基于深度学习的自然语言处理基础教程 | 中国科学院大学研究生教材系列
科学出版社
自然语言处理（natural language processing，NLP）是一种利用计算机对人类特有的书面和口头自然语言进行分析、理解和生成的技术，旨在促进人与计算机及人与人之间的有效交流。自然语言处理是人工智能的一个重要分支，也是实现认知智能过程中的核心问题。
随着人工智能技术的迅速发展，自然语言处理作为其核心研究领域，不断取得重要突破，尤其是在深度学习和大规模预训练语言模型的推动下，自然语言处理的性能显著提升，为未来的人工智能发展提供了前所未有的发展机遇。为帮助初学者、研究者以及从业者更好地了解这一领域的知识体系、技术变迁及发展趋势，作者决定撰写这本《基于深度学习的自然语言处理基础教程》。
本书的内容源于作者所在的教学团队在中国科学院大学开设多年的“自然语言处理基础”课程的经验积累。近年来，随着自然语言处理领域技术的飞速发展，作者的授课内容经历了从统计自然语言处理到深度学习自然语言处理的更迭，自然语言处理领域涵盖众多不同时期的技术和知识点，且各种处理技术层出不穷，如果对该领域知识缺乏系统性的了解和全面的认识，势必会给学习造成困难。为此，作者按技术变迁的脉络对自然语言处理的整体知识体系架构进行梳理，介绍各时期的技术特点及相应的基础理论、技术方法、基础技术、核心应用、数据资源等要素，旨在帮助读者对庞大的自然语言处理领域的技术发展及体系架构有全面、系统的认识，为进一步学习奠定基础。
在本书撰写过程中，作者充分兼顾了内容的深度与广度。本书内容从基础到进阶，层层递进，不仅能为初学者提供详尽的基础理论介绍，也能为具有一定经验的研究者和从业者深入探讨前沿技术提供依据。本书结合实际应用案例和任务示例，帮助读者在学习理论的同时，理解自然语言处理技术在实际工作中的具体应用。
▲ 基于深度学习的自然语言处理的知识体系整体组织架构
在全面梳理自然语言处理体系架构的基础上，本书将内容定位在当前主流的基于深度学习的自然语言处理方法。作者按知识间的支撑关系和技术范式变迁的时间顺序，将整个体系架构纵向分为数据资源层、理论基础层、基本概念层、基本任务层、核心应用任务层五个层次，横向分为任务神经网络方法阶段（第二范式）、预训练语言模型+精调阶段（第三范式）、预训练语言模型（大语言模型）+提示工程阶段（第四/五范式）三个阶段，构建基于深度学习的自然语言处理二维知识体系架构，确保教学内容的全面性和系统性。
感谢中国科学院大学教材出版中心的资助与支持，使本书能够顺利出版。本书与中国科学院大学网络空间安全学院开设的“自然语言处理基础”课程紧密配合，旨在为该课程提供系统化的教材支持。感谢中国科学院大学网络空间安全学院作为本书的第一完成单位，为本书的撰写工作提供的有力支持。希望本书能够为广大读者提供有价值的参考，帮助大家掌握自然语言处理的基础知识，并深入理解前沿技术的发展动态。
本文摘编自《基于深度学习的自然语言处理基础教程》（胡玥等著. 北京：科学出版社，2025. 6）一书“前言”，有删修改，标题为编者所加。
本书作为基于深度学习的自然语言处理基础教程，介绍基于深度学习的自然语言处理领域的各种技术范式以及相关概念，构建该领域的知识体系，帮助读者对该领域知识有全面和系统的了解。全书共12 章，分别介绍深度学习自然语言处理数据资源、常用的神经网络模型、语言模型的基本概念、注意力机制的基本概念、自然语言处理基本任务及建模方法、预训练语言模型，以及典型的自然语言处理核心任务模型。
本书的读者对象为自然语言处理初学者、计算机科学专业的本科生或研究生、自然语言处理相关从业者等。
