| 作者： | Grant S. Ingersoll, Thomas S. Morton and Andrew L. Farris |
| 语言： | 英文 |
| 出版年份： | 2013 |
| 下载链接： |
书籍均收集自互联网，仅供学习和研究使用，请莫用于商业用途。谢谢合作。 |
书籍摘要
核心定位
本书是一本面向软件工程师的文本处理实战指南，由 Grant Ingersoll、Thomas Morton、Drew Farris 三位资深搜索与 NLP 工程师合著，Manning 出版社 2013 年出版。全书以 Apache 开源生态（Solr、Lucene、Mahout、OpenNLP、Tika）为核心工具链，系统讲解搜索、实体识别、聚类、分类及问答系统的构建方法。与学术教材不同，本书刻意回避复杂数学推导，聚焦可运行的代码示例和工程实践，核心理念是用成熟的开源工具驯服非结构化文本，让机器从文字中提取价值。
内容主线
全书沿渐进式路径展开：从文本预处理与语言学基础出发，依次攻克搜索排名、模糊匹配、命名实体识别、文本聚类、自动分类与标签推荐，最终整合为基于 Wikipedia 的事实型问答系统，并以语义理解、情感分析、跨语言检索等前沿话题收尾。每章以"概念—工具—代码—评估"为闭环，读者可跟随示例逐步构建完整的文本处理能力栈。
章节内容
| 章节 | 核心内容 |
|---|---|
| 第1章 入门 | 阐述文本处理的现实意义：信息工作者每周平均 13 小时处理邮件、8.8 小时搜索信息。以事实型问答系统为全书目标预览，说明"驯服文本"的三项核心能力——查找答案、自动组织、规模化处理 |
| 第2章 基础 | 介绍 NLP 基础构件：分词与 Tokenization、词性标注、词干提取、句子边界检测、句法解析。实战演示用 Apache Tika 从 PDF、Word、HTML 等格式中提取纯文本内容 |
| 第3章 搜索 | 讲解向量空间模型与 TF-IDF 排名原理，以 Solr 为核心覆盖索引构建、查询参数配置、分面搜索。包含搜索质量（精确率/召回率）与性能的评估方法论及调优策略 |
| 第4章 模糊匹配 | 对比字符重叠度量（Jaccard、Jaro-Winkler）与编辑距离（Levenshtein）两类算法。实战涵盖搜索输入提示、查询拼写纠错、记录去重匹配，展示前缀索引与 n-gram 索引在 Solr 中的实现 |
| 第5章 实体识别 | 以 OpenNLP 为核心，讲解基于规则与统计分类器两种 NER 方法。演示人名、地名、机构名的识别与概率过滤，深入模型训练流程——训练数据标注、特征工程、模型评估及面向新领域的定制化训练 |
| 第6章 聚类 | 对比 K-Means 聚类与 LDA 主题建模的适用场景。实战涵盖 Carrot2 对 Solr 搜索结果的实时聚类，以及 Mahout 对大规模文档集合的离线聚类，包含特征选择与聚类质量评估 |
| 第7章 分类 | 系统讲解文本分类全流程：分类体系设计、特征选取、训练数据准备、分类器评估。实现三种分类器——Lucene MoreLikeThis、Mahout 朴素贝叶斯、OpenNLP 最大熵模型，并演示 Solr 标签推荐器 |
| 第8章 问答系统 | 整合前七章技术构建完整 QA 系统：用分类器判定问题类型，用句法分析提取问句关键块，用 Solr 检索候选段落并排序，最终返回精确答案而非文档列表 |
| 第9章 前沿探索 | 展望 NLP 高级话题：语义角色标注、篇章分析、文档摘要、实体关系抽取、情感极性分析、跨语言信息检索，并给出各方向的开源工具与参考文献指引 |
适用读者
主要面向缺乏 NLP 背景的软件工程师和架构师——当团队需要为应用添加搜索、分类或智能文本处理功能时，本书是最直接的入门路径。书中示例以 Java 为主，但核心概念可迁移至 Python、Ruby 等语言。不适合追求数学严谨性的学术研究者，但可作为课堂理论与工程实践之间的桥梁。有经验的从业者也可将其用作团队新成员的快速上手材料。
总评
三位作者均来自工业界，深谙开发者在文本处理中的真实痛点，全书围绕"用现成开源工具解决实际问题"展开，避免了学院派教材常见的理论与工程脱节。Apache 工具链的选择确保读者学完即可上手。不足之处在于成书于 2013 年，深度学习时代的 Transformer、BERT 等技术尚未纳入视野，但其分词、索引、匹配、聚类、分类的流水线思维至今仍是文本应用开发的基石。
