内容简介

《Python文本分析》遵循结构化和综合性的方法，介绍了文本和语言语法、结构和语义的基础概念和高级概念。从自然语言和Python的基础开始，进而学习先进的分析理念和机器学习概念。全面提供了自然语言处理（NLP）和文本分析的主要概念和技术。包含了丰富的真实案例实现技术，例如构建分类新闻文章的文本分类系统,使用主题建模和文本摘要分析app或游戏评论,进行热门电影概要的聚类分析和电影评论的情感分析。介绍了基于Python和流行NLP开源库和文本分析实用工具，如自然语言工具包（nltk）、gensim、scikit-learn、spaCy和Pattern。

目录

译者序

前言

第1章自然语言基础

1.1自然语言

1.1.1什么是自然语言

1.1.2语言哲学

1.1.3语言习得和用法

1.2语言学

1.3语言句法和结构

1.3.1词

1.3.2短语

1.3.3从句

1.3.4语法

1.3.5语序类型学

1.4语言语义

1.4.1词汇语义关系

1.4.2语义网络和模型

1.4.3语义表示

1.5文本语料库

1.5.1文本语料库标注及使用

1.5.2热门的语料库

1.5.3访问文本语料库

1.6自然语言处理

1.6.1机器翻译

1.6.2语音识别系统

1.6.3问答系统

1.6.4语境识别与消解

1.6.5文本摘要

1.6.6文本分类

1.7文本分析

1.8小结

第2章Python语言回顾

2.1了解Python

2.1.1Python之禅

2.1.2应用：何时使用Python

2.1.3缺点：何时不用Python

2.1.4Python实现和版本

2.2安装和设置

2.2.1用哪个Python版本

2.2.2用哪个操作系统

2.2.3集成开发环境

2.2.4环境设置

2.2.5虚拟环境

2.3Python句法和结构

2.4数据结构和类型

2.4.1数值类型

2.4.2字符串

2.4.3列表

2.4.4集合

2.4.5字典

2.4.6元组

2.4.7文件

2.4.8杂项

2.5控制代码流

2.5.1条件结构

2.5.2循环结构

2.5.3处理异常

2.6函数编程

2.6.1函数

2.6.2递归函数

2.6.3匿名函数

2.6.4迭代器

2.6.5分析器

2.6.6生成器

2.6.7itertools和functools模块

2.7类

2.8使用文本

2.8.1字符串文字

2.8.2字符串操作和方法

2.9文本分析框架

2.10小结

第3章处理和理解文本

3.1文本切分

3.1.1句子切分

3.1.2词语切分

3.2文本规范化

3.2.1文本清洗

3.2.2文本切分

3.2.3删除特殊字符

3.2.4扩展缩写词

3.2.5大小写转换

3.2.6删除停用词

3.2.7词语校正

3.2.8词干提取

3.2.9词形还原

3.3理解文本句法和结构

3.3.1安装必要的依赖项

3.3.2机器学习重要概念

3.3.3词性标注

3.3.4浅层分析

3.3.5基于依存关系的分析

3.3.6基于成分结构的分析

3.4小结

第4章文本分类

4.1什么是文本分类

4.2自动文本分类

4.3文本分类的蓝图

4.4文本规范化处理

4.5特征提取

4.5.1词袋模型

4.5.2TFIDF模型

4.5.3高级词向量模型

4.6分类算法

4.6.1多项式朴素贝叶斯

4.6.2支持向量机

4.7评估分类模型

4.8建立一个多类分类系统

4.9应用

4.10小结

第5章文本摘要

5.1文本摘要和信息提取

5.2重要概念

5.2.1文档

5.2.2文本规范化

5.2.3特征提取

5.2.4特征矩阵

5.2.5奇异值分解

5.3文本规范化

5.4特征提取

5.5关键短语提取

5.5.1搭配

5.5.2基于权重标签的短语提取

5.6主题建模

5.6.1隐含语义索引

5.6.2隐含Dirichlet分布

5.6.3非负矩阵分解

5.6.4从产品评论中提取主题

5.7自动文档摘要

5.7.1隐含语义分析

5.7.2TextRank算法

5.7.3生成产品说明摘要

5.8小结

第6章文本相似度和聚类

6.1重要概念

6.1.1信息检索

6.1.2特征工程

6.1.3相似度测量

6.1.4无监督的机器学习算法

6.2文本规范化

6.3特征提取

6.4文本相似度

6.5词项相似度分析

6.5.1汉明距离

6.5.2曼哈顿距离

6.5.3欧几里得距离

6.5.4莱文斯坦编辑距离

6.5.5余弦距离和相似度

6.6文档相似度分析

6.6.1余弦相似度

6.6.2海灵格-巴塔恰亚距离

6.6.3Okapi BM25排名

6.7文档聚类

6.8最佳影片聚类分析

6.8.1kmeans聚类

6.8.2近邻传播聚类

6.8.3沃德凝聚层次聚类

6.9小结

第7章语义与情感分析

7.1语义分析

7.2探索WordNet

7.2.1理解同义词集

7.2.2分析词汇的语义关系

7.3词义消歧

7.4命名实体识别

7.5分析语义表征

7.5.1命题逻辑

7.5.2一阶逻辑

7.6情感分析

7.7IMDb电影评论的情感分析

7.7.1安装依赖程序包

7.7.2准备数据集

7.7.3有监督的机器学习技术

7.7.4无监督的词典技术

7.7.5模型性能比较

7.8小结

文档截图