《自然语言处理深度学习》教你如何使用Python和Keras深度学习库创建高级NLP应用 。您将学习使用最先进的工具和技术，包括BERT和XLNET、多任务学习和基于深度记忆的NLP。精彩的示例为您提供了各种真实的NLP应用程序的实际操作经验。另外，详细的代码讨论向您展示了如何使每个示例适合您自己的使用!

https://www.manning.com/books/deep-learning-for-natural-language-processing

近几十年来，计算机一直在努力理解语言。在语言学、计算机科学、统计学和机器学习等学科的支持下，计算语言学或自然语言处理(NLP)领域在众多科学期刊、会议和行业积极参与的支持下，已经全面发展起来。像谷歌、Facebook、IBM和微软这样的大型科技公司似乎已经把他们在自然语言分析和理解方面的努力放在了优先位置，并逐步为自然语言处理社区提供数据集和有用的开源软件。目前，深度学习正日益主导着自然语言处理领域。

对于渴望加入这一激动人心的领域的人来说，面向深度学习的NLP社区的新发展速度之快可能会让人望而生畏。一方面，描述、统计和更传统的机器学习方法与深度学习神经网络的高度技术性、程序性方法之间似乎存在很大的差距。本书旨在通过对NLP深度学习的简单介绍，来弥合这一差距。它的目标是学生、语言学家、计算机科学家、从业者以及所有对人工智能感兴趣的人。让我们把这些人称为NLP工程师。当我还是一名学生的时候，当时缺乏系统的计算语言学课程，我几乎拼凑了一个个人的——而且必然是不完整的——NLP课程。这是一项艰难的工作。我写这本书的动机是为了让有抱负的NLP工程师的旅程更容易一些，并通过向您介绍基于深度学习的NLP的基础知识，给您一个领先的开始。

本书将为您全面介绍深度学习应用于各种语言分析任务，并辅以实际操作代码 。明确地将计算语言学的常青树(如词性标记、文本相似性、主题标记和问题回答)与深度学习联系起来，将帮助您成为熟练的深度学习、自然语言处理(NLP)专家。除此之外，这本书还涵盖了最先进的方法来挑战新问题。

第1部分由第1、2和3章组成，介绍了深度学习的历史、面向NLP的深度学习的基本架构及其在Keras中的实现，以及如何使用嵌入和流行的嵌入策略表示用于深度学习的文本 。第2部分由第4、5和6章组成，重点是用深度学习评估文本的相似性，用带有记忆的问答模型处理长序列，然后将这种记忆模型应用于其他NLP。第3部分由第7、8、9和10章组成，首先介绍神经注意，然后使用transformer转到多任务学习的概念，最后实际使用BERT并检查它产生的嵌入。

专知便捷查看

便捷下载 ，请关注 专知 公众号（点击上方 蓝色 专知关注）