Java自然语言处理(影印版)(英文版)

　　Preface
　　Chapter 1： Introduction to NLP
　　What is NLP?
　　Why use NLP?
　　Why is NLP so hard?
　　Survey of NLP tools
　　Apache OpenNLP
　　Stanford NLP
　　LingPipe
　　GATE
　查看完整　　

　　自然语言处理（NLP）是应用开发中的重要领域之一，其与解决当代问题的相关性将与日俱增。对于它通过NLP任务支持实现的自然语言可访问应用的需求已有显著增长。《Java自然语言处理（影印版 英文版）》将运用诸如全文检索、合适名称识别、聚类、标签、信息抽取和摘要等手段展示如何自动组织文本。《Java自然语言处理（影印版 英文版）》介绍了各种NLP概念，即便你没有任何统计学自然语言处理背景也能理解。

　　Preface
　　Chapter 1： Introduction to NLP
　　What is NLP?
　　Why use NLP?
　　Why is NLP so hard?
　　Survey of NLP tools
　　Apache OpenNLP
　　Stanford NLP
　　LingPipe
　　GATE
　　UIMA
　　Overview of text processing tasks
　　Finding parts of text
　　Finding sentences
　　Finding people and things
　　Detecting Parts of Speech
　　Classifying text and documents
　　Extracting relationships
　　Using combined approaches
　　Understanding NLP models
　　Identifying the task
　　Selecting a model
　　Building and training the model
　　Verifying the model
　　Using the model
　　Preparing data
　　Summary
　　Chapter 2： Finding Parts of Text
　　Understanding the parts of text
　　What is tokenization?
　　Uses of tokenizers
　　Simple Java tokenizers
　　Using the Scanner class
　　Specifying the delimiter
　　Using the split method
　　Using the Breaklterator class
　　Using the StreamTokenizer class
　　Using the StringTokenizer class
　　Performance considerations with java core tokenization
　　NLP tokenizer APIs
　　Using the OpenNLPTokenizer class
　　Using the SimpleTokenizer class
　　Using the WhitespaceTokenizer class
　　Using the TokenizerME class
　　Using the Stanford tokenizer
　　Using the PTBTokenizer class
　　Using the DocumentPreprocessor class
　　Using a pipeline
　　Using LingPipe tokenizers
　　Training a tokenizer to find parts of text
　　Comparing tokenizers
　　Understanding normalization
　　Converting to lowercase
　　Removing stopwords
　　Creating a StopWords class
　　Using LingPipe to remove stopwords
　　Using stemming
　　Using the Porter Stemmer
　　Stemming with LingPipe
　　Using lemmatization
　　Using the StanfordLemmatizer class
　　Using lemmatization in OpenNLP
　　Normalizing using a pipeline
　　Summary
　　Chapter 3： Finding Sentences
　　The SBD process
　　What makes SBD difficult?
　　Understanding SBD rules of LingPipe's
　　HeuristicSentenceModel class
　　Simple Java SBDs
　　Using regular expressions
　　Using the Breaklterator class
　　Using NLP APIs
　　Using OpenNLP
　　Using the SentenceDetectorME class
　　Using the sentPosDetect method
　　Using the Stanford API
　　Using the PTBTokenizer class
　　Using the DocumentPreprocessor class
　　Using the StanfordCoreNLP class
　　Using LingPipe
　　Using the IndoEuropeanSentenceModel class
　　Using the SentenceChunker class
　　Using the MedlineSentenceModel class
　　Training a Sentence Detector model
　　Using the Trained model
　　Evaluating the model using the SentenceDetectorEvaluator class
　　Summary
　　Chapter 4： Finding People and Things
　　Why NER is difficult?
　　Techniques for name recognition
　　Lists and regular expressions
　　Statistical classifiers
　　Using regular expressions for NER
　　Using Java's regular expressions to find entities
　　Using LingPipe's RegExChunker class
　　Using NLP APIs
　　Using OpenNLP for NER
　　Determining the accuracy of the entity
　　Using other entity types
　　Processing multiple entity types
　　Using the Stanford API for NER
　　Using LingPipe for NER
　　Using LingPipe's name entity models
　　Using the ExactDictionaryChunker class
　　Training a model
　　Evaluating a model
　　Summary
　　Chapter 5： Detecting Parts of Speech
　　The tagging process
　　Importance of POS taggers
　　What makes POS difficult?
　　Using the NLP APIs
　　Using OpenNLP POS taggers
　　Using the OpenNLP POSTaggerME class for POS taggers
　　Using OpenNLP chunking
　　Using the PSDictionary class
　　Using Stanford POS taggers
　　Using Stanford MaxentTagger
　　Using the MaxentTagger class to tag textese
　　Using Stanford pipeline to perform tagging
　　Using LingPipe POS taggers
　　Using the HmmDecoder class with BestFirst tags
　　Using the HmmDecoder class with NBest tags
　　Determining tag confidence with the HmmDecoder class
　　Training the OpenNLP POSModel
　　Summary
　　Chapter 6： Classi ify_~g_ Texts and Documents
　　How classification is used
　　Understanding sentiment analysis
　　Text classifying techniques
　　Using APIs to classify text
　　Using OpenNLP
　　Training an OpenNLP classification model
　　Using DocumentCategorizerME to classify text
　　Using Stanford API
　　Using the ColumnDataClassifier class for classification
　　Using the Stanford pipeline to perform sentiment analysis
　　Using LingPipe to classify text
　　Training text using the Classified class
　　Using other training categories
　　Classifying text using LingPipe
　　Sentiment analysis using LingPipe
　　Language identification using LingPipe
　　Summary
　　Chapter 7： Using Parser to Extract Relationships
　　Relationship types
　　Understanding parse trees
　　Using extracted relationships
　　Extracting relationships
　　Using NLP APIs
　　Using OpenNLP
　　Using the Stanford API
　　Using the LexicalizedParser class
　　Using the TreePrint class
　　Finding word dependencies using the GrammaticalStructure class
　　Finding coreference resolution entities
　　Extracting relationships for a question-answer system
　　Finding the word dependencies
　　Determining the question type
　　Searching for the answer
　　Summary
　　Chapter 8： Combined Approaches
　　Preparing data
　　Using Boilerpipe to extract text from HTML
　　Using POI to extract text from Word documents
　　Using PDFBox to extract text from PDF documents
　　Pipelines
　　Using the Stanford pipeline
　　Using multiple cores with the Stanford pipeline
　　Creating a pipeline to search text
　　Summary
　　Index
^ 收 起　　

　　自然语言处理（NLP）是应用开发中的重要领域之一，其与解决当代问题的相关性将与日俱增。对于它通过NLP任务支持实现的自然语言可访问应用的需求已有显著增长。《Java自然语言处理（影印版 英文版）》将运用诸如全文检索、合适名称识别、聚类、标签、信息抽取和摘要等手段展示如何自动组织文本。《Java自然语言处理（影印版 英文版）》介绍了各种NLP概念，即便你没有任何统计学自然语言处理背景也能理解。