机器阅读理解：算法与实践

封面

版权信息

序一

序二

前言

第一篇 基础篇

第1章 机器阅读理解与关键支撑技术

1.1 机器阅读理解任务

1.2 自然语言处理

1.3 深度学习

1.4 机器阅读理解任务的测评方式

1.5 机器阅读理解数据集

1.6 机器阅读理解数据的生成

1.7 本章小结

第2章 自然语言处理基础

2.1 文本分词

2.2 语言处理的基石：词向量

2.3 命名实体和词性标注

2.4 语言模型

2.5 本章小结

第3章 自然语言处理中的深度学习

3.1 从词向量到文本向量

3.2 让计算机做选择题：自然语言理解

3.3 让计算机写文章：自然语言生成

3.4 让计算机专心致志：注意力机制

3.5 本章小结

第二篇 架构篇

第4章 机器阅读理解模型架构

4.1 总体架构

4.2 编码层

4.3 交互层

4.4 输出层

4.5 本章小结

第5章 常见机器阅读理解模型

5.1 双向注意力流模型

5.2 R-net

5.3 融合网络

5.4 关键词检索与阅读模型

5.5 本章小结

第6章 预训练模型

6.1 预训练模型和迁移学习

6.2 基于翻译的预训练模型CoVe

6.3 基于语言模型的预训练模型ELMo

6.4 生成式预训练模型GPT

6.5 划时代的预训练模型BERT

6.6 本章小结

第三篇 实战篇

第7章 机器阅读理解模型SDNet代码解析

7.1 多轮对话式阅读理解模型SDNet

7.2 SDNet代码介绍与运行指南

7.3 预处理程序

7.4 训练程序

7.5 批次数据产生器

7.6 SDNet模型

7.7 本章小结

第8章 机器阅读理解的应用与未来

8.1 智能客服

8.2 搜索引擎

8.3 医疗卫生

8.4 法律

8.5 金融

8.6 教育

8.7 机器阅读理解的未来

8.8 本章小结

附录A 机器学习基础

A.1 机器学习分类

A.2 模型与参数

A.3 模型的推广能力和过拟合

附录B 深度学习基础

B.1 深度学习的基石：神经网络

B.2 深度学习中常见神经网络类型