预处理并将文本向量化成高维特征表示。 ·执行文档分类和主题建模。 ·通过可视化诊断指导模型选择过程。 ·提取关键短语、命名实体和图结构，实现文本数据推断。 ·建立对话框架，实现聊天机器人和语言驱动交互。 ·用Spark扩展处理能力，用神经网络实现对更复杂模型的支持。

从新闻、讲话，到社交媒体上非正式的聊天，自然语言是最丰富、且尚未充分利用的数据源之一。不但数据源源不断，在使用环境中还在不断调整、变化；还包含了很多传统数据源未能传达的信息。打开自然语言宝藏的钥匙，就是基于文本分析的创造性应用。这本实战指南介绍了从数据科学家角度如何建立语言感知产品并有效应用机器学习。 您将学到如何用Python实现健壮、可重复和可扩展的文本分析，包括上下文特征和语言特征工程、向量化、分类、主题建模、实体解析、图分析和可视化操作。在本书的最后，您将获得解决众多复杂现实问题的实用方法。

Benjamin Bengfort是一位专门研究分布式系统、机器学习及其他相关技术的计算机科学家。 Rebecca Bilbro是一名数据科学家和Python程序员，致力于研究机器学习工作流的可视化诊断。 Tony Ojeda是District Data Labs的创始人和CEO，专注于商业策略应用分析、优化、预测服务，以及开源工具使用课程。 陈光，北京邮电大学副教授，主要研究方向为机器学习和自然语言处理。

目录 前言 1 第1章 语言与计算 13 数据科学范式 14 语言感知数据产品 .16 语言即数据 21 小结 .29 第 2 章 构建自定义语料库 31 语料库是什么？ .32 语料库数据管理 .35 语料库读取器 39 小结 .49 第3章 语料库预处理与处置 50 分解文档.50 语料库的转换 60 小结 .67 第4章 文本向量化和转换流水线 68 空间中的词 69 Scikit-Learn API .81 流水线 .88 小结 .93 第5章 面向文本分析的文本分类 95 文本分类.96 构建文本分类应用 .99 小结 .110 第6章 文本相似性聚类 . 112 文本上的无监督学习 112 文档相似性聚类 .114 文档主题建模 127 小结 .139 第7章 上下文感知文本分析 140 基于语法的特征提取 141 n-Gram特征提取 147 n-Gram语言模型 155 小结 .165 第8章 文本可视化 166 可视化特征空间 .167 模型诊断.185 可视化操纵 193 小结 .196 第9章 文本的图分析 .198 图计算与分析 200 从文本中抽取图 .204 实体解析.216 小结 .221 第10章 聊天机器人 223 对话基础.224 礼貌对话规则 231 有趣的问题 239 学习帮助.250 小结 .257 第11章 利用多处理和Spark扩展文本分析259 Python多处理 .260 Spark集群计算 271 小结 .289 第12章 深度学习与未来 .291 应用神经网络 292 神经网络语言模型 .292 情感分析.303 未来（几乎）已来 .309 词汇表 311