音像JA自然语言处理(美)理查德M.里斯

CONTENTS目    录译者序作者简介审校者简介前言章  NLP简介 11.1  什么是NLP 21.2  为何使用NLP 31.3  NLP的难点 41.4  NLP工具汇总 51.4.1  Apache OpenNLP 61.4.2  Stanford NLP 71.4.3  LingPipe 91.4.4  GATE 101.4.5  UIMA 101.5  文本处理概览 101.5.1  文本分词 111.5.2  文本断句 121.5.3  人物识别 141.5.4  词判断 161.5.5  文本分类 171.5.6  关系提取 181.5.7  方法组合 201.6  理解NLP模型 201.6.1  明确目标 201.6.2  选择模型 211.6.3  构建、训练模型 211.6.4  验模型 221.6.5  使用模型 221.7  准备数据 221.8  本章小结 24第2章  文本分词 252.1  理解文本分词 252.2  什么是分词 26.  一些简单的Java分词器 28..1  使用Scanner类 29..2  使用split方法 30..  使用reItrator类 31..4  使用StreamTokenizer类 32..5使用StringTokenizer类 34..使用Java核心分词法的能考虑 342.4NLP分词器的API 342.4.1使用OpenNLPTokenizer类分词器 352.4.2使用Stanford分词器 372.4.3训练分词器进行文本分词 412.4.4分词器的比较 442.5理解标准化处理 452.5.1转换为小写字母 452.5.2去除停用词 462.5.3词干化 492.5.4词形还原 512.5.5使用流水线进行标准化处理 542.6本章小结 55第3章  文本断句 563.1SBD方法 563.2SBD难在何处 573.3理解LingPipe的HeuristicSen-tenceModel类的SBD规则 593.4简单的Java SBD 603.4.1使用正则表达式 603.4.2使用reItrator类 6.5使用NLP API 633.5.1使用OpenNLP 643.5.2使用Stanford API 663.5.3使用LingPipe 743.6训练文本断句模型 783.6.1使用训练好的模型 803.6.2使用SentenceDetector-Evaluator类评估模型 813.7本章小结 82第4章  人物识别 834.1NER难在何处 844.2NER的方法 844.2.1列表和正则表达式 854.2.2统计分类器 854.3使用正则表达式进行NER 864.3.1使用Java的正则表达式来寻找实体 864.3.2使用LingPipe的RegEx-Chunker类 884.4使用NLP API 894.4.1使用OpenNLP进行NER 894.4.2使用Stanford API进行NER 954.4.3使用LingPipe进行NER 964.5训练模型 1004.6本章小结 103第5章  词判断 1045.1词标注 1045.1.1词标注器的重要 1075.1.2词标注难在何处 1075.2使用NLP API 1095.2.1使用OpenNLP词标注器 1105.2.2使用Stanford词标注器 1185..使用LingPipe词标注器 1255.2.4训练OpenNLP词标注模型 1295.3本章小结 131第6章  文本分类 1326.1文本分类问题 1326.2情感分析介绍 1346.3文本分类技术 1356.4使用API进行文本分类 1366.4.1OpenNLP的使用 1366.4.2Stanford API的使用 1406.4.3使用LingPipe进行文本分类 1456.5本章小结 152第7章  关系提取 1537.1关系类型 1547.2理解解析树 1557.3关系提取的应用 1567.4关系提取 1597.5使用NLP API 1597.5.1OpenNLP的使用 1597.5.2使用Stanford API 1627.5.3判断共指消解的实体 1667.6问答系统的关系提取 1687.6.1判断单词依赖关系 1697.6.2判断问题类型 1707.6.3搜索 1717.7本章小结 173第8章  方法组合 1748.1准备数据 1758.1.1使用Boilerpipe从HTML中提取文本 1758.1.2使用POI从Word文档中提取文本 1778.1.3使用Box从文档中提取文本 1818.2流水线 1828.2.1使用Stanford流水线 1828.2.2在Standford流水线中使用多核处理器 1878.3创建一个文本搜索的流水线 1888.4本章小结 193

Richard M. Reese曾就职于学术界和工业界。他曾在电信和航天工业领域工作17年，期间曾担任研发、软件开发、监督和培训等多个职位。他目前任教于塔尔顿州立大学，运用他多年来积累的行业经验来完善他的课程。
Richard曾出版过关于Java和C的书籍，他使用简洁易用的方讨主题，这些书籍包括《E 3.1 Cookbook》，有关Java 7和Java 8的新功能、Java认以及jMonkey引擎，以及一本关于C指针的书。

PREFACE前    言自然语言处理（NLP）已用于解决各种各样的问题，包括对搜索引擎的支持，对网页文本的总结与分类，以及结合机器学习技术解决诸如语音识别、查询分析等问题。它已经在任何包含有用信息的文件中使用。 NLP用于应用程序的实用和功能，主要通过简化用户输入以及将文本转换成更加可用的形式来实现。实际上，NLP能够处理各种来源的文本，使用一系列核心NLP任务从文本中转化或提取信息。 本书重点介绍NLP应用中可能遇到的核心NLP任务，每个NLP任务都从问题的描述以及可应用领域开始。介绍每项任务中比较困难的问题，以便你能更好地理解问题。随后通过使用大量的Java技术和API来支持NLP任务。 本书涵盖内容章解释了NLP的重要和法。本章以简单的例子来解释如何使用NLP技术。 第2章主要讨论标记化，标记化是使用更为优选的NLP技术的步，本章介绍了核心Java和Java NLP标记化API。 第3章明句子边界消歧技术是一个重要的NLP任务。这一步是许多下游NLP任务的预处理步骤，其中文本元素不应跨越句子边界进行分隔。这样就可以确保所有短语都在一个句子中，并支持词分析。 第4章涵盖了通常所说的命名实体识别。这个任务主要涉及识别人、地点和文本中相似的实体。该技术是处理查询和搜索的初始步骤。 第5章说明如何检测词，词是文本中的语法元素，例如名词和动词。识别这些元素是确定文本含义和检测文本内关系的重要步骤。 第6章明文本分类对于垃圾邮件检测和情感分析等任务很好有用。此外，本章也对支持文本分类的NLP技术进行了调查和说明。 第7章演示解析树。解析树可应用于很多目的，其中包括信息提取。信息提取拥有这些元素之间关系的信息。通过一个实现简单查询的例子来说明这个过程。 第8章包含从各种类型的文件（如和Word文件）中提取数据的技术。接下来主要介绍了如何将以前的NLP技术结合至一个管道中以解决更大的问题。 阅读本书的技术准备Java SDK 7用于说明NLP技术。各种NLP API是必需的并可以随时下载。E可选择，并不做强制要求。 本书读者对象对NLP技术感兴趣的、有Java经验的开发人员会发现这本书很有用。不需要事先具备NLP知识。