书馨卡帮你省薪 2024个人购书报告 2024中图网年度报告
欢迎光临中图网 请 | 注册
> >
现代自然语言生成

现代自然语言生成

出版社:电子工业出版社出版时间:2021-01-01
开本: 26cm 页数: 14,258页
中 图 价:¥59.3(7.5折) 定价  ¥79.0 登录后可看到会员价
加入购物车 收藏
运费6元,满39元免运费
?新疆、西藏除外
本类五星书更多>

现代自然语言生成 版权信息

  • ISBN:9787121402494
  • 条形码:9787121402494 ; 978-7-121-40249-4
  • 装帧:一般胶版纸
  • 册数:暂无
  • 重量:暂无
  • 所属分类:>

现代自然语言生成 本书特色

清华大学 张钹 院士 作序创新工场首席科学家周明博士、ACL/IEEE Fellow 李航博士、ACM/AAAI/IEEE Fellow刘兵教授联袂力荐

现代自然语言生成 内容简介

本书总结了以神经网络为代表的现代自然语言生成的基本思想、模型和框架。内容包括: 自然语言生成的研究背景 ; 从统计语言模型到神经网络语言建模 ; 基于RNN的语言生成模型等。

现代自然语言生成 目录

第1 章自然语言生成的研究背景. . . . . . . 1
1.1 自然语言生成的背景概述. . . . . . . 1
1.2 基本定义与研究范畴. . . . . . . . . . . .2
1.3 自然语言生成与自然语言理解. . .3
1.4 传统的模块化生成框架. . . . . . . . . 4
1.5 端到端的自然语言生成框架. . . . . 7
1.6 典型的自然语言生成任务. . . . . . . 9
1.7 自然语言生成的可控性. . . . . . . . 12
1.8 本书结构. . . . . . . . . . . . . . . . . . . . . . 14
第2 章从统计语言模型到神经网络语言建模. . . . . . . . . . . . . . . . . . . . . . 15
2.1 统计语言模型. . . . . . . . . . . . . . . . . 15
2.1.1 基本原理. . . . . . . . . . . . . . . . . . 15
2.1.2 平滑技术. . . . . . . . . . . . . . . . . . 17
2.1.3 语言模型评价. . . . . . . . . . . . . . 19
2.1.4 统计语言模型的缺点. . . . . . . . 20
2.2 神经网络语言模型. . . . . . . . . . . . . 21
2.2.1 前馈神经网络语言模型. . . . . . 21
2.2.2 基于循环神经网络的神经语言模型. . . . . . . . . . . . . . 24
2.2.3 基于Transformer 的神经语言模型. . . . . . . . . . . . . . 24
2.3 静态词向量模型. . . . . . . . . . . . . . . 26
2.3.1 分布假设与分布式表示. . . . . . 26
2.3.2 词向量模型CBOW 和Skip-gram. . . . . . . . . . . . . . . . .27
2.3.3 词向量模型训练优化:负采样. . . . . . . . . . . . . . . . . . . .30
2.3.4 词向量模型训练优化:层次化softmax . . . . . . . . . . . . 31
2.3.5 静态词向量的缺陷. . . . . . . . . . 32
2.4 语境化语言表示模型. . . . . . . . . . 33
2.4.1 ELMo . . . . . . . . . . . . . . . . . . . . 34
2.4.2 BERT . . . . . . . . . . . . . . . . . . . . 36
2.4.3 XLNet. . . . . . . . . . . . . . . . . . . .38
2.5 本章小结. . . . . . . . . . . . . . . . . . . . . . 39
第3 章基于RNN 的语言生成模型. . .41
3.1 RNN 的基本原理. . . . . . . . . . . . . . 41
3.2 RNN 的训练算法. . . . . . . . . . . . . . 42
3.3 长短期记忆神经网络与门控循环单元. . . . . . . . . . . . . . . . . 45
3.4 RNN 的架构设计. . . . . . . . . . . . . . 47
3.4.1 多层RNN . . . . . . . . . . . . . . . . 47
3.4.2 双向RNN . . . . . . . . . . . . . . . . 48
3.5 基于RNN 的语言模型. . . . . . . . 48
3.5.1 模型结构. . . . . . . . . . . . . . . . . . 49
3.5.2 主要问题. . . . . . . . . . . . . . . . . . 50
3.5.3 模型改进. . . . . . . . . . . . . . . . . . 51
3.6 序列到序列模型. . . . . . . . . . . . . . . 52
3.6.1 基本原理. . . . . . . . . . . . . . . . . . 52
3.6.2 模型结构. . . . . . . . . . . . . . . . . . 53
3.6.3 注意力机制. . . . . . . . . . . . . . . . 54
3.7 解码器的解码方法. . . . . . . . . . . . . 57
3.7.1 基于搜索的解码方法. . . . . . . . 59
3.7.2 基于采样的解码方法. . . . . . . . 61
3.8 序列到序列模型存在的问题. . . .64
3.9 本章小结. . . . . . . . . . . . . . . . . . . . . . 65
第4 章基于Transformer 的语言生成模型. . . . . . . . . . . . . . . . . 66
4.1 Transformer 模型的基本原理. . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.1.1 多头注意力机制. . . . . . . . . . . . 66
4.1.2 Transformer 基本单元. . . . . . 69
4.2 基于Transformer 的编码器―解码器结构. . . . . . . . . . 71
4.2.1 基本原理. . . . . . . . . . . . . . . . . . 71
4.2.2 位置编码模块. . . . . . . . . . . . . . 73
4.2.3 Transformer 编码器. . . . . . . . 74
4.2.4 Transformer 解码器. . . . . . . . 74
4.3 Transformer 模型与RNN 模型的比较. . . . . . . . . . . . . . 77
4.4 Transformer 模型问题与解决方案. . . . . . . . . . . . . . . . . . . . . . 79
4.4.1 长距离依赖问题. . . . . . . . . . . . 79
4.4.2 运算复杂度问题. . . . . . . . . . . . 81
4.5 基于Transformer 的预训练语言生成模型. . . . . . . . . . . . . . . . . . . . . . 85
4.5.1 GPT 模型. . . . . . . . . . . . . . . . .86
4.5.2 GPT-2 和GPT-3 . . . . . . . . . . 88
4.5.3 GPT 模型的扩展. . . . . . . . . . . 90
4.6 本章小结. . . . . . . . . . . . . . . . . . . . . . 92
第5 章基于变分自编码器的语言生成模型. . . . . . . . . . . . . . . . . 93
5.1 自编码器. . . . . . . . . . . . . . . . . . . . . . 93
5.2 变分自编码器. . . . . . . . . . . . . . . . . 94
5.3 条件变分自编码器. . . . . . . . . . . . . 98
5.4 解码器设计. . . . . . . . . . . . . . . . . . 100
5.5 变分自编码器在语言生成
任务上的应用实例. . . . . . . . . . . .102
5.5.1 含类别约束的条件变分自编码器模型. . . . . . . . . . . . . 102
5.5.2 含隐变量序列的条件变分自编码器模型. . . . . . . . . . . . . 104
5.6 主要问题及解决方案. . . . . . . . . 107
5.6.1 隐变量消失. . . . . . . . . . . . . . .107
5.6.2 可解释性增强. . . . . . . . . . . . .109
5.7 本章小结. . . . . . . . . . . . . . . . . . . . . 111
第6 章基于生成式对抗网络的语言生成模型. . . . . . . . . . . . . . . . 113
6.1 生成式对抗网络的背景. . . . . . . 113
6.2 生成式对抗网络的基本原理. . .115
6.3 生成式对抗网络的基本结构. . .118
6.4 生成式对抗网络的优化问题. . .120
6.4.1 使用强化学习方法训练生成式对抗网络. . . . . . . . . . . . . . . . .120
6.4.2 使用近似方法训练生成式对抗网络. . . . . . . . . . . . . . . . .123
6.5 生成式对抗模型在文本与图像中的区别. . . . . . . . . . . . . . . . 126
6.6 生成式对抗网络的应用. . . . . . . 128
6.6.1 对话生成. . . . . . . . . . . . . . . . .128
6.6.2 无监督的风格迁移. . . . . . . . . 129
6.7 本章小结. . . . . . . . . . . . . . . . . . . . . 130
第7 章非自回归语言生成. . . . . . . . . . . 131
7.1 基本原理. . . . . . . . . . . . . . . . . . . . . 131
7.1.1 适用场景的问题定义. . . . . . . 131
7.1.2 自回归模型和非自回归模型. . . . . . . . . . . . . . . . . . . . 132
7.1.3 模型结构. . . . . . . . . . . . . . . . .132
7.2 非自回归模型的挑战. . . . . . . . . 136
7.2.1 一对多问题. . . . . . . . . . . . . . .136
7.2.2 内部依赖问题. . . . . . . . . . . . .137
7.3 非自回归模型的改进. . . . . . . . . 138
7.3.1 网络结构的改进. . . . . . . . . . . 138
7.3.2 模型理论的改进. . . . . . . . . . . 139
7.3.3 后处理的方法. . . . . . . . . . . . .142
7.3.4 半自回归方法. . . . . . . . . . . . .143
7.4 应用与拓展. . . . . . . . . . . . . . . . . . 144
7.5 本章小结. . . . . . . . . . . . . . . . . . . . . 145
第8 章融合规划的自然语言生成. . . . .146
8.1 数据到文本生成任务中的规划. . . . . . . . . . . . . . . . . . . . . . . . . 147
8.1.1 数据到文本生成任务的定义. . . . . . . . . . . . . . . . . . . . 147
8.1.2 传统的模块化方法. . . . . . . . . 149
8.1.3 神经网络方法. . . . . . . . . . . . .150
8.2 故事生成任务中的规划. . . . . . . 158
8.2.1 故事生成任务的定义. . . . . . . 158
8.2.2 传统方法. . . . . . . . . . . . . . . . .159
8.2.3 神经网络方法. . . . . . . . . . . . .160
8.3 本章小结. . . . . . . . . . . . . . . . . . . . . 163
第9 章融合知识的自然语言生成. . . . .164
9.1 引入知识的动机. . . . . . . . . . . . . . 164
9.2 引入知识面临的挑战. . . . . . . . . 165
9.3 知识的编码与表示. . . . . . . . . . . .166
9.3.1 结构化知识表示. . . . . . . . . . . 167
9.3.2 非结构化知识表示. . . . . . . . . 170
9.4 融合知识的解码方法. . . . . . . . . 172
9.4.1 拷贝网络. . . . . . . . . . . . . . . . .172
9.4.2 生成式预训练. . . . . . . . . . . . .174
9.5 应用实例. . . . . . . . . . . . . . . . . . . . . 175
9.5.1 基于多跳常识推理的语言生成. . . . . . . . . . . . . . . . .175
9.5.2 故事生成. . . . . . . . . . . . . . . . .180
9.6 发展趋势. . . . . . . . . . . . . . . . . . . . . 185
9.6.1 语言模型与知识的融合. . . . . 185
9.6.2 预训练模型与知识的融合. . . 186
9.7 本章小结. . . . . . . . . . . . . . . . . . . . . 189
第10 章常见的自然语言生成任务和数据资源. . . . . . . . . . . . . . . . . . . 190
10.1 机器翻译. . . . . . . . . . . . . . . . . . . .190
10.1.1 常规机器翻译. . . . . . . . . . . .190
10.1.2 低资源机器翻译. . . . . . . . . . 191
10.1.3 无监督机器翻译. . . . . . . . . . 192
10.2 生成式文本摘要. . . . . . . . . . . . . 192
10.2.1 短文本摘要. . . . . . . . . . . . . .192
10.2.2 长文本摘要. . . . . . . . . . . . . .193
10.2.3 多文档摘要. . . . . . . . . . . . . .193
10.2.4 跨语言文本摘要. . . . . . . . . . 193
10.2.5 对话摘要. . . . . . . . . . . . . . . .194
10.2.6 细粒度文本摘要. . . . . . . . . . 195
10.3 意义到文本生成. . . . . . . . . . . . . 195
10.3.1 抽象语义表示到文本生成. . . . . . . . . . . . . . . .195
10.3.2 逻辑表达式到文本生成. . . . 197
10.4 数据到文本生成. . . . . . . . . . . . . 197
10.5 故事生成. . . . . . . . . . . . . . . . . . . .200
10.5.1 条件故事生成. . . . . . . . . . . .200
10.5.2 故事结局生成. . . . . . . . . . . .201
10.5.3 故事补全. . . . . . . . . . . . . . . .202
10.5.4 反事实故事生成. . . . . . . . . . 202
10.6 对话生成. . . . . . . . . . . . . . . . . . . .203
10.6.1 常规对话生成. . . . . . . . . . . .203
10.6.2 知识导引的对话生成. . . . . . 204
10.6.3 个性化对话生成. . . . . . . . . . 206
10.6.4 情感对话生成. . . . . . . . . . . .207
10.7 多模态语言生成. . . . . . . . . . . . . 208
10.7.1 图像描述生成. . . . . . . . . . . .208
10.7.2 视频描述生成. . . . . . . . . . . .208
10.7.3 视觉故事生成. . . . . . . . . . . .210
10.7.4 视觉对话. . . . . . . . . . . . . . . .210
10.8 无约束语言生成. . . . . . . . . . . . . 211
10.9 本章小结. . . . . . . . . . . . . . . . . . . .213
第11 章自然语言生成的评价方法. . . 214
11.1 语言生成评价的角度. . . . . . . . 215
11.2 人工评价. . . . . . . . . . . . . . . . . . . .216
11.2.1 人工评价的分类. . . . . . . . . . 216
11.2.2 标注一致性. . . . . . . . . . . . . .217
11.2.3 人工评价的问题与挑战. . . . 219
11.3 自动评价. . . . . . . . . . . . . . . . . . . .220
11.3.1 无需学习的自动评价方法. . . . . . . . . . . . . . . .222
11.3.2 可学习的自动评价方法. . . . 228
11.4 自动评价与人工评价的结合. . . . . . . . . . . . . . . . . . . . . . . . 236
11.5 自动评价与人工评价的统计相关性. . . . . . . . . . . . . . . . . 238
11.5.1 Pearson 相关系数. . . . . . . . 238
11.5.2 Spearman 相关系数. . . . . . 239
11.5.3 Kendall 相关系数. . . . . . . . 239
11.5.4 相关系数的显著性. . . . . . . . 240
11.6 本章小结. . . . . . . . . . . . . . . . . . . .240
第12 章自然语言生成的趋势展望. . . 242
12.1 现状分析. . . . . . . . . . . . . . . . . . . .242
12.2 趋势展望. . . . . . . . . . . . . . . . . . . .245
参考文献. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

展开全部

现代自然语言生成 作者简介

黄民烈,博士,清华大学计算机科学与技术系长聘副教授。主要研究兴趣包括人工智能、自然语言处理,尤其是对话系统、语言生成。曾获中国人工智能学会吴文俊人工智能科技进步奖一等奖(****)、中文信息学会汉王青年创新奖,多次在国际主流会议获得最佳或杰出论文奖。研发对话系统平台ConvLab和ConvLab-2,获得NTCIR 2017年组织的短文本对话生成评测冠军。担任神经领域顶级期刊TNNLS(SCI一区,影响因子>11)编委,自然语言处理领域顶级期刊TACL执行编辑,多次担任自然语言处理顶级会议ACL、EMNLP的领域主席或资深领域主席。

商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服