A Practical Guide to Hybrid Natural Language Processing: Combining Neural Models and Knowledge Graphs for NLP

این کتاب راهنمای عملی اصول رویکردهای ترکیبی برای پردازش زبان طبیعی (NLP) شامل ترکیبی از روش‌های عصبی و نمودارهای دانش را در اختیار خوانندگان قرار می‌دهد. برای این منظور، ابتدا بلوک‌های سازنده اصلی را معرفی می‌کند و سپس توضیح می‌دهد که چگونه می‌توان آنها را برای پشتیبانی از اجرای مؤثر برنامه‌های NLP در دنیای واقعی یکپارچه کرد. برای نشان دادن ایده‌های توصیف‌شده، این کتاب همچنین شامل مجموعه‌ای جامع از آزمایش‌ها و تمرین‌ها است که شامل الگوریتم‌های مختلف بر روی مجموعه‌ای از حوزه‌ها و مجموعه‌ها در وظایف مختلف NLP است.

در سرتاسر، نویسندگان نشان می‌دهند که چگونه می‌توان از بازنمایی‌های مکمل ناشی از تجزیه و تحلیل مجموعه‌های متنی بدون ساختار و همچنین موجودیت‌ها و روابطی که به صراحت در یک نمودار دانش توضیح داده شده است، استفاده کرد، چگونه چنین نمایش‌هایی را ادغام کرد، و چگونه از آن استفاده کرد. ویژگی های حاصل برای حل موثر وظایف NLP در طیف وسیعی از حوزه ها. علاوه بر این، این کتاب دسترسی به کدهای اجرایی را با مثال‌ها، تمرین‌ها و برنامه‌های کاربردی دنیای واقعی در حوزه‌های کلیدی، مانند تجزیه و تحلیل اطلاعات نادرست و درک ماشین خواندن ادبیات علمی، ارائه می‌دهد. تمام مثال‌ها و تمرین‌های پیشنهادی در کتاب به‌عنوان نوت‌بوک‌های اجرایی Jupyter در یک مخزن GitHub موجود است. همه آنها آماده اجرا در Google Colaboratory یا، در صورت ترجیح، در یک محیط محلی هستند.

این کتاب یک منبع ارزشمند برای هر کسی که علاقه مند به تعامل بین رویکردهای عصبی و مبتنی بر دانش در NLP است، یک منبع است. راهنمای مفید برای خوانندگان با پیشینه در بازنمایی دانش ساختاریافته و همچنین کسانی که رویکرد اصلی آنها به هوش مصنوعی اساساً مبتنی بر منطق است. علاوه بر این، برای کسانی که پیشینه اصلی آنها در زمینه‌های یادگیری ماشینی و عمیق است که به دنبال راه‌هایی برای استفاده از پایگاه‌های دانش ساخت‌یافته برای بهینه‌سازی نتایج در امتداد پایین‌دستی NLP هستند، جذاب خواهد بود.

This book provides readers with a practical guide to the principles of hybrid approaches to natural language processing (NLP) involving a combination of neural methods and knowledge graphs. To this end, it first introduces the main building blocks and then describes how they can be integrated to support the effective implementation of real-world NLP applications. To illustrate the ideas described, the book also includes a comprehensive set of experiments and exercises involving different algorithms over a selection of domains and corpora in various NLP tasks.

Throughout, the authors show how to leverage complementary representations stemming from the analysis of unstructured text corpora as well as the entities and relations described explicitly in a knowledge graph, how to integrate such representations, and how to use the resulting features to effectively solve NLP tasks in a range of domains. In addition, the book offers access to executable code with examples, exercises and real-world applications in key domains, like disinformation analysis and machine reading comprehension of scientific literature. All the examples and exercises proposed in the book are available as executable Jupyter notebooks in a GitHub repository. They are all ready to be run on Google Colaboratory or, if preferred, in a local environment.

A valuable resource for anyone interested in the interplay between neural and knowledge-based approaches to NLP, this book is a useful guide for readers with a background in structured knowledge representations as well as those whose main approach to AI is fundamentally based on logic. Further, it will appeal to those whose main background is in the areas of machine and deep learning who are looking for ways to leverage structured knowledge bases to optimize results along the NLP downstream.