《大數據智能——互聯網時代的機器學習和自然語言處理技術》是一本介紹大數據智能分析的科普書籍，旨在讓更多的人了解和學習互聯網時代的機器學習和自然語言處理技術，以期讓大數據技術更好地為我們的生產和生活服務。

《大數據智能——互聯網時代的機器學習和自然語言處理技術》包括大數據智能基礎和大數據智能應用兩個部分，共8 章。大數據智能基礎部分有三章：第1 章以深度學習為例介紹大數據智能的計算框架；第2 章以知識圖譜為例介紹大數據智能的知識庫；第3 章介紹大數據的計算處理系統。大數據智能應用部分有5 章：第4 章介紹智能問答，第5 章介紹主題模型，第6 章介紹個性化推薦，第7 章介紹情感分析與意見挖掘，第8 章介紹面向社會媒體內容的分析與應用。最后在《大數據智能——互聯網時代的機器學習和自然語言處理技術》的后記部分為讀者追蹤大數據智能的最新學術材料提供了建議。

目錄

第1 章 深度學習——機器大腦的結構 1
1.1 概述 3
1.1.1 可以做酸奶的面包機——通用機器的概念 3
1.1.2 連接主義 5
1.1.3 用機器設計機器 6
1.1.4 深度網絡 6
1.1.5 深度學習的用武之地 7
1.2 從人腦神經元到人工神經元 8
1.2.1 生物神經元中的計算靈感 8
1.2.2 激活函數 9
1.3 參數學習 10
1.3.1 模型的評價 11
1.3.2 有監(jiān)督學習 11
1.3.3 梯度下降法 12
1.4 多層前饋網絡 13
1.4.1 多層前饋網絡 14
1.4.2 后向傳播算法計算梯度 16
1.5 逐層預訓練 17
1.6 深度學習是終極神器嗎 19
1.6.1 深度學習帶來了什么 19
1.6.2 深度學習尚未做到什么 20
1.7 內容回顧與推薦閱讀 21
1.8 參考文獻 21
第2 章 知識圖譜——機器大腦中的知識庫 23
2.1 什么是知識圖譜 25
2.2 知識圖譜的構建 27
2.2.1 大規(guī)模知識庫 27
2.2.2 互聯網鏈接數據 28
2.2.3 互聯網網頁文本數據 29
2.2.4 多數據源的知識融合 29
2.3 知識圖譜的典型應用 30
2.3.1 查詢理解（Query Understanding） 30
2.3.2 自動問答（Question Answering） 32
2.3.3 文檔表示（Document Representation） 33
2.4 知識圖譜的主要技術 34
2.4.1 實體鏈指（Entity Linking） 34
2.4.2 關系抽取（Relation Extraction） 35
2.4.3 知識推理（Knowledge Reasoning） 37
2.4.4 知識表示（Knowledge Representation） 38
2.5 前景與挑戰(zhàn) 39
2.6 內容回顧與推薦閱讀 40
2.7 參考文獻 41
第3 章 大數據系統——大數據背后的支撐技術 43
3.1 概述 45
3.2 高性能計算技術 46
3.2.1 超級計算機的組成 47
3.2.2 并行計算的系統支持 48
3.3 虛擬化和云計算技術 52
3.3.1 虛擬化技術 52
3.3.2 云計算服務 54
3.4 基于分布式計算的大數據系統 55
3.4.1 Hadoop 生態(tài)系統 55
3.4.2 Spark 61
3.4.3 典型的大數據基礎架構 63
3.5 大規(guī)模圖計算 63
3.5.1 分布式圖計算框架 64
3.5.2 高效的單機圖計算框架 65
3.6 NoSQL 66
3.6.1 MongoDB 簡介 67
3.7 內容回顧與推薦閱讀 69
3.8 參考文獻 70
第4 章 智能問答——智能助手是如何煉成的 71
4.1 概述 73
4.2 問答系統的主要組成 77
4.3 文本問答系統 78
4.3.1 問題理解 78
4.3.2 知識檢索 81
4.3.3 答案生成 83
4.4 社區(qū)問答系統 84
4.4.1 社區(qū)問答系統的結構 85
4.4.2 相似問題檢索 86
4.4.3 答案過濾 86
4.5 多媒體問答系統 87
4.6 大型問答系統案例：IBM 沃森問答系統 89
4.6.1 沃森的總體結構 89
4.6.2 問題解析 90
4.6.3 知識儲備 90
4.6.4 檢索和候選答案生成 91
4.6.5 可信答案確定 92
4.7 內容回顧與推薦閱讀 93
4.8 參考文獻 94
第5 章 主題模型——機器的智能摘要利器 97
5.1 概述 99
5.2 主題模型出現的背景 100
5.3 第一個主題模型潛在語義分析 102
5.4 第一個正式的概率主題模型 104
5.5 第一個正式的貝葉斯主題模型 105
5.6 LDA 的概要介紹 106
5.6.1 LDA 的延伸理解——主題模型廣義理解 109
5.6.2 模型求解 111
5.6.3 模型評估 112
5.6.4 模型選擇：主題數目的確定 113
5.7 主題模型的變形與應用 114
5.7.1 基于LDA 的模型變種 114
5.7.2 基于LDA 的典型應用 115
5.7.3 一個基于主題模型的新浪名人話題排行榜應用 118
5.8 內容回顧與推薦閱讀 122
5.9 參考文獻 123
第6 章 個性化推薦系統——如何了解電腦背后的TA 129
6.1 概述 131
6.1.1 推薦系統的發(fā)展歷史 132
6.1.2 推薦無處不在 133
6.1.3 從千人一面到千人千面 133
6.2 個性化推薦的基本問題 134
6.2.1 推薦系統的輸入 135
6.2.2 推薦系統的輸出 137
6.2.3 個性化推薦的形式化 137
6.2.4 推薦系統的三大核心問題 138
6.3 典型推薦算法淺析 139
6.3.1 推薦算法的分類 139
6.3.2 典型推薦算法介紹 140
6.3.3 基于矩陣分解的打分預測 146
6.3.4 推薦的可解釋性 151
6.3.5 推薦算法的評價 153
6.3.6 我們走了多遠 156
6.4 參考文獻 160
第7 章 情感分析與意見挖掘——計算機如何了解人類情感 165
7.1 概述 167
7.2 情感分析的主要研究問題 172
7.3 情感分析的主要方法 175
7.3.1 構成情感和觀點的基本元素 175
7.3.2 情感極性與情感詞典 177
7.3.3 屬性－觀點對 182
7.3.4 情感分析 184
7.4 主要的情感詞典資源 188
7.5 內容回顧與推薦閱讀 189
7.6 參考文獻 190
第8 章 面向社會媒體大數據的語言使用分析及應用 195
8.1 概述 197
8.2 面向社會媒體的自然語言使用分析 197
8.2.1 詞匯的時空傳播與演化 198
8.2.2 語言使用與個體差異 200
8.2.3 語言使用與社會地位 202
8.2.4 語言使用與群體分析 203
8.3 面向社會媒體的自然語言分析應用 206
8.3.1 社會預測 206
8.3.2 霸凌現象定量分析 207
8.4 未來研究的挑戰(zhàn)與展望 208
8.5 參考文獻 209
后 記 214
國際學術組織、學術會議與學術論文 214
國內學術組織、學術會議與學術論文 216
如何快速了解某個領域的研究進展 217