最新章節(jié)

• 封底
• 作者簡介
• 反侵權盜版說明
• 索引
• 參考文獻
• 14.5 習題

• 封底 更新時間：2023-11-17 16:49:01
• 作者簡介
• 反侵權盜版說明
• 索引
• 參考文獻
• 14.5 習題
• 14.4 延伸閱讀
• 14.3.3 可解釋評估
• 14.3.2 數(shù)據(jù)解釋性分析方法
• 14.3.1 模型解釋性分析方法
• 14.3 自然語言處理算法的解釋性分析方法
• 14.2.2 全局分析方法
• 14.2.1 局部分析方法
• 14.2 解釋性分析方法
• 14.1.2 解釋方法評估
• 14.1.1 可解釋性的分類
• 14.1 可解釋性概述
• 第14章 模型可解釋性
• 13.7 習題
• 13.6 延伸閱讀
• 13.5.2 模型穩(wěn)健性通用評測基準
• 13.5.1 特定任務穩(wěn)健性評測基準
• 13.5 模型穩(wěn)健性評測基準
• 13.4.4 對抗樣本檢測
• 13.4.3 基于數(shù)據(jù)增強的文本對抗防御方法
• 13.4.2 基于表示壓縮的文本對抗防御方法
• 13.4.1 基于對抗訓練的文本對抗防御方法
• 13.4 文本對抗防御方法
• 13.3.4 后門攻擊
• 13.3.3 句子級別的攻擊方法
• 13.3.2 詞級別的攻擊方法
• 13.3.1 字符級別的攻擊方法
• 13.3 文本對抗攻擊方法
• 13.2 數(shù)據(jù)偏差消除
• 13.1.2 穩(wěn)健性的主要研究內容
• 13.1.1 穩(wěn)健性的基本概念
• 13.1 穩(wěn)健性概述
• 第13章 模型穩(wěn)健性
• 第3部分 模型分析
• 12.7 習題
• 12.6 延伸閱讀
• 12.5.4 知識圖譜問答語料庫
• 12.5.3 基于深度學習的知識圖譜問答
• 12.5.2 基于信息檢索的知識圖譜問答
• 12.5.1 基于語義解析的知識圖譜問答
• 12.5 知識圖譜問答
• 12.4.2 基于表示學習的知識圖譜推理
• 12.4.1 基于符號邏輯的知識圖譜推理
• 12.4 知識圖譜推理
• 12.3.3 實體對齊
• 12.3.2 實體鏈接
• 12.3.1 屬性補全
• 12.3 知識圖譜的獲取與構建
• 12.2.4 基于圖的知識圖譜存儲
• 12.2.3 基于表的知識圖譜存儲
• 12.2.2 知識圖譜的向量表示
• 12.2.1 知識圖譜的符號表示
• 12.2 知識圖譜的表示與存儲
• 12.1.2 知識圖譜的研究內容
• 12.1.1 知識圖譜的發(fā)展歷程
• 12.1 知識圖譜概述
• 第12章 知識圖譜
• 11.7 習題
• 11.6 延伸閱讀
• 11.5.5 跨語言文本摘要語料庫
• 11.5.4 多模態(tài)文本摘要語料庫
• 11.5.3 對話摘要語料庫
• 11.5.2 多文檔摘要語料庫
• 11.5.1 單文檔摘要語料庫
• 11.5 文本摘要語料庫
• 11.4.2 自動評測
• 11.4.1 人工評測
• 11.4 文本摘要評測
• 11.3.2 抽取與生成結合式文本摘要
• 11.3.1 序列到序列生成式文本摘要
• 11.3 生成式文本摘要
• 11.2.2 基于序列標注的方法
• 11.2.1 基于排序的方法
• 11.2 抽取式文本摘要
• 11.1.2 文本摘要的主要任務
• 11.1.1 文本摘要的發(fā)展歷程
• 11.1 文本摘要概述
• 第11章 文本摘要
• 10.7 習題
• 10.6 延伸閱讀
• 10.5.3 開放領域問答語料庫
• 10.5.2 基于端到端架構的開放領域問答模型
• 10.5.1 基于檢索-閱讀理解架構的開放領域問答模型
• 10.5 開放領域問答
• 10.4.3 社區(qū)問答語料庫
• 10.4.2 基于深度學習的語義匹配算法
• 10.4.1 基于特征的語義匹配算法
• 10.4 社區(qū)問答
• 10.3.3 表格問答語料庫
• 10.3.2 基于深度學習的表格問答模型
• 10.3.1 基于特征的表格問答方法
• 10.3 表格問答
• 10.2.3 閱讀理解語料庫
• 10.2.2 基于深度神經(jīng)網(wǎng)絡的閱讀理解算法
• 10.2.1 基于特征的閱讀理解算法
• 10.2 閱讀理解
• 10.1.2 智能問答的主要類型
• 10.1.1 智能問答的發(fā)展歷程
• 10.1 智能問答概述
• 第10章 智能問答
• 9.6 習題
• 9.5 延伸閱讀
• 9.4.3 屬性級情感分析語料庫
• 9.4.2 屬性級情感分類
• 9.4.1 情感信息抽取
• 9.4 屬性級情感分析
• 9.3.4 句子級情感分析語料庫
• 9.3.3 基于情感知識增強預訓練的句子級情感分析
• 9.3.2 基于遞歸神經(jīng)張量網(wǎng)絡的句子級情感分析
• 9.3.1 基于詞典的句子級情感分析
• 9.3 句子級情感分析
• 9.2.3 篇章級情感分析語料庫
• 9.2.2 基于層次結構的篇章級情感分析
• 9.2.1 基于支持向量機的篇章級情感分析
• 9.2 篇章級情感分析
• 9.1.2 情感分析的主要任務
• 9.1.1 情感模型
• 9.1 情感分析概述
• 第9章 情感分析
• 8.6 習題
• 8.5 延伸閱讀
• 8.4 機器翻譯語料庫
• 8.3.3 自注意力神經(jīng)網(wǎng)絡翻譯模型
• 8.3.2 卷積神經(jīng)網(wǎng)絡翻譯模型
• 8.3.1 循環(huán)神經(jīng)網(wǎng)絡翻譯模型
• 8.3 基于神經(jīng)網(wǎng)絡的機器翻譯方法
• 8.2.6 IBM模型Ⅴ
• 8.2.5 IBM模型Ⅳ
• 8.2.4 IBM模型Ⅲ
• 8.2.3 IBM模型Ⅱ
• 8.2.2 IBM模型Ⅰ
• 8.2.1 任務定義與基本問題
• 8.2 基于統(tǒng)計的機器翻譯方法
• 8.1.2 機器翻譯的現(xiàn)狀與挑戰(zhàn)
• 8.1.1 機器翻譯的發(fā)展歷程
• 8.1 機器翻譯概述
• 第8章 機器翻譯
• 7.6 習題
• 7.5 延伸閱讀
• 7.4.4 事件抽取語料庫
• 7.4.3 事件抽取評測方法
• 7.4.2 開放域事件抽取
• 7.4.1 限定域事件抽取
• 7.4 事件抽取
• 7.3.5 關系抽取語料庫
• 7.3.4 關系抽取評測方法
• 7.3.3 開放關系抽取
• 7.3.2 遠程監(jiān)督關系抽取
• 7.3.1 有監(jiān)督關系抽取
• 7.3 關系抽取
• 7.2.5 命名實體識別語料庫
• 7.2.4 命名實體識別評測方法
• 7.2.3 多規(guī)范命名實體識別
• 7.2.2 嵌套命名實體識別
• 7.2.1 非嵌套命名實體識別
• 7.2 命名實體識別
• 7.1 信息抽取概述
• 第7章 信息抽取
• 第2部分 核心技術
• 6.8 習題
• 6.7 延伸閱讀
• 6.6 語言模型評測方法
• 6.5.3 人類反饋
• 6.5.2 指令微調
• 6.5.1 基礎大模型訓練
• 6.5 大規(guī)模語言模型
• 6.4.5 預訓練語言模型的應用
• 6.4.4 序列到序列的預訓練語言模型BART
• 6.4.3 掩碼預訓練語言模型BERT
• 6.4.2 生成式預訓練語言模型GPT
• 6.4.1 動態(tài)詞向量算法ELMo
• 6.4 預訓練語言模型
• 6.3.2 循環(huán)神經(jīng)網(wǎng)絡語言模型
• 6.3.1 前饋神經(jīng)網(wǎng)絡語言模型
• 6.3 神經(jīng)網(wǎng)絡語言模型
• 6.2.4 平滑方法總結
• 6.2.3 Katz平滑
• 6.2.2 古德-圖靈估計法
• 6.2.1 加法平滑
• 6.2 n元語言模型
• 6.1 語言模型概述
• 第6章 語言模型
• 5.6 習題
• 5.5 延伸閱讀
• 5.4.3 基于實體的指代消解算法
• 5.4.2 基于表述排序的指代消解算法
• 5.4.1 基于表述對的指代消解算法
• 5.4 指代消解
• 5.3.2 淺層篇章分析
• 5.3.1 修辭結構篇章分析
• 5.3 篇章結構分析
• 5.2.2 基于循環(huán)神經(jīng)網(wǎng)絡的話語分割算法
• 5.2.1 基于詞匯句法樹的統(tǒng)計話語分割算法
• 5.2 話語分割
• 5.1.3 篇章的結構
• 5.1.2 篇章的連貫
• 5.1.1 篇章的銜接
• 5.1 篇章理論概述
• 第5章 篇章分析
• 4.7 習題
• 4.6 延伸閱讀
• 4.5.4 語義角色標注語料庫和語義角色標注評測
• 4.5.3 語義角色標注評測方法
• 4.5.2 基于深度神經(jīng)網(wǎng)絡的語義角色標注算法
• 4.5.1 基于句法樹的語義角色標注算法
• 4.5 語義角色標注
• 4.4.5 詞義消歧語料庫
• 4.4.4 詞義消歧評測方法
• 4.4.3 基于詞義知識增強預訓練的詞義消歧算法
• 4.4.2 基于詞義釋義匹配的詞義消歧算法
• 4.4.1 基于目標詞上下文的詞義消歧算法
• 4.4 詞義消歧
• 4.3.3 篇章分布式表示
• 4.3.2 句子分布式表示
• 4.3.1 詞分布式表示
• 4.3 分布式表示
• 4.2.3 語義網(wǎng)絡表示
• 4.2.2 框架表示
• 4.2.1 謂詞邏輯表示
• 4.2 語義表示
• 4.1.2 句子語義學
• 4.1.1 詞匯語義學
• 4.1 語義學概述
• 第4章 語義分析
• 3.6 習題
• 3.5 延伸閱讀
• 3.4 句法分析語料庫
• 3.3.5 依存句法分析評測方法
• 3.3.4 基于神經(jīng)網(wǎng)絡的轉移依存句法分析
• 3.3.3 基于轉移的依存句法分析
• 3.3.2 基于神經(jīng)網(wǎng)絡的圖依存句法分析
• 3.3.1 基于圖的依存句法分析
• 3.3 依存句法分析
• 3.2.3 成分句法分析評測方法
• 3.2.2 基于概率上下文無關語法的成分句法分析
• 3.2.1 基于上下文無關語法的成分句法分析
• 3.2 成分句法分析
• 3.1.2 依存語法理論概述
• 3.1.1 成分語法理論概述
• 3.1 句法概述
• 第3章 句法分析
• 2.6 習題
• 2.5 延伸閱讀
• 2.4.5 詞性標注語料庫
• 2.4.4 詞性標注評測方法
• 2.4.3 基于卷積神經(jīng)網(wǎng)絡的詞性標注
• 2.4.2 基于隱馬爾可夫模型的詞性標注
• 2.4.1 基于規(guī)則的詞性標注
• 2.4 詞性標注
• 2.3.7 中文分詞語料庫
• 2.3.6 中文分詞評測方法
• 2.3.5 基于雙向長短期記憶網(wǎng)絡的中文分詞算法
• 2.3.4 基于感知器的中文分詞算法
• 2.3.3 基于線性鏈條件隨機場的中文分詞算法
• 2.3.2 基于最大匹配的中文分詞算法
• 2.3.1 中文分詞概述
• 2.3 中文分詞
• 2.2.3 詞干提取
• 2.2.2 詞形還原
• 2.2.1 詞語切分
• 2.2 詞語規(guī)范化
• 2.1.2 詞的詞性
• 2.1.1 詞的形態(tài)學
• 2.1 語言中的詞匯
• 第2章 詞匯分析
• 1.3 本書內容安排
• 1.2.4 基于大模型的方法
• 1.2.3 基于深度學習的方法
• 1.2.2 基于機器學習的方法
• 1.2.1 基于規(guī)則的方法
• 1.2 自然語言處理的基本范式
• 1.1.3 自然語言處理的主要難點
• 1.1.2 自然語言處理的主要研究內容
• 1.1.1 自然語言處理簡史
• 1.1 自然語言處理的基本概念
• 第1章 緒論
• 第1部分 基礎技術
• 前言
• 序
• 數(shù)學符號
• 內容簡介
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 內容簡介
• 數(shù)學符號
• 序
• 前言
• 第1部分 基礎技術
• 第1章 緒論
• 1.1 自然語言處理的基本概念
• 1.1.1 自然語言處理簡史
• 1.1.2 自然語言處理的主要研究內容
• 1.1.3 自然語言處理的主要難點
• 1.2 自然語言處理的基本范式
• 1.2.1 基于規(guī)則的方法
• 1.2.2 基于機器學習的方法
• 1.2.3 基于深度學習的方法
• 1.2.4 基于大模型的方法
• 1.3 本書內容安排
• 第2章 詞匯分析
• 2.1 語言中的詞匯
• 2.1.1 詞的形態(tài)學
• 2.1.2 詞的詞性
• 2.2 詞語規(guī)范化
• 2.2.1 詞語切分
• 2.2.2 詞形還原
• 2.2.3 詞干提取
• 2.3 中文分詞
• 2.3.1 中文分詞概述
• 2.3.2 基于最大匹配的中文分詞算法
• 2.3.3 基于線性鏈條件隨機場的中文分詞算法
• 2.3.4 基于感知器的中文分詞算法
• 2.3.5 基于雙向長短期記憶網(wǎng)絡的中文分詞算法
• 2.3.6 中文分詞評測方法
• 2.3.7 中文分詞語料庫
• 2.4 詞性標注
• 2.4.1 基于規(guī)則的詞性標注
• 2.4.2 基于隱馬爾可夫模型的詞性標注
• 2.4.3 基于卷積神經(jīng)網(wǎng)絡的詞性標注
• 2.4.4 詞性標注評測方法
• 2.4.5 詞性標注語料庫
• 2.5 延伸閱讀
• 2.6 習題
• 第3章 句法分析
• 3.1 句法概述
• 3.1.1 成分語法理論概述
• 3.1.2 依存語法理論概述
• 3.2 成分句法分析
• 3.2.1 基于上下文無關語法的成分句法分析
• 3.2.2 基于概率上下文無關語法的成分句法分析
• 3.2.3 成分句法分析評測方法
• 3.3 依存句法分析
• 3.3.1 基于圖的依存句法分析
• 3.3.2 基于神經(jīng)網(wǎng)絡的圖依存句法分析
• 3.3.3 基于轉移的依存句法分析
• 3.3.4 基于神經(jīng)網(wǎng)絡的轉移依存句法分析
• 3.3.5 依存句法分析評測方法
• 3.4 句法分析語料庫
• 3.5 延伸閱讀
• 3.6 習題
• 第4章 語義分析
• 4.1 語義學概述
• 4.1.1 詞匯語義學
• 4.1.2 句子語義學
• 4.2 語義表示
• 4.2.1 謂詞邏輯表示
• 4.2.2 框架表示
• 4.2.3 語義網(wǎng)絡表示
• 4.3 分布式表示
• 4.3.1 詞分布式表示
• 4.3.2 句子分布式表示
• 4.3.3 篇章分布式表示
• 4.4 詞義消歧
• 4.4.1 基于目標詞上下文的詞義消歧算法
• 4.4.2 基于詞義釋義匹配的詞義消歧算法
• 4.4.3 基于詞義知識增強預訓練的詞義消歧算法
• 4.4.4 詞義消歧評測方法
• 4.4.5 詞義消歧語料庫
• 4.5 語義角色標注
• 4.5.1 基于句法樹的語義角色標注算法
• 4.5.2 基于深度神經(jīng)網(wǎng)絡的語義角色標注算法
• 4.5.3 語義角色標注評測方法
• 4.5.4 語義角色標注語料庫和語義角色標注評測
• 4.6 延伸閱讀
• 4.7 習題
• 第5章 篇章分析
• 5.1 篇章理論概述
• 5.1.1 篇章的銜接
• 5.1.2 篇章的連貫
• 5.1.3 篇章的結構
• 5.2 話語分割
• 5.2.1 基于詞匯句法樹的統(tǒng)計話語分割算法
• 5.2.2 基于循環(huán)神經(jīng)網(wǎng)絡的話語分割算法
• 5.3 篇章結構分析
• 5.3.1 修辭結構篇章分析
• 5.3.2 淺層篇章分析
• 5.4 指代消解
• 5.4.1 基于表述對的指代消解算法
• 5.4.2 基于表述排序的指代消解算法
• 5.4.3 基于實體的指代消解算法
• 5.5 延伸閱讀
• 5.6 習題
• 第6章 語言模型
• 6.1 語言模型概述
• 6.2 n元語言模型
• 6.2.1 加法平滑
• 6.2.2 古德-圖靈估計法
• 6.2.3 Katz平滑
• 6.2.4 平滑方法總結
• 6.3 神經(jīng)網(wǎng)絡語言模型
• 6.3.1 前饋神經(jīng)網(wǎng)絡語言模型
• 6.3.2 循環(huán)神經(jīng)網(wǎng)絡語言模型
• 6.4 預訓練語言模型
• 6.4.1 動態(tài)詞向量算法ELMo
• 6.4.2 生成式預訓練語言模型GPT
• 6.4.3 掩碼預訓練語言模型BERT
• 6.4.4 序列到序列的預訓練語言模型BART
• 6.4.5 預訓練語言模型的應用
• 6.5 大規(guī)模語言模型
• 6.5.1 基礎大模型訓練
• 6.5.2 指令微調
• 6.5.3 人類反饋
• 6.6 語言模型評測方法
• 6.7 延伸閱讀
• 6.8 習題
• 第2部分 核心技術
• 第7章 信息抽取
• 7.1 信息抽取概述
• 7.2 命名實體識別
• 7.2.1 非嵌套命名實體識別
• 7.2.2 嵌套命名實體識別
• 7.2.3 多規(guī)范命名實體識別
• 7.2.4 命名實體識別評測方法
• 7.2.5 命名實體識別語料庫
• 7.3 關系抽取
• 7.3.1 有監(jiān)督關系抽取
• 7.3.2 遠程監(jiān)督關系抽取
• 7.3.3 開放關系抽取
• 7.3.4 關系抽取評測方法
• 7.3.5 關系抽取語料庫
• 7.4 事件抽取
• 7.4.1 限定域事件抽取
• 7.4.2 開放域事件抽取
• 7.4.3 事件抽取評測方法
• 7.4.4 事件抽取語料庫
• 7.5 延伸閱讀
• 7.6 習題
• 第8章 機器翻譯
• 8.1 機器翻譯概述
• 8.1.1 機器翻譯的發(fā)展歷程
• 8.1.2 機器翻譯的現(xiàn)狀與挑戰(zhàn)
• 8.2 基于統(tǒng)計的機器翻譯方法
• 8.2.1 任務定義與基本問題
• 8.2.2 IBM模型Ⅰ
• 8.2.3 IBM模型Ⅱ
• 8.2.4 IBM模型Ⅲ
• 8.2.5 IBM模型Ⅳ
• 8.2.6 IBM模型Ⅴ
• 8.3 基于神經(jīng)網(wǎng)絡的機器翻譯方法
• 8.3.1 循環(huán)神經(jīng)網(wǎng)絡翻譯模型
• 8.3.2 卷積神經(jīng)網(wǎng)絡翻譯模型
• 8.3.3 自注意力神經(jīng)網(wǎng)絡翻譯模型
• 8.4 機器翻譯語料庫
• 8.5 延伸閱讀
• 8.6 習題
• 第9章 情感分析
• 9.1 情感分析概述
• 9.1.1 情感模型
• 9.1.2 情感分析的主要任務
• 9.2 篇章級情感分析
• 9.2.1 基于支持向量機的篇章級情感分析
• 9.2.2 基于層次結構的篇章級情感分析
• 9.2.3 篇章級情感分析語料庫
• 9.3 句子級情感分析
• 9.3.1 基于詞典的句子級情感分析
• 9.3.2 基于遞歸神經(jīng)張量網(wǎng)絡的句子級情感分析
• 9.3.3 基于情感知識增強預訓練的句子級情感分析
• 9.3.4 句子級情感分析語料庫
• 9.4 屬性級情感分析
• 9.4.1 情感信息抽取
• 9.4.2 屬性級情感分類
• 9.4.3 屬性級情感分析語料庫
• 9.5 延伸閱讀
• 9.6 習題
• 第10章 智能問答
• 10.1 智能問答概述
• 10.1.1 智能問答的發(fā)展歷程
• 10.1.2 智能問答的主要類型
• 10.2 閱讀理解
• 10.2.1 基于特征的閱讀理解算法
• 10.2.2 基于深度神經(jīng)網(wǎng)絡的閱讀理解算法
• 10.2.3 閱讀理解語料庫
• 10.3 表格問答
• 10.3.1 基于特征的表格問答方法
• 10.3.2 基于深度學習的表格問答模型
• 10.3.3 表格問答語料庫
• 10.4 社區(qū)問答
• 10.4.1 基于特征的語義匹配算法
• 10.4.2 基于深度學習的語義匹配算法
• 10.4.3 社區(qū)問答語料庫
• 10.5 開放領域問答
• 10.5.1 基于檢索-閱讀理解架構的開放領域問答模型
• 10.5.2 基于端到端架構的開放領域問答模型
• 10.5.3 開放領域問答語料庫
• 10.6 延伸閱讀
• 10.7 習題
• 第11章 文本摘要
• 11.1 文本摘要概述
• 11.1.1 文本摘要的發(fā)展歷程
• 11.1.2 文本摘要的主要任務
• 11.2 抽取式文本摘要
• 11.2.1 基于排序的方法
• 11.2.2 基于序列標注的方法
• 11.3 生成式文本摘要
• 11.3.1 序列到序列生成式文本摘要
• 11.3.2 抽取與生成結合式文本摘要
• 11.4 文本摘要評測
• 11.4.1 人工評測
• 11.4.2 自動評測
• 11.5 文本摘要語料庫
• 11.5.1 單文檔摘要語料庫
• 11.5.2 多文檔摘要語料庫
• 11.5.3 對話摘要語料庫
• 11.5.4 多模態(tài)文本摘要語料庫
• 11.5.5 跨語言文本摘要語料庫
• 11.6 延伸閱讀
• 11.7 習題
• 第12章 知識圖譜
• 12.1 知識圖譜概述
• 12.1.1 知識圖譜的發(fā)展歷程
• 12.1.2 知識圖譜的研究內容
• 12.2 知識圖譜的表示與存儲
• 12.2.1 知識圖譜的符號表示
• 12.2.2 知識圖譜的向量表示
• 12.2.3 基于表的知識圖譜存儲
• 12.2.4 基于圖的知識圖譜存儲
• 12.3 知識圖譜的獲取與構建
• 12.3.1 屬性補全
• 12.3.2 實體鏈接
• 12.3.3 實體對齊
• 12.4 知識圖譜推理
• 12.4.1 基于符號邏輯的知識圖譜推理
• 12.4.2 基于表示學習的知識圖譜推理
• 12.5 知識圖譜問答
• 12.5.1 基于語義解析的知識圖譜問答
• 12.5.2 基于信息檢索的知識圖譜問答
• 12.5.3 基于深度學習的知識圖譜問答
• 12.5.4 知識圖譜問答語料庫
• 12.6 延伸閱讀
• 12.7 習題
• 第3部分 模型分析
• 第13章 模型穩(wěn)健性
• 13.1 穩(wěn)健性概述
• 13.1.1 穩(wěn)健性的基本概念
• 13.1.2 穩(wěn)健性的主要研究內容
• 13.2 數(shù)據(jù)偏差消除
• 13.3 文本對抗攻擊方法
• 13.3.1 字符級別的攻擊方法
• 13.3.2 詞級別的攻擊方法
• 13.3.3 句子級別的攻擊方法
• 13.3.4 后門攻擊
• 13.4 文本對抗防御方法
• 13.4.1 基于對抗訓練的文本對抗防御方法
• 13.4.2 基于表示壓縮的文本對抗防御方法
• 13.4.3 基于數(shù)據(jù)增強的文本對抗防御方法
• 13.4.4 對抗樣本檢測
• 13.5 模型穩(wěn)健性評測基準
• 13.5.1 特定任務穩(wěn)健性評測基準
• 13.5.2 模型穩(wěn)健性通用評測基準
• 13.6 延伸閱讀
• 13.7 習題
• 第14章 模型可解釋性
• 14.1 可解釋性概述
• 14.1.1 可解釋性的分類
• 14.1.2 解釋方法評估
• 14.2 解釋性分析方法
• 14.2.1 局部分析方法
• 14.2.2 全局分析方法
• 14.3 自然語言處理算法的解釋性分析方法
• 14.3.1 模型解釋性分析方法
• 14.3.2 數(shù)據(jù)解釋性分析方法
• 14.3.3 可解釋評估
• 14.4 延伸閱讀
• 14.5 習題
• 參考文獻
• 索引
• 反侵權盜版說明
• 作者簡介
• 封底 更新時間：2023-11-17 16:49:01