智能问答与深度学习

深度学习人工智能参考书

介绍近年来自然语言处理和机器阅读的成果，配有翔实示例，助力实际应用，源代码文件供下载，业内大咖力荐

《智能问答与深度学习》面向在校学生或计算机软件从业人员，由浅入深地介绍了人工智能在文本任务中的应用。《智能问答与深度学习》不但介绍了自然语言处理、深度学习和机器阅读理解等基础知识，还简述了信息论、人工智能等的发展过程。

王海良，Chatopera联合创始人、CEO，微软人工智能极有价值专家。毕业于北京邮电大学，加入IBM工作四年，先后工作于软件开发实验室和创新中心，从2016年开始工作于创业公司，三角兽AI算法工程师，呤呤英语AI产品负责人，负责智能对话系统研发。

李卓桓，PreAngel合伙人，Plug and Play投资合伙人。拥有25年编程经验，曾任优酷网首席科学家、叽歪网创始人，水木清华BBS站长，紫霞BBS站长。Conversational AI实践者，热爱滑雪、跑酷、滑雪伞等极限运动。

林旭鸣，北京邮电大学模式识别实验室研究生，目前的研究方向为深度学习、自然语言处理与机器阅读理解。本科期间曾获得国家奖学金，研究生期间多次在数据类竞赛中取得Top 3的成绩。曾在百度、滴滴出行、微软等公司实习。

——王小川，搜狗CEO——

本书不是简单地罗列算法，而是指向了如何让计算机处理语言这样一个至有挑战性的话题，以至终构造一个问答系统为目标，充满了好奇和实践精神，是陪伴你学习人工智能和语言处理难得的好书。

——刘瑞芳，北京邮电大学模式识别实验室副教授——

对于大数据时代的文本分析，读这一本书就够了。本书由浅入深，从经典方法讲到深度学习，以智能问答系统的建设为目标，涵盖了文本处理发展历程中各个里程碑式的方法。无论哪种语言，只有机器能够“理解文本”，才有可能通过图灵测试，希望本书能够促进该领域的快速发展。

——Leo Zhou，智言科技CEO——

2018 年是人工智能的大元年，机器视觉、智能语音、自然语言理解、深度学习、区块链等原本晦涩的技术术语涌入公众视野，各种信息、软文随着媒体的大量宣传变得似乎触手可及。我们可以预见未来10 年中国的人工智能将实现井喷式的增长，创业的浪潮也将推进各类AI 应用场景的落地，并塑造、培养数以万计的AI 人才。本书聚焦智能问答，在信息碎片化时代帮助读者梳理自然语言理解、机器学习、深度学习的学习逻辑，让读者更容易理解各类语义模型和算法背后的原理。希望本书能够帮助读者深入到聊天机器人的学习中。

1 概述1

1.1 智能问答：让机器更好地服务于人 1

1.2 问答系统类型介绍 2

1.2.1 基于事实的问答系统 3

1.2.2 基于常见问题集的问答系统 3

1.2.3 开放域的问答系统 4

1.3 使用本书附带的源码程序 4

1.3.1 安装依赖软件 4

1.3.2 下载源码 5

1.3.3 执行示例程序 5

1.3.4 联系我们 6

1.4 全书结构 6

2 机器学习基础8

2.1 线性代数 8

2.1.1 标量、向量、矩阵和张量 8

2.1.2 矩阵运算 9

2.1.3 特殊类型的矩阵 10

2.1.4 线性相关 11

2.1.5 范数 12

2.2 概率论基础 12

2.2.1 随机变量 13

2.2.2 期望和方差 13

2.2.3 伯努利分布 14

2.2.4 二项分布 14

2.2.5 泊松分布 15

2.2.6 正态分布 15

2.2.7 条件概率、联合概率和全概率 17

2.2.8 先验概率与后验概率 18

2.2.9 边缘概率 18

2.2.10 贝叶斯公式 18

2.2.11 最大似然估计算法 19

2.2.12 线性回归模型 20

2.2.13 逻辑斯蒂回归模型 21

2.3 信息论基础 22

2.3.1 熵 23

2.3.2 联合熵和条件熵 23

2.3.3 相对熵与互信息 24

2.3.4 信道和信道容量 25

2.3.5 最大熵模型 26

2.3.6 信息论与机器学习 29

2.4 统计学习 29

2.4.1 输入空间、特征空间与输出空间 30

2.4.2 向量表示 30

2.4.3 数据集 31

2.4.4 从概率到函数 31

2.4.5 统计学习三要素 32

2.5 隐马尔可夫模型 33

2.5.1 随机过程和马尔可夫链 33

2.5.2 隐马尔可夫模型的定义 36

2.5.3 三个基本假设及适用场景 37

2.5.4 概率计算问题之直接计算 39

2.5.5 概率计算问题之前向算法 40

2.5.6 概率计算问题之后向算法 42

2.5.7 预测问题之维特比算法 45

2.5.8 学习问题之Baum-Welch 算法 48

2.6 条件随机场模型 52

2.6.1 超越HMM 52

2.6.2 项目实践 55

2.7 总结 59

3 自然语言处理基础60

3.1 中文自动分词 60

3.1.1 有向无环图 61

3.1.2 最大匹配算法 63

3.1.3 算法评测 69

3.1.4 由字构词的方法 72

3.2 词性标注 77

3.2.1 词性标注规范 77

3.2.2 隐马尔可夫模型词性标注 79

3.3 命名实体识别 81

3.4 上下文无关文法 82

3.4.1 原理介绍 83

3.4.2 算法浅析 83

3.5 依存关系分析 84

3.5.1 算法浅析 85

3.5.2 项目实践 92

3.5.3 小结 94

3.6 信息检索系统 95

3.6.1 什么是信息检索系统 95

3.6.2 衡量信息检索系统的关键指标 95

3.6.3 理解非结构化数据 97

3.6.4 倒排索引 98

3.6.5 处理查询 100

3.6.6 项目实践 102

3.6.7 Elasticsearch 103

3.6.8 小结 112

3.7 问答语料 113

3.7.1 WikiQA 113

3.7.2 中文版保险行业语料库InsuranceQA 113

3.8 总结 115

4 深度学习初步116

4.1 深度学习简史 116

4.1.1 感知机 116

4.1.2 寒冬和复苏 117

4.1.3 走出实验室 118

4.1.4 寒冬再临 119

4.1.5 走向大规模实际应用 119

4.2 基本架构 120

4.2.1 神经元 121

4.2.2 输入层、隐藏层和输出层 122

4.2.3 标准符号 123

4.3 神经网络是如何学习的 124

4.3.1 梯度下降 124

4.3.2 反向传播理论 127

4.3.3 神经网络全连接层的实现 130

4.3.4 使用简单神经网络实现问答任务 131

4.4 调整神经网络超参数 136

4.4.1 超参数 136

4.4.2 参考建议 137

4.5 卷积神经网络与池化 138

4.5.1 简介 138

4.5.2 卷积层的前向传播 139

4.5.3 池化层的前向传播 141

4.5.4 卷积层的实现 141

4.5.5 池化层的实现 145

4.5.6 使用卷积神经网络实现问答任务 148

4.6 循环神经网络及其变种 149

4.6.1 简介 149

4.6.2 循环神经网络 149

4.6.3 长短期记忆单元和门控循环单元 153

4.6.4 循环神经网络的实现 156

4.6.5 使用循环神经网络实现问答任务 159

4.7 简易神经网络工具包 160

5 词向量实现及应用161

5.1 语言模型 161

5.1.1 评测 162

5.1.2 ARPA 格式介绍 162

5.1.3 项目实践 163

5.2 One-hot 表示法 164

5.3 词袋模型 165

5.4 NNLM 和RNNLM 165

5.5 word2vec 168

5.5.1 C-BOW 的原理 169

5.5.2 Skip-gram 的原理 172

5.5.3 计算效率优化 174

5.5.4 项目实践 179

5.6 GloVe 189

5.6.1 GloVe 的原理 189

5.6.2 GloVe 与word2vec 的区别和联系 191

5.6.3 项目实践 193

5.7 fastText 198

5.7.1 fastText 的原理 198

5.7.2 fastText 与word2vec 的区别和联系 200

5.7.3 项目实践 201

5.8 中文近义词工具包 204

5.8.1 安装 205

5.8.2 接口 205

5.9 总结 205

6 社区问答中的QA 匹配206

6.1 社区问答任务简介 206

6.2 孪生网络模型 207

6.3 QACNN 模型 207

6.3.1 模型构建 207

6.3.2 实验结果 214

6.4 Decomposable Attention 模型 214

6.4.1 模型介绍 214

6.4.2 模型构建 216

6.5 多比较方式的比较–集成模型 216

6.5.1 模型介绍 216

6.5.2 模型构建 218

6.6 BiMPM 模型 219

6.6.1 模型介绍 219

6.6.2 模型构建 221

7 机器阅读理解222

7.1 完型填空型机器阅读理解任务 222

7.1.1 CNN/Daily Mail 数据集 222

7.1.2 Children’s Book Test（CBT）数据集 223

7.1.3 GA Reader 模型 226

7.1.4 SA Reader 模型 227

7.1.5 AoA Reader 模型 228

7.2 答案抽取型机器阅读理解任务 230

7.2.1 SQuAD 数据集 231

7.2.2 MS MARCO 数据集 232

7.2.3 TriviaQA 数据集 234

7.2.4 DuReader 数据集 235

7.2.5 BiDAF 模型 235

7.2.6 R-Net 模型 237

7.2.7 S-Net 模型 240

7.3 答案选择型机器阅读理解任务 243

7.4 展望 245

参考文献246

推荐序1

我们生活在一个美好的时代，人工智能在实际中的应用越来越广泛，很多前人畅想过的事情正在变成现实。同时，作为科技工作者，我们也应该抓住时代给予的机会，让机器更好地服务于人。智能问答是一个重要方向，今天我们所使用的搜索引擎和20 世纪末它刚刚出现时已经截然不同，基于海量数据及复杂的算法，其答案的精确程度让人惊叹。但是有一天，它会不会只给我们一个答案，不是一个列表，而是唯一的回答？随着语音交互的日益普及，这个需求有着重要的价值。那么，怎么样才能让机器准确地理解人的问题呢？深入的思考会带来更多的问题，世界上最聪明的一群人正在尝试解决这些问题。

本书介绍了近年来自然语言处理和机器阅读的成果，带有翔实的示例，对实际应用有很好的借鉴意义。而且本书从原理上进行了解释，这样更能帮助读者掌握这些技术，融会贯通，促进更多的创新，是入门自然语言处理和深度学习难得的好书。

王海良先生是本书作者之一，我们是因为共同兴趣——探索实现智能的聊天机器人而认识的。他对智能问答有着很高的积极性，尤其对企业普及聊天机器人应用有着强烈的愿景。本书中很多内容是作者的真知灼见，“问渠那得清如许，为有源头活水来”。我向大家强烈推荐本书！

李纪为，香侬科技CEO

推荐序2

人工智能时代已经到来，2018 年5 月OpenAI 发布报告，其中提到在人工智能训练任务中使用的算力呈指数级增长，其目前速度为每3.5 个月翻一倍（相比之下，摩尔定律是每18 个月翻一倍）。自2012 年以来，人们对算力的需求增长了超过300 000 倍，未来4 年每年还会增长10 倍，这意味着4 年后人工智能训练的算力规模将是现在的1 万倍。

IBM 研究称，在全人类的全部数据中90% 是在最近两年内产生的，到2020 年，全世界的数据规模将是今天的44 倍。每一天，全世界会上传超过6 亿张图片，到2017 年年底已有4.7 万亿张图片被存储。

所有行业都在数字化和互联网化，所有互联网公司都将AI 化。只有充分掌握使用人工智能进行经营决策的企业才能成为行业领导者。每家公司都需要人工智能工程师和分析师。

现在全国每年毕业的人工智能博士生不足千名，硕士生不足万名。面对行业人才短缺，需要更多的在职工程师和非人工智能专业的硕博人才加快进入这个领域。

最新出版的计算机专业图书已有一半和人工智能相关，书的数量不少，但真正有学习价值的却不多，大部分都集中在图像识别领域。

其实语音交互及智能问答是人工智能正在快速发展的方向，而且应用领域广泛。垂直行业的人工智能应用有着巨大潜力，需要更多的工程师加入这一行列中。当前最需要的就是有动手能力实现AI 项目，并且具备基础知识体系的人，他们能够根据项目应用场景和数据的不同而调整设计相应的算法模型。

当前最易入手的就是针对不同行业深入挖掘行业知识，智能问答是入口。本书是有着满满干货的好书。本书从智能问答系统的应用实例出发，系统讲解了深度学习必备的数学知识，还有丰富的工程项目资源和实践分析。按图索骥，顺着作者的指引，就能掌握智能问答系统所需要的知识体系。

蒋涛，CSDN 创始人、极客帮创始人

人工智能热潮袭来，很多人对它有着美好的预期，因为在很多工作岗位上，人们重复劳动，或者工作强度大，甚至是危险的，是不是人工智能产品能够改变这种现状？另外，技术人员出于研究的目的开始学习机器学习技术。人工智能就像是一片蓝海，甚至上升到国家战略的高度，《人工智能基础（高中版）》已经于2018 年出版，未来将有更多的人才进入这个迷人的领域。

近两年，人工智能有愈演愈烈之势，这得益于很多人对开源社区的贡献，因为从理论研究过渡到生产实践需要一个过程，开源社区大大地加速了这个过程。人工智能的创新受益于原创思想，通常这些思想以学术论文的形式发布。因此，关注arXiv 上关于使用机器学习完成各种文本任务是我的一个爱好。一些优秀的论文被发布后，也可以在GitHub 上找到对应的开源项目和开放数据集，这使得爱好者或广大技术人员不但有机会接触前沿的研究成果，而且可以实践，从而应用或继续创新。

目前，市场上有很多关于人工智能的书籍，本书是作者在学习和使用人工智能技术的过程中总结和整理而成的。我通过论文、开源项目、工作和比赛等方式慢慢进入机器学习的殿堂，回忆这两年开发人机对话系统的经历，感觉如果有一本书能从原理出发，同时也不失实践的指导意义，将会大大加速掌握机器学习的过程，于是便产生了写这样一本书的想法。

本书有助于科研人员和爱好者学习深度学习、自然语言处理和机器阅读，也可以作为深度学习和自然语言处理相关课程的教学参考书。本书配套了很多代码示例。

本书初稿由王海良、李卓桓和林旭鸣完成，经过陈可心和李思珍的编写，完善了部分章节。

在本书编写过程中，电子工业出版社的编辑郑柳洁和葛娜提供了很多帮助，在此向她们表示衷心的感谢。同时，感谢给予鼓励和支持的家人、朋友们。

由于作者水平有限，书中难免有疏漏、不当之处，欢迎读者朋友予以指正。建议或意见请发表在GitHub（https://github.com/l11x0m7/book-of-qna-code/issues）上。