深度學(xué)習(xí)在自然語言處理中的應(yīng)用：從詞表征到ChatGPT

前言 iii
第 1章 緒論 1
1.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1.1 機(jī)器學(xué)習(xí)的發(fā)展歷程 1
1.1.2 機(jī)器學(xué)習(xí)的算法分類 4
1.2 深度學(xué)習(xí)簡(jiǎn)介 5
1.3 自然語言處理簡(jiǎn)介 7
1.3.1 自然語言處理的發(fā)展歷程 7
1.3.2 自然語言處理的研究方向 8
1.3.3 自然語言理解的主要任務(wù) 8
1.3.4 自然語言生成的任務(wù) 14
1.3.5 自然語言處理面臨的挑戰(zhàn) 15
1.4 自然語言處理與機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 16
第 2章 深度學(xué)習(xí)基礎(chǔ) 17
2.1 前饋神經(jīng)網(wǎng)絡(luò) 17
2.2 卷積神經(jīng)網(wǎng)絡(luò) 20
2.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 24
2.4 長(zhǎng)短期記憶網(wǎng)絡(luò) 26
2.5 記憶網(wǎng)絡(luò)和神經(jīng)圖靈機(jī) 28
2.6 圖神經(jīng)網(wǎng)絡(luò) 30
2.7 深度生成模型 33
2.7.1 自編碼器和變分自編碼器 34
2.7.2 生成對(duì)抗網(wǎng)絡(luò) 39
2.8 Transformer 39
2.8.1 Transformer的編碼模塊 41
2.8.2 Transformer的解碼模塊 42
第3章 詞表征 44
3.1 語言模型 45
3.2 基于矩陣的詞分布表征模型 46
3.2.1 潛在語義分析 46
3.2.2 GloVe 47
3.3 基于聚類的詞分布表征模型 48
3.4 基于神經(jīng)網(wǎng)絡(luò)的詞分布表征模型 49
3.4.1 NNLM 50
3.4.2 RNNLM 52
3.4.3 Collobert-Weston模型 53
3.4.4 Word2Vec 54
3.4.5 ELMo 58
3.4.6 ULMFit 60
3.4.7 GPT 61
3.4.8 BERT 62
3.4.9 T5 64
3.5 跨語言的詞嵌入模型 64
3.5.1 基于詞對(duì)齊 65
3.5.2 基于預(yù)訓(xùn)練的方法 66
3.6 其他表征 67
第4章 注意力機(jī)制 69
4.1 注意力機(jī)制的由來 69
4.2 注意力機(jī)制的擴(kuò)展 72
4.2.1 全局注意力和局部注意力 72
4.2.2 自注意力 75
4.3 NTM和MemNN的注意力機(jī)制 77
4.3.1 NTM的注意力機(jī)制 78
4.3.2 MemN2N的注意力機(jī)制 79
4.4 指針網(wǎng)絡(luò)的注意力機(jī)制 81
第5章 遷移學(xué)習(xí) 83
5.1 遷移學(xué)習(xí)的定義和分類 83
5.2 領(lǐng)域自適應(yīng) 86
5.2.1 基于樣本的遷移學(xué)習(xí) 86
5.2.2 基于特征映射的遷移學(xué)習(xí) 88
5.2.3 基于對(duì)抗的深度遷移學(xué)習(xí) 91
5.3 多任務(wù)學(xué)習(xí) 91
5.4 序列遷移學(xué)習(xí) 94
5.4.1 預(yù)訓(xùn)練語言模型 95
5.4.2 微調(diào) 95
5.5 跨語言的遷移學(xué)習(xí) 97
第6章 強(qiáng)化學(xué)習(xí) 98
6.1 強(qiáng)化學(xué)習(xí)的定義 99
6.1.1 馬爾可夫決策過程 99
6.1.2 強(qiáng)化學(xué)習(xí)的模型 100
6.1.3 智能體的策略 101
6.1.4 價(jià)值函數(shù) 101
6.2 貝爾曼方程 103
6.3 強(qiáng)化學(xué)習(xí)的分類 104
6.3.1 有模型學(xué)習(xí) 105
6.3.2 免模型學(xué)習(xí) 107
6.3.3 基于值函數(shù)和基于策略函數(shù)的學(xué)習(xí) 112
6.4 深度強(qiáng)化學(xué)習(xí) 115
6.5 深度強(qiáng)化學(xué)習(xí)在NLP中的應(yīng)用 116
第7章 機(jī)器翻譯 117
7.1 機(jī)器翻譯的發(fā)展歷程 117
7.2 神經(jīng)機(jī)器翻譯 118
7.3 基于RNN的Seq2Seq模型 120
7.4 基于CNN的Seq2Seq模型 124
7.5 神經(jīng)機(jī)器翻譯的策略 126
7.5.1 解碼策略 126
7.5.2 估計(jì)softmax函數(shù)計(jì)算 127
7.5.3 縮小詞典 127
7.5.4 處理生僻詞和未知詞 128
7.6 機(jī)器翻譯的評(píng)價(jià)方法 129
7.6.1 人工評(píng)價(jià) 130
7.6.2 下游系統(tǒng)評(píng)價(jià) 130
7.6.3 BLEU 130
第8章 文本摘要 132
8.1 抽取式摘要 132
8.1.1 傳統(tǒng)機(jī)器學(xué)習(xí)方法 133
8.1.2 深度學(xué)習(xí)方法 135
8.2 生成式摘要 136
8.2.1 傳統(tǒng)機(jī)器學(xué)習(xí)方法 137
8.2.2 深度學(xué)習(xí)方法 137
8.3 文本摘要的評(píng)價(jià) 139
第9章 自動(dòng)問答 140
9.1 基于檢索的自動(dòng)問答 140
9.1.1 文本檢索模塊 141
9.1.2 文本理解模塊 143
9.2 基于知識(shí)庫(kù)的自動(dòng)問答 146
9.3 基于社區(qū)的自動(dòng)問答 148
9.3.1 專家推薦 148
9.3.2 相似問題檢索 149
9.3.3 答案質(zhì)量評(píng)估 149
9.4 深度自動(dòng)問答系統(tǒng) 150
9.4.1 抽取式機(jī)器閱讀理解 150
9.4.2 生成式機(jī)器閱讀理解 151
9.5 自動(dòng)問答系統(tǒng)的評(píng)價(jià) 151
第 10章 對(duì)話系統(tǒng) 153
10.1 面向任務(wù)的對(duì)話系統(tǒng) 154
10.1.1 自然語言理解 155
10.1.2 對(duì)話管理 155
10.1.3 自然語言生成 157
10.2 開放域?qū)υ捪到y(tǒng) 158
10.2.1 檢索式方法 159
10.2.2 生成式方法 159
10.2.3 混合方法 160
10.2.4 開放域?qū)υ捪到y(tǒng)的關(guān)鍵問題 160
10.3 對(duì)話系統(tǒng)的評(píng)測(cè) 162
第 11章 情感分析 164
11.1 情感分析的分類 165
11.1.1 文檔級(jí)情感分析 166
11.1.2 句子級(jí)情感分析 167
11.1.3 方面級(jí)情感分析 168
11.1.4 監(jiān)督學(xué)習(xí)和基于詞典的方法比較 169
11.2 方面和實(shí)體提取 170
11.2.1 挖掘頻繁出現(xiàn)的名詞短語 170
11.2.2 利用情感詞與目標(biāo)詞之間的語法關(guān)系 170
11.2.3 應(yīng)用監(jiān)督學(xué)習(xí)模型 171
11.2.4 使用主題模型 171
11.3 情感詞典 172
11.3.1 基于詞典的方法 172
11.3.2 基于語料庫(kù)的方法 172
11.4 多模態(tài)情感分析 173
第 12章 ChatGPT 174
12.1 大型語言模型 174
12.1.1 語言模型的演化 175
12.1.2 大型語言模型的訓(xùn)練 176
12.1.3 語境學(xué)習(xí) 176
12.1.4 提示工程 177
12.2 基于人工反饋的強(qiáng)化學(xué)習(xí)方法 179
12.3 生成ChatGPT 180
12.3.1 步驟1：微調(diào)GPT-3.5 180
12.3.2 步驟2：訓(xùn)練獎(jiǎng)勵(lì)模型 180
12.3.3 步驟3：利用強(qiáng)化學(xué)習(xí)微調(diào)ChatGPT 181
12.4 ChatGPT的發(fā)展 181
參考文獻(xiàn) 183