迪潘简·撒卡尔著的《Python文本分析》采用了全面的和结构化的介绍方法。首先，它在前几章中介绍了自然语言理解和Python结构的基础知识。熟悉了基础知识之后，其余章节将解决文本分析中的一些有趣问题，包括文本分类、聚类、相似性分析、文本摘要和主题模型。本书还将分析文本的结构、语义、情感和观点。对于每个主题，将介绍基本概念，并使用一些现实世界中的场景和数据来实现涵盖每个概念的技术。本书的构想是呈现一幅文本分析和NLP的蓝海，并提供必要的工具、技术和知识以处理和解决工作中遇到的问题。

面对自然语言处理和文本分析应用，解决问题的正确技术是什么？文本摘要如何真正有效？哪些才是解决多类文本分类的最佳框架？迪潘简·撒卡尔著的《Python文本分析》通过将数学和理论概念与现实用例的Python实现相结合，全面介绍文本分析的相关概念、技术、工具及实践，帮助你快速掌握文本分析技术，解决实际问题。

本书首先介绍与文本分析相关的自然语言基本概念以及Python语言特点、特性和常用功能，然后结合示例代码详细阐述文本理解与处理、文本分类、文本摘要、文本相似性与聚类、语义与情感分析等内容。通过本书，你可以全面掌握文本分析的基础技术和机器学习的一些经典方法，包括SVM、贝叶斯分类器、k均值距离、层次聚类等，为进一步的学习和研究奠定基础。

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

2.1.1 Python之禅

2.1.2 应用：何时使用Python

2.1.3 缺点：何时不用Python

2.1.4 Python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

 2.3 Python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

2.6.7 itertools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

4.5.2 TF-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

5.7.2 TextRank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

6.6.3 Okapi BM25排名

 6.7 文档聚类

 6.8 最佳影片聚类分析

6.8.1 k-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

 7.7 IMDb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