通过前面基础理论知识的介绍，读者对其理论有所认识，但其究竟有何用、怎么用却不深刻。本章通过实例演练，一方面对前面几章的知识进行复习回顾，另一方面利于加深理解研发的相关工作。本章的第一个案例以GitHub 为例，实现数据提取和可视化；第二个案例以微博话题为例，实现数据采集、提取、存储与分析。

勘误

由于笔者能力有限，时间仓促，书中难免有错漏，欢迎读者批评指正。

联系方式：[email protected]。

目录
第1 章基础入门
1．1 什么是自然语言处理
1．1．1 自然语言处理概述
1．1．2 自然语言处理的发展历史
1．1．3 自然语言处理的工作原理
1．1．4 自然语言处理的应用前景
1．2 开发工具与环境
1．2．1 Sublime Text 和Anaconda 介绍
1．2．2 开发环境的安装与配置
1．3 实战：第一个小程序的诞生
1．3．1 实例介绍
1．3．2 源码实现
第2 章快速上手Python
2．1 初识Python 编程语言
2．1．1 Python 概述
2．1．2 Python 能做什么
2．1．3 Python 的语法和特点
2．2 Python 进阶
2．2．1 Hello World
2．2．2 语句和控制流
2．2．3 函数
2．2．4 List 列表
2．2．5 元组
2．2．6 set 集合
2．2．7 字典
2．2．8 面向对象编程：类
2．2．9 标准库
2．3 Python 深入――第三方库
2．3．1 Web 框架
2．3．2 科学计算
2．3．3 GUI
2．3．4 其他库
第3 章线性代数
3．1 线性代数介绍
3．2 向量
3．2．1 向量定义
3．2．2 向量表示
3．2．3 向量定理
3．2．4 向量运算
3．3 矩阵
3．3．1 矩阵定义
3．3．2 矩阵表示
3．3．3 矩阵运算
3．3．4 线性方程组
3．3．5 行列式
3．3．6 特征值和特征向量
3．4 距离计算
3．4．1 余弦距离
3．4．2 欧氏距离
3．4．3 曼哈顿距离
3．4．4 明可夫斯基距离
3．4．5 切比雪夫距离
3．4．6 杰卡德距离
3．4．7 汉明距离
3．4．8 标准化欧式距离
3．4．9 皮尔逊相关系数
第4 章概率论
4．1 概率论介绍
4．2 事件
4．2．1 随机试验
4．2．2 随机事件和样本空间
4．2．3 事件的计算
4．3 概率
4．4 概率公理
4．5 条件概率和全概率
4．5．1 条件概率
4．5．2 全概率
4．6 贝叶斯定理
4．7 信息论
4．7．1 信息论的基本概念
4．7．2 信息度量
第5 章统计学
5．1 图形可视化
5．1．1 饼图
5．1．2 条形图
5．1．3 热力图
5．1．4 折线图
5．1．5 箱线图
5．1．6 散点图
5．1．7 雷达图
5．1．8 仪表盘
5．1．9 可视化图表用法
5．2 数据度量标准
5．2．1 平均值
5．2．2 中位数
5．2．3 众数
5．2．4 期望
5．2．5 方差
5．2．6 标准差
5．2．7 标准分
5．3 概率分布
5．3．1 几何分布
5．3．2 二项分布
5．3．3 正态分布
5．3．4 泊松分布
5．4 统计假设检验
5．5 相关和回归
5．5．1 相关
5．5．2 回归
5．5．3 相关和回归的联系
第6 章语言学
6．1 语音
6．1．1 什么是语音
6．1．2 语音的三大属性
6．1．3 语音单位
6．1．4 记音符号
6．1．5 共时语流音变
6．2 词汇
6．2．1 什么是词汇
6．2．2 词汇单位
6．2．3 词的构造
6．2．4 词义及其分类
6．2．5 义项与义素
6．2．6 语义场
6．2．7 词汇的构成
6．3 语法
6．3．1 什么是语法
6．3．2 词类
6．3．3 短语
6．3．4 单句
6．3．5 复句
第7 章自然语言处理
7．1 自然语言处理的任务和限制
7．2 自然语言处理的主要技术范畴
7．2．1 语音合成
7．2．2 语音识别
7．2．3 中文自动分词
7．2．4 词性标注
7．2．5 句法分析
7．2．6 文本分类
7．2．7 文本挖掘
7．2．8 信息抽取
7．2．9 问答系统
7．2．10 机器翻译
7．2．11 文本情感分析
7．2．12 自动摘要
7．2．13 文字蕴涵
7．3 自然语言处理的难点
7．3．1 语言环境复杂
7．3．2 文本结构形式多样
7．3．3 边界识别限制
7．3．4 词义消歧
7．3．5 指代消解
7．4 自然语言处理展望
第8 章语料库
8．1 语料库浅谈
8．2 语料库深入
8．3 自然语言处理工具包：NLTK
8．3．1 NLTK 简介
8．3．2 安装NLTK
8．3．3 使用NLTK
8．3．4 在Python NLTK 下使用Stanford NLP
8．4 获取语料库
8．4．1 国内外著名语料库
8．4．2 网络数据获取
8．4．3 NLTK 获取语料库
8．5 综合案例：走进大秦帝国
8．5．1 数据采集和预处理
8．5．2 构建本地语料库
8．5．3 大秦帝国语料操作
第9 章中文自动分词
9．1 中文分词简介
9．2 中文分词的特点和难点
9．3 常见中文分词方法
9．4 典型中文分词工具
9．4．1 HanLP 中文分词
9．4．2 其他中文分词工具
9．5 结巴中文分词
9．5．1 基于Python 的结巴中文分词
9．5．2 结巴分词工具详解
9．5．3 结巴分词核心内容
9．5．4 结巴分词基本用法
第10 章数据预处理
10．1 数据清洗
10．2 分词处理
10．3 特征构造
10．4 特征降维与选择
10．4．1 特征降维
10．4．2 特征选择
10．5 简单实例
10．6 本章小结
第11 章马尔可夫模型
11．1 马尔可夫链
11．1．1 马尔可夫简介
11．1．2 马尔可夫链的基本概念
11．2 隐马尔可夫模型
11．2．1 形式化描述
11．2．2 数学形式描述
11．3 向前算法解决HMM 似然度
11．3．1 向前算法定义
11．3．2 向前算法原理
11．3．3 现实应用：预测成都天气的冷热
11．4 文本序列标注案例：Viterbi 算法

第12 章条件随机场
12．1 条件随机场介绍
12．2 简单易懂的条件随机场
12．2．1 CRF 的形式化表示
12．2．2 CRF 的公式化表示
12．2．3 深度理解条件随机场
第13 章模型评估
13．1 从统计角度介绍模型概念
13．1．1 算法模型
13．1．2 模型评估和模型选择
13．1．3 过拟合与欠拟合的模型选择
13．2 模型评估与选择
13．2．1 模型评估的概念
13．2．2 模型评估的评测指标
13．2．3 以词性标注为例分析模型评估
13．2．4 模型评估的几种方法
13．3 ROC 曲线比较学习器模型
第14 章命名实体识别
14．1 命名实体识别概述
14．2 命名实体识别的特点与难点
14．3 命名实体识别方法
14．4 中文命名实体识别的核心技术
14．5 展望
第15 章自然语言处理实战
15．1 GitHub 数据提取与可视化分析
15．1．1 了解GitHub 的API
15．1．2 使用NetworkX 作图
15．1．3 使用NetworkX 构建兴趣图
15．1．4 NetWorkX 部分统计指标
15．1．5 构建GitHub 的兴趣图
15．1．6 可视化
15．2 微博话题爬取与存储分析
15．2．1 数据采集
15．2．2 数据提取
15．2．3 数据存储
15．2．4 项目运行与分析
附录A Python 与其他语言调用
附录B Git 项目上传简易教程
参考文献