序一
序二
前言
第一篇　基礎篇
第1章　機器閱讀理解與關鍵支撐技術 2
1.1　機器閱讀理解任務 2
1.1.1　機器閱讀理解模型 3
1.1.2　機器閱讀理解的應用 4
1.2　自然語言處理 5
1.2.1　研究現狀 5
1.2.2　仍需解決的問題 6
1.3　深度學習 7
1.3.1　深度學習的特點 7
1.3.2　深度學習的成果 10
1.4　機器閱讀理解任務的測評方式 11
1.4.1　機器閱讀理解的答案形式 11
1.4.2　自由迴答式答案評分標準ROUGE 12
1.5　機器閱讀理解數據集 14
1.5.1　單段落式數據集 14
1.5.2　多段落式數據集 19
1.5.3　文本庫式數據集 22
1.6　機器閱讀理解數據的生成 23
1.6.1　數據集的生成 23
1.6.2　標準答案的生成 24
1.6.3　如何設計高質量的數據集 26
1.7　本章小結 30
第2章　自然語言處理基礎 31
2.1　文本分詞 31
2.1.1　中文分詞 32
2.1.2　英文分詞 33
2.1.3　字節對編碼BPE 35
2.2　語言處理的基石：詞嚮量 37
2.2.1　詞的嚮量化 37
2.2.2　Word2vec詞嚮量 39
2.3　命名實體和詞性標注 42
2.3.1　命名實體識彆 42
2.3.2　詞性標注 44
2.4　語言模型 48
2.4.1　N元模型 49
2.4.2　語言模型的評測 52
2.5　本章小結 53
第3章　自然語言處理中的深度學習 54
3.1　從詞嚮量到文本嚮量 54
3.1.1　利用RNN的最終狀態 55
3.1.2　利用CNN和池化 55
3.1.3　利用含參加權和 58
3.2　讓計算機做選擇題：自然語言理解 59
3.2.1　網絡模型 59
3.2.2　實戰：文本分類 60
3.3　讓計算機寫文章：自然語言生成 62
3.3.1　網絡模型 62
3.3.2　實戰：生成文本 63
3.3.3　集束搜索 65
3.4　讓計算機專心緻誌：注意力機製 67
3.4.1　注意力機製的計算 68
3.4.2　實戰：利用內積函數計算注意力 69
3.4.3　序列到序列模型 69
3.5　本章小結 70
第二篇　架構篇
第4章　機器閱讀理解模型架構 72
4.1　總體架構 72
4.2　編碼層 74
4.2.1　詞錶的建立和初始化 74
4.2.2　字符編碼 75
4.2.3　上下文編碼 77
4.3　交互層 79
4.3.1　互注意力 79
4.3.2　自注意力 81
4.3.3　上下文編碼 82
4.4　輸齣層 83
4.4.1　構造問題的嚮量錶示 83
4.4.2　多項選擇式答案生成 84
4.4.3　區間式答案生成 85
4.4.4　自由式答案生成 87
4.5　本章小結 93
第5章　常見機器閱讀理解模型 94
5.1　雙嚮注意力流模型 94
5.1.1　編碼層 94
5.1.2　交互層 95
5.1.3　輸齣層 98
5.2　R-net 99
5.2.1　基於注意力的門控循環神經網絡 100
5.2.2　網絡架構 101
5.3　融閤網絡 104
5.3.1　單詞曆史 104
5.3.2　全關注注意力 105
5.3.3　總體架構 106
5.4　關鍵詞檢索與閱讀模型 109
5.4.1　檢索器 110
5.4.2　閱讀器 112
5.5　本章小結 115
第6章　預訓練模型 116
6.1　預訓練模型和遷移學習 116
6.2　基於翻譯的預訓練模型CoVe 118
6.2.1　機器翻譯模型 119
6.2.2　上下文編碼 120
6.3　基於語言模型的預訓練模型ELMo 121
6.3.1　雙嚮語言模型 122
6.3.2　ELMo的使用 123
6.4　生成式預訓練模型GPT 125
6.4.1　Transformer 125
6.4.2　GPT模型架構 129
6.4.3　GPT使用方法 129
6.5　劃時代的預訓練模型BERT 131
6.5.1　雙嚮語言模型 131
6.5.2　判斷下一段文本 132
6.5.3　BERT預訓練細節 133
6.5.4　BERT在目標任務中的使用 133
6.5.5　實戰：在區間答案型機器閱讀理解任務中微調BERT 137
6.6　本章小結 138
第三篇　實戰篇
第7章　機器閱讀理解模型SDNet代碼解析 140
7.1　多輪對話式閱讀理解模型SDNet 140
7.1.1　編碼層 141
7.1.2　交互層與輸齣層 142
7.2　SDNet代碼介紹與運行指南 143
7.2.1　代碼介紹 143
7.2.2　運行指南 143
7.2.3　配置文件 145
7.3　預處理程序 147
7.3.1　初始化函數 148
7.3.2　預處理函數 149
7.4　訓練程序 154
7.4.1　訓練基類 154
7.4.2　訓練子類 155
7.5　批次數據産生器 159
7.5.1　掩碼 160
7.5.2　準備BERT數據 164
7.6　SDNet模型 166
7.6.1　網絡模型類 166
7.6.2　計算層 171
7.6.3　生成BERT編碼 177
7.7　本章小結 178
第8章　機器閱讀理解的應用與未來 179
8.1　智能客服 179
8.1.1　建立産品客服知識庫 180
8.1.2　理解用戶意圖 181
8.1.3　答案生成 183
8.1.4　智能客服中的其他模塊 183
8.2　搜索引擎 184
8.2.1　搜索引擎技術 185
8.2.2　搜索引擎中的機器閱讀理解 187
8.2.3　未來與挑戰 188
8.3　醫療衛生 189
8.4　法律 190
8.4.1　智能審判 191
8.4.2　確定適用條款 192
8.5　金融 193
8.5.1　股價預測 193
8.5.2　新聞摘要 195
8.6　教育 196
8.7　機器閱讀理解的未來 196
8.7.1　機器閱讀理解研究麵臨的挑戰 197
8.7.2　機器閱讀理解的産業化 202
8.8　本章小結 203
附錄A　機器學習基礎 205
附錄B　深度學習基礎 208
· · · · · · (收起)