文本智能處理作為中文信息處理的關鍵領域，展現出廣闊前景；Python以其強大的生態和易用性，已成為主流編程工具。然而，初學者如何系統掌握Python并將其有效應用于文本處理仍面臨著挑戰，本書旨在為初學者提供一條清晰實用的學習路徑。本書面向初學者，系統梳理了用Python進行中文文本智能處理的完整路徑。前4章夯實語言基礎—數據結構、流程控制、正則表達式與規范編程范式；第5章及以后深入應用—語料庫構建、網絡爬蟲、數據可視化，覆蓋分詞、向量化、相似度、分類聚類、情感分析及深度學習，配套案例代碼，理實結合，快速上手。

首屆重慶英才青年拔尖人才；重慶市第三批學術技術帶頭人后備人選；

目錄
第1章 緒論 1
1.1 NLP概述 1
1.2 NLP基本流程 5
1.3 NLP的編程環境搭建 7
第2章 Python編程的數據結構 16
2.1 數字 16
2.2 字符串 19
2.3 列表 24
2.4 元組 29
2.5 集合 31
2.6 字典 33
2.7 數據類型轉換 37
第3章 程序語句結構 40
3.1 順序結構 40
3.2 分支結構 41
3.3 循環結構 44
3.4 其他語句結構 48
3.5 綜合應用案例 53
第4章 正則表達式 56
4.1 初識正則表達式 56
4.2 正則表達式函數 56
4.3 正則表達式的元字符 62
4.4 正則表達式的應用 66
第5章 文本詞匯層面的處理（上） 71
5.1 中文分詞簡介 71
5.2 中文分詞的主要方法 72
5.3 中文分詞工具jieba 77
5.4 文本詞性標注 81
5.5 本章小結 84
第6章 文本詞匯層面的處理（下） 87
6.1 文本關鍵詞提取 87
6.2 命名實體識別 93
6.3 任務：中文命名實體識別 95
6.4 文本語義角色標記 102
第7章 圖形繪制與詞云圖的生成 111
7.1 Matplotlib與圖形繪制 111
7.2 詞云圖的生成 114
7.3 利用詞頻數據生成詞云圖 118
7.4 本章小結 121
第8章 文本向量化和文本語義相似度 126
8.1 文本向量化的概念 126
8.2 文本離散表示 126
8.3 文本分布式表示 138
8.4 文本語義相似度計算 141
第9章 文本分類與文本聚類 152
9.1 文本挖掘 152
9.2 文本分類常用算法 154
9.3 文本聚類常用算法 161
9.4 文本分類與文本聚類的步驟 171
9.5 任務：垃圾短信分類 172
9.6 任務：新聞文本聚類 175
9.7 本章小結 179
第10章 文本情感分析 182
10.1 文本情感分析簡介 182
10.2 情感分析的常用方法 183
10.3 常用的情感分類模型 192
10.4 任務：基于情感詞典的情感分析 197
第11章 爬蟲技術 201
11.1 網絡爬蟲簡介 201
11.2 運用正則表達式爬取網頁數據 205
11.3 運用XPath爬取網絡小說 208
11.4 運用bs4爬取網頁數據 214
11.5 動態網頁數據獲取 217
第12章 NLP中的深度學習技術 227
12.1 前饋神經網絡 227
12.2 循環神經網絡 230
12.3 LSTM網絡 232
12.4 深度學習工具 234
12.5 基于LSTM網絡的文本分類與文本情感分析 237
第13章 語料庫的構建與應用 255
13.1 語料庫的概念 255
13.2 語料庫的種類與構建原則 256
13.3 NLTK及其常用功能 259
13.4 語料庫資源的獲取 264
13.5 任務：語料庫的構建與使用 265
附錄 NLTK詞性標注對照表 270
后記 272