亲密接触人工智能――从零搭建对话机器人

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。单纯学习人工智能的理论很枯燥，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”课程。

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 2

1．1 实例：对话机器人的一个例子 2

1．2 对话机器人的商业价值 3

∣1．2．1 满足人工智能时代的社交需求 3

∣1．2．2 宣传商品和服务 4

∣1．2．3 提供客户服务 4

1．3 本书的学习路径图 5

1．4 对话机器人所需的理论知识 7

∣1．4．1 构建对话机器人所需的知识体系 7

∣1．4．2 理论知识的学习路径图 8

/

第2章 对话机器人的系统架构 10

2．1 产品需求定义 10

∣2．1．1 封闭域对话vs开放域对话 10

∣2．1．2 本书所定义的产品需求 12

2．2 产品架构设计 13

∣2．2．1 产品整体架构 13

∣2．2．2 前端：微信小程序 14

∣2．2．3 中台：Apache Tomcat + Java 15

∣2．2．4 后台：TensorFlow + Python 16

2．3 开发环境准备 17

∣2．3．1 申请微信小程序账号 17

∣2．3．2 下载安装微信小程序开发环境 20

∣2．3．3 下载安装Java开发环境 20

∣2．3．4 下载安装Tomcat软件 21

∣2．3．5 下载安装MySQL数据库 21

∣2．3．6 下载安装Python及TensorFlow开发环境 21

∣2．3．7 购买配置中台以及后台服务器 22

/

-----------第2篇 理论基础

/

第3章 人工智能基础 26

3．1 入门知识：分类任务 26

∣3．1．1 从二分类任务说起 26

∣3．1．2 特征及特征提取 27

∣3．1．3 如何分类：训练分类器 29

∣3．1．4 感知器 31

∣3．1．5 支持向量机 33

∣3．1．6 多类别分类 34

3．2 人工神经网络的工作原理 35

∣3．2．1 为什么需要人工神经网络 35

∣3．2．2 人工神经网络如何工作 37

/

第4章 自然语言处理基础 42

4．1 自然语言处理的发展 42

∣4．1．1 从规则引擎到概率统计 42

∣4．1．2 自然语言处理要解决的问题 44

4．2 基于概率统计的解题思路 46

∣4．2．1 语音识别 46

∣4．2．2 中文自动分词 48

∣4．2．3 文本匹配 49

∣4．2．4 机器翻译 51

/

第5章 与对话机器人相关的深度学习 53

5．1 词向量 53

∣5．1．1 基本概念 53

∣5．1．2 词向量的意义及语言模型 55

∣5．1．3 Skip∣Gram模型 56

∣5．1．4 CBOW模型 58

∣5．1．5 词向量的实现方式 59

∣5．1．6 词向量的应用 61

5．2 Encoder∣Decoder模型 61

∣5．2．1 Encoder∣Decoder模型的工作原理 61

∣5．2．2 Attention模型 63

5．3 BERT模型 64

∣5．3．1 从词向量到BERT：预训练技术的发展简史 64

∣5．3．2 BERT模型的运作机制 65

∣5．3．3 BERT模型的意义 67

/

第6章 对话机器人的实现方式 68

6．1 实现对话机器人的主流技术 68

∣6．1．1 基于人工模版的技术 68

∣6．1．2 基于检索的技术 69

∣6．1．3 基于机器翻译的技术 71

∣6．1．4 基于深度学习的技术 72

6．2 对话管理 73

∣6．2．1 对话管理的主要任务 74

∣6．2．2 对话管理的实现方法 75

∣6．2．3 基于结构的方法 76

∣6．2．4 基于规则的方法 76

∣6．2．5 基于统计的方法 77

/

-----------第3篇 动手实战

/

第7章 前端：对话机器人的用户界面 80

7．1 创建对话机器人小程序 80

∣7．1．1 新建对话机器人小程序 80

∣7．1．2 代码构成 82

∣7．1．3 小程序调试 83

7．2 对话机器人小程序开发及测试 83

∣7．2．1 用户界面设计 84

∣7．2．2 实战：开发主页面 84

∣7．2．3 实战：添加对话框 85

∣7．2．4 实战：添加录音、输入框、发送按钮 86

∣7．2．5 实战：添加功能代码 87

/

第8章 中台：数据和服务管理 93

8．1 创建对话机器人的中台项目 93

∣8．1．1 新建中台项目 93

∣8．1．2 准备开发功能 95

8．2 编写中台功能代码 97

∣8．2．1 实战：创建小程序信息处理接口SendMessageService 97

∣8．2．2 实战：创建语音对话接口SendAudioService 103

/

第9章 后台：对话服务 114

9．1 准备数据 114

∣9．1．1 下载及安装语料库 114

∣9．1．2 实战：文本预处理 115

∣9．1．3 实战：生成词向量 117

∣9．1．4 实战：生成训练和测试数据 120

9．2 建立模型 122

∣9．2．1 实战：加载预处理好的词向量 122

∣9．2．2 实战：建立模型 126

9．3 训练及测试模型 128

∣9．3．1 实战：训练和测试模型 128

∣9．3．2 实战：验证模型的效果 130

9．4 前台、中台、后台系统集成 136

∣9．4．1 实战：创建后台对话服务 137

∣9．4．2 实战：联合调试前台、中台、后台程序 139

/

-----------第4篇 扩展应用

/

第10章 任务型机器人 142

10．1 任务型机器人的概念和实现方式 142

∣10．1．1 任务型机器人的架构 142

∣10．1．2 自然语言理解模块 143

∣10．1．3 对话管理模块 144

∣10．1．4 自然语言生成模块 145

10．2 实战：创建一个任务型机器人 145

∣10．2．1 实战：准备任务型机器人所需的数据 145

∣10．2．2 实战：创建任务型机器人模型 146

/

第11章 情感分析 155

11．1 基本概念和实现方式 155

∣11．1．1 什么是情感分析 155

∣11．1．2 实现方式之一：基于词典的方法 156

∣11．1．3 实现方式之二：基于机器学习的方法 158

11．2 实战：基于深度学习的情感分析 158

∣11．2．1 实战：准备情感分析所需的数据 158

∣11．2．2 实战：创建情感分析模型 166