【Manning新书】自然语言处理入门

来源：专知本文为书籍介绍，建议阅读5分钟这本书可以通过一系列的实际应用作为一个全面的指南。

我写这本书的主要目的是帮助你了解NLP领域是多么令人兴奋，在这个领域工作的可能性是多么无限，以及现在的门槛是多么低。我的目标是帮助你轻松开始在这个领域，并向你展示你可以在几天内实现多么广泛的不同的应用，即使你以前从未在这个领域工作过。这本书可以通过一系列的实际应用作为一个全面的指南，如果你只对一些实际任务感兴趣，也可以作为参考书。到你读完这本书的时候，你就已经学会了：

https://www.manning.com/books/getting-started-with-natural-language-processing#:~:text=about%20the%20book,user%20profiling%2C%20and%20much%20more.

• 了解基本的NLP任务，并能够在实际场景中识别遇到的任何特定任务。我们将涵盖诸如情感分析、文本分类、信息搜索等流行任务。
• 一整套的NLP算法和技术，包括词干提取、词形还原、词性标注等。您将学习如何将一系列实用方法应用于文本，例如向量化、特征提取、有监督和无监督机器学习等。
• 组织NLP项目的能力，以及对实际项目中需要涉及哪些步骤的理解。
• 全面了解关键的自然语言处理，以及机器学习，术语。
• 对自然语言处理可用资源和工具的全面知识。

本书的前两章向您介绍了自然语言处理领域和各种可用的NLP应用。它们还向您展示了如何用最少的NLP专业知识和技能构建自己的小型应用。如果你有兴趣在这个领域有一个快速的开始，我建议阅读这两章。后续的每一章都更深入地研究特定的NLP应用，因此，如果您对任何这样的特定应用感兴趣，您可以只关注特定的一章。如果你想全面了解这个领域、技术和应用，我建议你从头到尾阅读这本书:

• 第1章介绍NLP领域及其各种任务和应用。它还简要概述了该领域的历史，并展示了NLP应用如何在我们的日常生活中使用。
• 第2章解释了如何从头开始构建自己的实际NLP应用程序(垃圾邮件过滤)，带您完成应用程序管道中的所有基本步骤。与此同时，本文介绍了一些基本的NLP技术，包括分词和文本规范化，并展示了如何通过流行的NLTK工具包在实践中使用它们。
• 第3章主要讨论信息检索任务。它介绍了几个关键的NLP技术，如词干提取和停用词删除，并展示了如何实现自己的信息检索算法。它还解释了如何对这种算法进行评估。
• 第4章探讨了信息提取并进一步介绍了一些基本技术，如词性标记、词元化和依赖分析。此外，还展示了如何使用另一个流行的NLP工具包spacacy构建信息提取应用程序。
• 第5章展示了如何实现您自己的作者(或用户)分析算法，在NLTK和space中提供了进一步的示例和实践。此外，本文将该任务作为一个文本分类问题来呈现，并展示了如何使用流行的机器学习库scikit-learn实现一个机器学习分类器。
• 第6章继续第5章开始的作者(用户)分析主题。它深入研究了语言特征工程的任务，这是任何自然语言处理项目中必不可少的一步。它展示了如何使用NLTK和space执行语言特征工程，以及如何评估文本分类算法的结果。
• 第7章开始了情绪分析的主题，这是一个非常流行的NLP任务。它对任务应用了基于词典的方法。情感分析器是使用带有空间的语言管道构建的。
• 第8章继续情感分析，但与第7章不同的是，它采用了数据驱动的方法来完成这项任务。使用scikit-learn应用了几种机器学习技术，并通过使用空间和NLTK语言资源引入了进一步的语言概念。
• 第9章概述了主题分类的任务。与前面的文本分类任务相比，它是一个多类分类问题，因此本章讨论了这个任务的复杂性，并展示了如何使用scikit-learn实现一个主题分类器。此外，本文还采用了无监督机器学习的视角，并展示了如何将此任务作为聚类问题处理。
• 第10章介绍了潜在狄利克雷分配(LDA)的主题建模任务。此外，本文还介绍了一个名为gensim的流行工具包，它特别适合使用主题建模算法。本文讨论了LDA方法的动机、实现细节和结果评估的技术。
• 第11章以另一个称为名称实体识别(NER)的关键NLP任务结束本书。在介绍该任务的同时，本章还介绍了广泛用于NLP任务的一系列功能强大的序列标记方法，并展示了NER如何集成到进一步的下游NLP应用程序中。