第1章　語(yǔ)摯情長(zhǎng)路漫漫 001
1.1 文中自有真情在 002
1.1.1　問(wèn)世間情為何物 002
1.1.2　觸景文下留真情 004
1.2　NLP來(lái)相助 008
1.2.1　什么是NLP 008
1.2.2　NLP主要應(yīng)用領(lǐng)域 012
1.3　情感即分類 015
1.3.1　情感分析的對(duì)象與方法 015
1.3.2　情感分析的主要應(yīng)用 017

第2章　情感詞典查情斷意 019
2.1　分詞與詞典 020
2.1.1　分詞，情感分析第一步 020
2.1.2　詞典，讓AI長(zhǎng)知識(shí) 026
2.2　只有“情感”行不行 028
2.2.1　情感詞典的建立 028
2.2.2　詞典的擴(kuò)充 031
2.3　基于情感詞典的案例 034

第3章　玩轉(zhuǎn)文本大數(shù)據(jù) 039
3.1　數(shù)據(jù)的獲取 040
3.1.1　網(wǎng)絡(luò)爬蟲(chóng) 040
3.1.2　簡(jiǎn)單爬蟲(chóng)案例 040
3.2　數(shù)據(jù)的清洗與整理 045
3.2.1　去除停用詞 046
3.2.2　詞性標(biāo)注 054
3.3　詞頻與詞云 055
3.3.1　詞頻統(tǒng)計(jì) 055
3.3.2　關(guān)鍵詞統(tǒng)計(jì) 057
3.3.3　詞云 059
3.4　詞袋模型 063
3.4.1　詞袋模型概念 063
3.4.2　簡(jiǎn)單詞袋模型案例 065
3.4.3　改進(jìn)詞匯表 067
3.4.4　詞袋模型顯示頻率 071
3.4.5　詞袋模型的局限性 072

第4章　機(jī)器學(xué)習(xí)洞察句情 073
4.1　機(jī)器學(xué)習(xí)概述 074
4.1.1　什么是機(jī)器學(xué)習(xí) 074
4.1.2　機(jī)器學(xué)習(xí)與情感分析 077
4.1.3　詞袋模型數(shù)據(jù)生成 081
4.2　樸素貝葉斯與情感分析 086
4.2.1　貝葉斯vs頻率 086
4.2.2　樸素貝葉斯原理實(shí)踐 087
4.3　二項(xiàng)邏輯回歸與情感分析 097
4.3.1　邏輯回歸原理 097
4.3.2　邏輯回歸算法 100

第5章　神經(jīng)網(wǎng)絡(luò)觸景悉情 102
5.1　神經(jīng)網(wǎng)絡(luò)工作原理 103
5.1.1　神經(jīng)網(wǎng)絡(luò)概述 103
5.1.2　前向與反向傳播 104
5.1.3　其他參數(shù) 107
5.2　激活函數(shù)與損失函數(shù) 109
5.2.1　非線性的激活函數(shù) 109
5.2.2　衡量?jī)?yōu)劣的損失函數(shù) 115
5.3　神經(jīng)網(wǎng)絡(luò)的分類與情感分析 117

第6章　向量構(gòu)筑語(yǔ)義空間 121
6.1　另辟蹊徑分布表示 122
6.1.1　語(yǔ)料庫(kù) 122
6.1.2　分布式假說(shuō) 123
6.2　從NPLM到Word2Vec 126
6.2.1　NPLM模型 126
6.2.2　Word2Vec 128
6.3　Word2Vec實(shí)踐 134
6.3.1　“女人-男人=王后-國(guó)王”的三國(guó)解讀 134
6.3.2　詞匯的星空 140

第7章　深情厚意咬文嚼字 145
7.1　循環(huán)神經(jīng)網(wǎng)絡(luò) 146
7.1.1　循環(huán)神經(jīng)網(wǎng)絡(luò)原理 146
7.1.2　循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)踐 148
7.2　LSTM 151
7.2.1　LSTM基本原理 151
7.2.2　非禮勿記、非禮勿聽(tīng)、非禮勿言 153
7.3　循環(huán)神經(jīng)網(wǎng)絡(luò)與情感分析 157

附錄 160
附錄一　PyTorch入門 161
附錄二　概率基礎(chǔ) 168
附錄三　騰訊扣叮Python實(shí)驗(yàn)室：Jupyter Lab使用說(shuō)明 181