大數(shù)據(jù)智能：互聯(lián)網(wǎng)時代的機(jī)器學(xué)習(xí)和自然語言處理技術(shù)

第1 章 深度學(xué)習(xí)——機(jī)器大腦的結(jié)構(gòu) 1
1.1 概述 3
1.1.1 可以做酸奶的面包機(jī)——通用機(jī)器的概念 3
1.1.2 連接主義 5
1.1.3 用機(jī)器設(shè)計機(jī)器 6
1.1.4 深度網(wǎng)絡(luò) 6
1.1.5 深度學(xué)習(xí)的用武之地 7
1.2 從人腦神經(jīng)元到人工神經(jīng)元 8
1.2.1 生物神經(jīng)元中的計算靈感 8
1.2.2 激活函數(shù) 9
1.3 參數(shù)學(xué)習(xí) 10
1.3.1 模型的評價 11
1.3.2 有監(jiān)督學(xué)習(xí) 11
1.3.3 梯度下降法 12
1.4 多層前饋網(wǎng)絡(luò) 13
1.4.1 多層前饋網(wǎng)絡(luò) 14
1.4.2 后向傳播算法計算梯度 16
1.5 逐層預(yù)訓(xùn)練 17
1.6 深度學(xué)習(xí)是終極神器嗎 19
1.6.1 深度學(xué)習(xí)帶來了什么 19
1.6.2 深度學(xué)習(xí)尚未做到什么 20
1.7 內(nèi)容回顧與推薦閱讀 21
XII 目 錄
1.8 參考文獻(xiàn) 21
第2 章 知識圖譜——機(jī)器大腦中的知識庫 23
2.1 什么是知識圖譜 25
2.2 知識圖譜的構(gòu)建 27
2.2.1 大規(guī)模知識庫 27
2.2.2 互聯(lián)網(wǎng)鏈接數(shù)據(jù) 28
2.2.3 互聯(lián)網(wǎng)網(wǎng)頁文本數(shù)據(jù) 29
2.2.4 多數(shù)據(jù)源的知識融合 29
2.3 知識圖譜的典型應(yīng)用 30
2.3.1 查詢理解（Query Understanding） 30
2.3.2 自動問答（Question Answering） 32
2.3.3 文檔表示（Document Representation） 33
2.4 知識圖譜的主要技術(shù) 34
2.4.1 實體鏈指（Entity Linking） 34
2.4.2 關(guān)系抽取（Relation Extraction） 35
2.4.3 知識推理（Knowledge Reasoning） 37
2.4.4 知識表示（Knowledge Representation） 38
2.5 前景與挑戰(zhàn) 39
2.6 內(nèi)容回顧與推薦閱讀 40
2.7 參考文獻(xiàn) 41
第3 章 大數(shù)據(jù)系統(tǒng)——大數(shù)據(jù)背后的支撐技術(shù) 43
3.1 概述 45
3.2 高性能計算技術(shù) 46
3.2.1 超級計算機(jī)的組成 47
3.2.2 并行計算的系統(tǒng)支持 48
3.3 虛擬化和云計算技術(shù) 52
3.3.1 虛擬化技術(shù) 52
目 錄 XIII
3.3.2 云計算服務(wù) 54
3.4 基于分布式計算的大數(shù)據(jù)系統(tǒng) 55
3.4.1 Hadoop 生態(tài)系統(tǒng) 55
3.4.2 Spark 61
3.4.3 典型的大數(shù)據(jù)基礎(chǔ)架構(gòu) 63
3.5 大規(guī)模圖計算 63
3.5.1 分布式圖計算框架 64
3.5.2 高效的單機(jī)圖計算框架 65
3.6 NoSQL 66
3.6.1 MongoDB 簡介 67
3.7 內(nèi)容回顧與推薦閱讀 69
3.8 參考文獻(xiàn) 70
第4 章 智能問答——智能助手是如何煉成的 71
4.1 概述 73
4.2 問答系統(tǒng)的主要組成 77
4.3 文本問答系統(tǒng) 78
4.3.1 問題理解 78
4.3.2 知識檢索 81
4.3.3 答案生成 83
4.4 社區(qū)問答系統(tǒng) 84
4.4.1 社區(qū)問答系統(tǒng)的結(jié)構(gòu) 85
4.4.2 相似問題檢索 86
4.4.3 答案過濾 86
4.5 多媒體問答系統(tǒng) 87
4.6 大型問答系統(tǒng)案例：IBM 沃森問答系統(tǒng) 89
4.6.1 沃森的總體結(jié)構(gòu) 89
4.6.2 問題解析 90
4.6.3 知識儲備 90
XIV 目 錄
4.6.4 檢索和候選答案生成 91
4.6.5 可信答案確定 92
4.7 內(nèi)容回顧與推薦閱讀 93
4.8 參考文獻(xiàn) 94
第5 章 主題模型——機(jī)器的智能摘要利器 97
5.1 概述 99
5.2 主題模型出現(xiàn)的背景 100
5.3 **個主題模型潛在語義分析 102
5.4 **個正式的概率主題模型 104
5.5 **個正式的貝葉斯主題模型 105
5.6 LDA 的概要介紹 106
5.6.1 LDA 的延伸理解——主題模型廣義理解 109
5.6.2 模型求解 111
5.6.3 模型評估 112
5.6.4 模型選擇：主題數(shù)目的確定 113
5.7 主題模型的變形與應(yīng)用 114
5.7.1 基于LDA 的模型變種 114
5.7.2 基于LDA 的典型應(yīng)用 115
5.7.3 一個基于主題模型的新浪名人話題排行榜應(yīng)用 118
5.8 內(nèi)容回顧與推薦閱讀 122
5.9 參考文獻(xiàn) 123
第6 章 個性化推薦系統(tǒng)——如何了解電腦背后的TA 129
6.1 概述 131
6.1.1 推薦系統(tǒng)的發(fā)展歷史 132
6.1.2 推薦無處不在 133
6.1.3 從千人一面到千人千面 133
6.2 個性化推薦的基本問題 134
6.2.1 推薦系統(tǒng)的輸入 135
目 錄 XV
6.2.2 推薦系統(tǒng)的輸出 137
6.2.3 個性化推薦的形式化 137
6.2.4 推薦系統(tǒng)的三大核心問題 138
6.3 典型推薦算法淺析 139
6.3.1 推薦算法的分類 139
6.3.2 典型推薦算法介紹 140
6.3.3 基于矩陣分解的打分預(yù)測 146
6.3.4 推薦的可解釋性 151
6.3.5 推薦算法的評價 153
6.3.6 我們走了多遠(yuǎn) 156
6.4 參考文獻(xiàn) 160
第7 章 情感分析與意見挖掘——計算機(jī)如何了解人類情感 165
7.1 概述 167
7.2 情感分析的主要研究問題 172
7.3 情感分析的主要方法 175
7.3.1 構(gòu)成情感和觀點的基本元素 175
7.3.2 情感極性與情感詞典 177
7.3.3 屬性－觀點對 182
7.3.4 情感分析 184
7.4 主要的情感詞典資源 188
7.5 內(nèi)容回顧與推薦閱讀 189
7.6 參考文獻(xiàn) 190
第8 章 面向社會媒體大數(shù)據(jù)的語言使用分析及應(yīng)用 195
8.1 概述 197
8.2 面向社會媒體的自然語言使用分析 197
8.2.1 詞匯的時空傳播與演化 198
8.2.2 語言使用與個體差異 200
XVI 目 錄
8.2.3 語言使用與社會地位 202
8.2.4 語言使用與群體分析 203
8.3 面向社會媒體的自然語言分析應(yīng)用 206
8.3.1 社會預(yù)測 206
8.3.2 霸凌現(xiàn)象定量分析 207
8.4 未來研究的挑戰(zhàn)與展望 208
8.5 參考文獻(xiàn) 209
后 記 214
國際學(xué)術(shù)組織、學(xué)術(shù)會議與學(xué)術(shù)論文 214
國內(nèi)學(xué)術(shù)組織、學(xué)術(shù)會議與學(xué)術(shù)論文 216
如何快速了解某個領(lǐng)域的研究進(jìn)展 217