前言

Chapter 1：自然語言處理簡介

Chapter 2：TensorFlow 介紹

Chapter 3：Word2vec｜學習單詞內嵌

Chapter 4：Word2vec 進階

Chapter 5：CNN 卷積神經網路｜句子分類

Chapter 6：RNN 遞迴神經網路

Chapter 7：LSTM 長短期記憶網路

Chapter 8：LSTM 的應用：生成文字

Chapter 9：LSTM 的應用：生成圖片說明

Chapter 10：Seq2Seq 序列轉序列｜ NMT 神經機器翻譯

Chapter 11：NLP 自然語言處理的趨勢與未來

Appendix A：數學基礎和 TensorFlow 進階概念



?

序



　　在我們生活的這個數位資訊時代，資料量持續呈現指數型成長；這種前所未有的成長速度，早已超出我們閱讀的速度。其中大多數的資料（如電子郵件、社群媒體、電話對談與網路文章）都和語言（包括文字或口語的形式）有關。自然語言處理（NLP）可有效善用這些資料，幫助人們開展業務或處理日常的工作。目前 NLP 已徹底改變人們運用資料的方式，進一步改善個人的工作與生活，未來這種情況勢必還會持續下去。



　　NLP最常見的應用範例之一，就是像Apple的Siri、Google助理、亞馬遜的Alexa這類的「虛擬助理（VA, Virtual Assistant）」。每當你向虛擬助理詢問「瑞士最便宜的飯店價格」時，就會觸發一系列複雜的NLP任務。首先，你的虛擬助理必須瞭解（解析出）所提出的請求（例如它必須瞭解所要找的是飯店價格，而不是開放遛狗的公園）。虛擬助理還要做出另一個判斷，那就是理解「便宜」是什麼意思？接著虛擬助理必須針對瑞士的城市做出排序（可以根據你過去旅行的歷史做為依據）。然後，虛擬助理可以到Booking.com與Agoda.com等網站抓取瑞士各飯店的資料，並分析每家飯店的價格與相關評價，再對其進行排名。正如你所見，你在幾秒內所得到的回應，其實是一系列非常複雜的 NLP 任務所得出的結果。



　　究竟是什麼技術，讓我們每天所提出的各式各樣 NLP 任務，能夠獲得如此準確的回應？其中最根本的要素，就是「深度學習（deep learning）演算法」。深度學習演算法本質上就是一些複雜的神經網路，它可以找出原始資料與我們所需要的輸出兩者之間的對應關係，而不必針對特定任務進行繁複的特徵工程相關工作。這也就表示，如果你提供某人對於某飯店的評價看法，演算法就可以直接告訴你「這個人對於這家飯店的看法有多麼正面？」。此外，深度學習在各式各樣的 NLP 任務（例如語音辨識和機器翻譯）中，也已經達到甚至超越人類的表現了。



　　只要閱讀本書，你就可以學會如何運用深度學習，解決許多有趣的 NLP 問題。如果你想成為改變世界的影響者，好好研究 NLP 就是件很重要的事。包括學習單詞的語義、生成全新的文字內容，或是觀察成對的雙語句子以進行不同語言間的翻譯，這些全都屬於 NLP 任務。本書在所有技術性章節中都附有練習，其中也包含給讀者們實作出各種系統時所需的逐步指導。本書所有練習範例都採用 Python 搭配 TensorFlow；TensorFlow 是一種相當流行的分散式計算函式庫，非常適合用來實作出各種深度神經網路。



　　本書的目標讀者



　　所有想要善用語言資料改造世界的有志初學者，都是本書的目標讀者。本書會提供穩固而扎實的實務基礎，讓你有能力解決各種 NLP 任務。我們會在書中涵蓋 NLP 的各個面向，除了理論基礎之外，也會聚焦於實務方面的實作。在解決各種 NLP 任務時，如果能在實務方面擁有良好的基礎，一定有助於你順利過渡到更高級的理論架構。此外，若能在實務方面有更扎實的理解，也就可以讓你更充分利用特定領域的知識，進而對演算法做出更好的調整。