Python自然语言处理实战 pdf下载

近年来，基于深度学习的人工智能掀起了学习热潮。Python是广泛使用的自然语言处理(NLP)语言。本书从NLP的概述开始，介绍了将文本分成句子、词干提取和词形还原、删除停用词和词性标注的方法，以帮助您准备数据。然后，您将学习提取和表示语法信息的方法，例如依存分析和指代消解，发现使用词袋、TF-IDF、词嵌入和BERT表示语义的不同方法，并使用关键字、SVM、LSTM和其他技术开发文本分类技能。随着学习的深入，您还将了解如何从文本中提取信息、实施无监督和有监督的主题建模技术，以及对短文本（如推文）进行主题建模。此外，本书还向您展示了如何使用NLTK和Rasa开发聊天机器人并可视化文本数据。
读完这本NLP书籍，您将掌握使用一组强大的工具进行文本处理工具的技能。可以说，本书是深度学习和自然语言处理的入门教程，同时也读者登堂入室，进入机会与挑战并存的人工智能领域。
这本NLP书籍适于AI工程师、机器学习工程师、数据科学家和深度学习爱好者阅读。

目录
译者序
原书前言
第1章学习NLP基础知识
1.1技术要求
1.2将文本分成句子
1.3将句子切分成单词——分词
1.4词性标注
1.5词干提取
1.6组合相似词——词形还原
1.7删除停用词
第2章玩转语法
2.1技术要求
2.2计数名词——复数名词和单数名词
2.3获取依存句法
2.4将句子拆分为从句
2.5提取名词块
2.6提取实体和关系
2.7提取句子的主语和宾语
2.8寻找引用——指代消解
第3章表示文本——捕获语义
3.1技术要求
3.2将文档放入词袋中
3.3构建n-gram模型
3.4用TF-IDF表示文本
3.5使用词嵌入
3.6训练您自己的嵌入模型
3.7表示短语——phrase2vec
3.8使用BERT代替词嵌入
3.9语义搜索入门
第4章文本分类
4.1技术要求
4.2准备好数据集和评估基准
4.3使用关键词执行基于规则的文本分类
4.4使用K-means聚类句子——无监督文本分类
4.5使用SVM进行有监督的文本分类
4.6使用LSTM进行有监督的文本分类
第5章信息提取入门
5.1技术要求
5.2使用正则表达式
5.3寻找相似的字符串：Levenshtein距离
5.4使用spaCy执行命名体识别
5.5用spaCy训练您自己的NER模型
5.6发现情感分析
5.7使用LSTM的短文本情感分析：Twitter
5.8使用BERT进行情感分析
第6章主题建模
6.1技术要求
6.2使用sklearn进行LDA主题建模
6.3使用gensim进行LDA主题建模
6.4NMF主题建模
6.5使用BERT进行K-means主题建模
6.6短文本主题建模
第7章构建聊天机器人
7.1技术要求
7.2使用关键字匹配构建一个基本的聊天机器人
7.3构建一个基本的Rasa聊天机器人
7.4使用Rasa创建问答对
7.5使用Rasa创建和可视化对话路径
7.6为Rasa聊天机器人创建操作
第8章可视化文本数据
8.1技术要求
8.2可视化依存句法
8.3可视化词性
8.4可视化NER
8.5构建词云
8.6可视化主题
附录
附录AspaCy词性标签列表
附录BNLTK词性标签列表
附录C停用词列表
附录DspaCy命名实体标签

前 言
Python是自然语言处理(NLP)中使用最广泛的语言，这要归功于其用于分析文本和提取计算机可用数据的广泛工具和库。本书将带您了解一系列文本处理技术，从词性标注等基础知识，到主题建模、文本分类和可视化等复杂主题。
这本书从NLP的概述开始，介绍了将文本分成句子、词干提取和词形还原、删除停用词和词性标注的方法，以帮助您准备数据。然后，您将了解提取和表示语法信息的方法，例如依存分析和指代消解，发现使用词袋、TF-IDF、词嵌入和BERT表示语义的不同方法，并使用关键词、SVM、LSTM和其他技术开发文本分类技能。随着学习的深入，您还将了解如何从文本中提取信息、实施无监督和有监督的主题建模技术，以及对短文本（如推文）进行主题建模。此外，本书还介绍了使用NLTK和Rasa开发聊天机器人，以及可视化文本数据。
读完这本NLP书，您将掌握使用一套强大的工具进行文本处理的技能。
 这本书是给谁看的
本书适于想要学习如何使用文本的数据科学家和专业人士阅读。Python的中级知识将帮助您充分利用本书。如果您是NLP从业者，本书可作为您项目工作时的代码参考。
 这本书涵盖的内容
第1章，学习NLP基础知识，属于概要性章节，介绍了处理文本的基本预处理步骤。它包括诸如将文本分成句子、词干提取和词形还原、删除停用词和词性标注等方法。您将了解用于词性标注的不同方法，以及用于删除停用词的两个选项。
第2章，玩转语法，将展示如何获取和使用有关文本的语法信息。我们将创建一个依存分析器，然后使用它将一个句子拆分为子句。我们还将使用依存分析和名词块来提取文本中的实体和关系。某些专题将展示如何提取英语和西班牙语的语法信息。
第3章，表示文本——捕获语义，介绍了如何处理单词和语义，因为对人来说使用单词和语义很容易，但对计算机而言却很困难，因此我们需要以单词以外的方式表示文本，以便计算机能够处理文本。本章介绍了表示文本的不同方式，从简单的词袋到BERT。本章还讨论了使用这些语义表示的语义搜索的基本实现。
第4章，文本分类，这是NLP中最重要的技术之一。它在许多不同行业中用于不同类型的文本，例如推文、长文档和句子。在本章中，您将学习如何使用各种技术和工具（包括K-Means、SVM和LSTM）进行有监督和无监督的文本分类。
第5章，信息提取入门，讨论NLP的主要目标之一是从文本中提取信息以便后续使用。本章展示了从文本中提取信息的不同方法，从用最简单的正则表达式技术来查找电子邮件和URL，到用神经网络工具来提取情绪。
第6章，主题建模，讨论了确定文本的主题是一个重要的NLP工具，它可以帮助文本分类和发现文本中的新主题。本章介绍了不同的主题建模技术，包括无监督和有监督的技术，以及短文本（如推文）的主题建模。
第7章，构建聊天机器人，介绍聊天机器人，它是过去几年出现的重要营销工具。在本章中，您将学习如何使用两种不同的框架构建聊天机器人，其中NLTK用于关键词匹配聊天机器人，Rasa用于具有深度学习模型的复杂聊天机器人。
第8章，可视化文本数据，讨论了可视化不同NLP分析的结果如何成为一个非常有用的演示和评估工具。本章向您介绍不同NLP工具的可视化技术，包括NER、主题建模和词云。
 为了充分利用这本书
您需要在系统上安装Python 3。我们建议使用pip安装本书中讨论的Python库。书中的代码片段提到了在Windows操作系统上安装给定库的相关命令。
书中涉及的软件/硬件操作系统要求Python 3.x, Anaconda, Jupyter NotebookWindows/macOS/Linux
如果您使用本书的数字版本，我们建议您自己输入代码或通过GitHub存储库访问代码（下一节提供链接）。这样做将帮助您避免与复制和粘贴代码相关的任何潜在错误。
 下载示例代码文件
您可以从GitHub下载本书的示例代码文件，网址为https://github.com/PacktPublishing/Python-Natural-Language-Processing-Cookbook。如果代码有更新，它将在现有的GitHub存储库中更新。
我们还有来自丰富的书籍和视频目录的其他代码包，可在https://github.com/PacktPublishing/获得。去看一下！
 下载彩色图像
我们还提供了一个PDF文件，其中包含本书中使用的屏幕截图/图表的彩色图像。您可以在此处下载：https://static.packt-cdn.com/downloads/9781838987312_ColorImages.pdf。
 使用的约定
本书通篇使用了许多文本约定。
文本中的代码：表示文本中的代码单词、数据库表格名称、文件夹名称、文件名、文件扩展名、路径名、虚拟URL、用户输入和Twitter句柄。下面是一个例子：“对于这个专题，我们只需要书的开头，可以在sherlock_holmes_1.txt文件中找到。”
一段代码设置如下：
当我们希望引起您对代码块的特定部分的注意时，相关的行或项目以粗体显示：
任何命令行输入或输出的写法如下：
粗体：表示新词、重要词或您在屏幕上看到的词。例如，菜单或对话框中的单词出现在文本中是这样的。下面是一个例子：“它显示了词汇表中的三个单词，它们是seen、of和Holmes。”
提示或重要说明像这样出现。
 小节
在本书中