导语

  

内容提要

  

    本书将带领读者搭建一个真实、完整的对话机器人。
    这个对话机器人的前台采用微信小程序来实现，这是因为微信小程序开发非常简单、门槛低、用户体验好，且便于企业用户将其升级或转为App。中台采用“Apache Tomcat+Java”来实现，这样可降低读者的学习成本。后台采用最为流行的TensorFlow框架来完成对话机器人对话模型的深度学习。如果读者对这些技术不是太熟悉，也不要紧，只要跟着书中的步骤一步步来，即可得到最终的结果。
    为了完成这样一个对话机器人，本书先介绍了人工智能基础、自然语言处理基础、对话机器人相关的深度学习技术，以及对话机器人的实现方法。
    在搭建完对话机器人后，还介绍了各种应用场景下，对话机器人扩展功能的实现方式，包括用户意图识别、情感分析、知识图谱等关键技术。
    本书非常适合作为初学者入门人工智能技术的自学用书。单纯学习人T智能的理论很枯燥，也很难理解，而在实战中学习，则有趣得多，也容易理解。

    周德标，IBM Watson Health大中华区首席运营官
    负责Watson Health在大中华区发展战略的规划制定、合作伙伴关系维护，以及项目落地工作。
    在此之前历任IBM大中华区董事长执行助理，支持集团战略的规划，制定和执行工作；IBM全球企业咨询服务部医疗医药行业负责人，负责医疗及医药板块的市场战略制定和执行，对咨询服务的销售额和利润等经营指标负责。
    拥有将人工智能技术应用于医疗、医药领域的丰富经验，对于自然语言处理和深度学习有很深的造诣，曾指导实施众多行业领先解决方案。
    在日常工作的同时，于2008—2011年在早稻田大学任教，教授大数据分析和模型构建课程；目前在四川大学及中国科学院大学开设“人工智能及应用”课挥。
    拥有单独申请的专利认证，在国外专业期刊上发表过学术论文。

第1篇 快速入门
  第1章  初识对话机器人
    1.1  实例：对话机器人的一个例子
    1.2  对话机器人的商业价值
      1.2.1  满足人工智能时代的社交需求
      1.2.2  宣传商品和服务
      1.2.3  提供客户服务
    1.3  本书的学习路径图
    1.4  对话机器人所需的理论知识
      1.4.1  构建对话机器人所需的知识体系
      1.4.2  理论知识的学习路径图
  第2章  对话机器人的架构
    2.1  产品需求定义
      2.1.1  封闭域对话vs开放域对话
      2.1.2  本书所定义的产品需求
    2.2  产品架构设计
      2.2.1  产品整体架构
      2.2.2  前端：微信小程序
      2.2.3  中台：Apache Tomcat + Java
      2.2.4  后台：TensorFlow + Python
    2.3  开发环境准备
      2.3.1  申请微信小程序账号
      2.3.2  下载安装微信小程序开发环境
      2.3.3  下载安装Java开发环境
      2.3.4  下载安装Tomcat软件
      2.3.5  下载安装MySQL数据库
      2.3.6  下载安装Python及TensorFlow开发环境
      2.3.7  购买配置中台以及后台服务器
第2篇 理论基础
  第3章  人工智能基础
    3.1  入门知识：分类任务
      3.1.1  从二分类任务说起
      3.1.2  特征及特征提取
      3.1.3  如何分类：训练分类器
      3.1.4  感知器
      3.1.5  支持向量机
      3.1.6  多类别分类
    3.2  人工神经网络的工作原理
      3.2.1  为什么需要人工神经网络
      3.2.2  人工神经网络如何工作
  第4章  自然语言处理基础
    4.1  自然语言处理的发展
      4.1.1  从规则引擎到概率统计
      4.1.2  自然语言处理要解决的问题
    4.2  基于概率统计的解题思路
      4.2.1  语音识别
      4.2.2  中文自动分词
      4.2.3  文本匹配
      4.2.4  机器翻译
  第5章  与对话机器人相关的深度学习
    5.1  词向量
      5.1.1  基本概念
      5.1.2  词向量的意义及语言模型
      5.1.3  Skip-Gram模型
      5.1.4  CBOW模型
      5.1.5  词向量的实现方式
      5.1.6  词向量的应用
    5.2  Encoder-Decoder模型
      5.2.1  Encoder-Decoder模型的工作原理
      5.2.2  Attention模型
    5.3  BERT模型
      5.3.1  从词向量到BERT：预训练技术的发展简史
      5.3.2  BERT模型的运作机制
      5.3.3  BERT模型的意义
  第6章  对话机器人的实现方式
    6.1  实现对话机器人的主流技术
      6.1.1  基于人工模版的技术
      6.1.2  基于检索的技术
      6.1.3  基于机器翻译的技术
      6.1.4  基于深度学习的技术
    6.2  对话管理
      6.2.1  对话管理的主要任务
      6.2.2  对话管理的实现方法
      6.2.3  基于结构的方法
      6.2.4  基于规则的方法
      6.2.5  基于统计的方法
第3篇 动手实战
  第7章  前端：对话机器人的用户界面
    7.1  创建对话机器人小程序
      7.1.1  新建对话机器人小程序
      7.1.2  代码构成
      7.1.3  小程序调试
    7.2  对话机器人小程序开发及测试
      7.2.1  用户界面设计
      7.2.2  实战：开发主页面
      7.2.3  实战：添加对话框
      7.2.4  实战：添加录音、输入框、发送按钮
      7.2.5  实战：添加功能代码
  第8章  中台：数据和服务管理
    8.1  创建对话机器人的中台项目
      8.1.1  新建中台项目
      8.1.2  准备开发功能
    8.2  编写中台功能代码
      8.2.1  实战：创建小程序信息处理接口SendMessageService
      8.2.2  实战：创建语音对话接口SendAudioService
  第9章  后台：对话服务
    9.1  准备数据
      9.1.1  下载及安装语料库
      9.1.2  实战：文本预处理
      9.1.3  实战：生成词向量
      9.1.4  实战：生成训练和测试数据
    9.2  建立模型
      9.2.1  实战：加载预处理好的词向量
      9.2.2  实战：建立模型
    9.3  训练及测试模型
      9.3.1  实战：训练和测试模型
      9.3.2  实战：验证模型的效果
    9.4  前台、中台、后台集成
      9.4.1  实战：创建后台对话服务
      9.4.2  实战：联合调试前台、中台、后台程序
第4篇 扩展应用
  第10章  任务型机器人
    10.1  任务型机器人的概念和实现方式
      10.1.1  任务型机器人的架构
      10.1.2  自然语言理解模块
      10.1.3  对话管理模块
      10.1.4  自然语言生成模块
    10.2  实战：创建一个任务型机器人
      10.2.1  实战：准备任务型机器人所需的数据
      10.2.2  实战：创建任务型机器人模型
  第11章  情感分析
    11.1  基本概念和实现方式
      11.1.1  什么是情感分析
      11.1.2  实现方式之一：基于词典的方法
      11.1.3  实现方式之二：基于机器学习的方法
    11.2  实战：基于深度学习的情感分析
      11.2.1  实战：准备情感分析所需的数据
      11.2.2  实战：创建情感分析模型
  第12章  客服机器人
    12.1  客服机器人的工作原理及关键技术
    12.2  知识图谱
      12.2.1  知识图谱的概念
      12.2.2  知识图谱的构建原则
      12.2.3  知识图谱的构建方式
      12.2.4  知识图谱之命名实体识别
      12.2.5  知识图谱之关系抽取
    12.3  实战：创建一个使用知识图谱的客服机器人
      12.3.1  总体架构
      12.3.2  准备知识图谱
      12.3.3  识别用户意图和语义
      12.3.4  基于知识图谱做出反应