智能问答 【正版】 下载 网盘 txt 地址 rtf kindle docx pdf

本书分为三部分，共8章。

第一部分为概论，介绍问答系统的历史沿革、方法分类和全新进展。

第二部分主要讲述问答系统的两类构建方法。第一类方法基于语义分析，该类方法首先将自然语言问题显式地转化为基于知识库的结构化查询命令，进而对知识库进行查找并获取最终答案；第二类方法基于信息检索，该类方法首先对自然语言问题进行浅层和局部的语义分析，并根据分析结果从知识库中过滤出少量答案候选，进而使用机器学习算法对答案候选进行排序并获取最终答案。

第三部分介绍目前在问答领域广为使用的基准数据集和评测任务，综合地比较和分析多种典型问答系统在基准数据集上的性能，并指出目前方法中存在的主要问题和以及未来的研究方向。

本书可作为从事或希望从事“问答系统”研发工作的学生和工程师的自学教材，将配套丰富的开源代码和案例视频，使读者学完本书就能上手做项目。

第1章 概述

1.1 历史沿革

1.1.1 受限领域问答

1.1.2 开放领域问答

1.2 任务分类

1.2.1 知识图谱问答

1.2.2 表格问答

1.2.3 文本问答

1.2.4 社区问答

1.3 问答评测

1.3.1 知识图谱问答

1.3.2 表格问答

1.3.3 文本问答

1.3.4 社区问答

1.4 本章总结

参考文献

第2章 机器学习基础

2.1 统计学习

2.1.1 朴素贝叶斯

2.1.2 最大熵

2.1.3 支持向量机

2.2 深度学习

2.2.1 神经网络

2.2.2 词向量

2.2.3 卷积神经网络

2.2.4 递归神经网络

2.3 本章总结

参考文献

第3章 实体链接

3.1 候选实体生成

3.1.1 词典匹配方法

3.1.2 统计学习方法

3.2 候选实体排序

3.2.1 监督学习方法

3.2.2 无监督学习方法

3.3 无链接提及预测

3.4 本章总结

参考文献

第4章 关系分类

4.1 模板匹配方法

4.2 监督学习方法

4.2.1 基于特征的方法

4.2.2 基于核函数的方法

4.2.3 深度学习方法

4.3 半监督学习方法

4.3.1 基于自举的方法

4.3.2 基于远监督的方法

4.4 本章总结

参考文献

第5章 知识图谱问答

5.1 知识图谱和语义表示

5.1.1 知识图谱

5.1.2 语义表示

5.2 基于语义分析的方法

5.2.1 基于CCG的语义分析

5.2.2 基于SCFG的语义分析

5.2.3 基于DCS的语义分析

5.2.4 基于NMT的语义分析

5.3 基于答案排序的方法

5.3.1 基于特征的答案排序

5.3.2 基于问题生成的答案排序

5.3.3 基于子图匹配的答案排序

5.3.4 基于向量表示的答案排序

5.3.5 基于记忆网络的答案排序

5.4 本章总结

参考文献

第6章 表格问答

6.1 表格检索

6.2 答案生成

6.2.1 基于答案排序的方法

6.2.2 基于语义分析的方法

6.2.3 基于神经网络的方法

6.3 本章总结

参考文献

第7章 文本问答

7.1 文本问答整体框架

7.2 答案句子选择

7.2.1 基于特征的方法

7.2.2 基于深度学习的方法

7.3 机器阅读理解

7.3.1 Match-LSTM+Answer-Pointer

7.3.2 DCN

7.3.3 BiDAF

7.3.4 DrQA

7.3.5 ReasoNet

7.3.6 AoA

7.3.7 r-Net

7.4 本章总结

参考文献

第8章 社区问答

8.1 问题匹配

8.1.1 基于特征的方法

8.1.2 基于深度学习的方法

8.2 问题改写

8.2.1 基于统计的方法

8.2.2 基于深度学习的方法

8.3 本章总结

参考文献

第9章 问题生成

9.1 基于统计的方法

9.2 基于深度学习的方法

9.3 问题生成和智能问答的交互

9.4 本章总结

参考文献

第10章 总结

附录 常见问题与答案

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：智能问答 【正版】在线阅读

在线听书地址：智能问答 【正版】在线收听

在线购买地址：智能问答 【正版】在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

智能问答

书籍介绍

本书分为三部分，共8章。

第一部分为概论，介绍问答系统的历史沿革、方法分类和全新进展。

第二部分主要讲述问答系统的两类构建方法。第一类方法基于语义分析，该类方法首先将自然语言问题显式地转化为基于知识库的结构化查询命令，进而对知识库进行查找并获取最终答案；第二类方法基于信息检索，该类方法首先对自然语言问题进行浅层和局部的语义分析，并根据分析结果从知识库中过滤出少量答案候选，进而使用机器学习算法对答案候选进行排序并获取最终答案。

第三部分介绍目前在问答领域广为使用的基准数据集和评测任务，综合地比较和分析多种典型问答系统在基准数据集上的性能，并指出目前方法中存在的主要问题和以及未来的研究方向。

本书可作为从事或希望从事“问答系统”研发工作的学生和工程师的自学教材，将配套丰富的开源代码和案例视频，使读者学完本书就能上手做项目。