第1章 绪论 1
1.1人工智能与未来 2
1.1.1DeepMind与强化学习 3
1.1.2生物与算法 4
1.1.3被撼动的自我 5
1.1.4被取代的工作 8
1.1.5新的社会契约 12
1.2人机对话的意义 13
1.3人机交互的变迁 15
1.4需求、风口、周期 16
1.4.1需求与风口 16
1.4.2周期三段论 17
1.4.3周期中的产品经理 19
1.4.4人工智能周期 20
第2章 产品经理与系统设计 22
2.1产品经理与技术 23
2.1.1产品经理的技术了解层级 23
2.1.2技术型产品经理的定位 25
2.1.3技术型产品经理的价值 27
2.1.4技术型产品经理的思维能力 29
2.2系统与系统思维 33
2.2.1系统之美 33
2.2.2优秀软件系统的特征 35
2.2.3系统设计的基本问题 38
2.3平台设计通用工作流程 39
第3章 人工智能技术 42
3.1机器学习 43
3.1.1机器学习简介 43
3.1.2k-近邻（kNN）算法 45
3.1.3ID3决策树算法 46
3.1.4朴素贝叶斯分类算法 47
3.1.5逻辑回归算法 50
3.1.6支持向量机（SVM） 53
3.1.7AdaBoost元算法 55
3.1.8线性回归及树回归算法 58
3.1.9K均值聚类算法 61
3.1.10Apriori及FP-growth算法 63
3.1.11PCA与SVD 64
3.1.12主题模型LDA 66
3.2深度学习 68
3.2.1深度学习与机器学习 68
3.2.2感知机模型与前馈神经网络 69
3.2.3深度神经网络的训练 72
3.2.4卷积神经网络（CNN） 79
3.2.5递归神经网络（RNN）与LSTM 84
3.3自然语言处理 87
3.3.1自然语言处理简介 87
3.3.2熵 88
3.3.3形式语言 90
3.3.4语言模型 91
3.3.5马尔可夫模型（MM） 93
3.3.6隐马尔可夫模型（HMM） 94
3.3.7最大熵模型（MEM） 96
3.3.8最大熵马尔可夫模型（MEMM）与条件随机场（CRF） 96
3.3.9词法分析 98
3.3.10句法分析 100
3.3.11语义分析 102
第4章 智能交互技术 104
4.1智能搜索 105
4.1.1搜索命中方式 107
4.1.2SMT与词义相似度 109
4.1.3词向量与word2vec 109
4.1.4利用DNN优化搜索结果 113
4.1.5利用CNN计算语义相关性 116
4.1.6利用RNN构建语言模型 118
4.1.7基于知识图谱的知识推理 120
4.1.8知识图谱的局限 122
4.1.9其他智能搜索技术 123
4.2对话交互 124
4.2.1对话交互概述 124
4.2.2自然语言理解与填槽 125
4.2.3开放域上下文理解 127
4.2.4自然语言生成与seq2seq 128
4.2.5人机对话与强化学习 132
4.3问答匹配技术的发展 134
第5章 Bot Framework设计探究 138
5.1多轮对话初探 139
5.2对话系统与语义表示 140
5.2.1对话系统的组成 140
5.2.2语义表示的三种方式 141
5.2.3Bot Framework的产生 145
5.3Bot Framework设计 148
5.3.1国内外开放Bot Framework一览 148
5.3.2BotFramework的组成 150
5.3.3意图（Intent） 150
5.3.4实体（Entity） 158
5.3.5训练（Training） 163
5.3.6基于分布语义的平台设计 173
5.3.7基于对话流/图设计的Bot Framework 174
5.4基于Bot Framework的多轮对话 180
5.4.1基于分布语义的人机对话 180
5.4.2基于模型论语义的人机对话 182
5.4.3基于框架语义的人机对话 183
5.4.4Bot Framework下的人机对话逻辑 184
5.4.5寻找设计与对话逻辑的最优解 194
第6章 对话服务管理与数据分析平台 212
6.1人机对话平台基本模型 213
6.2对话服务管理 215
6.2.1服务部署与模拟测试 215
6.2.2发布上线与版本管理 218
6.2.3特殊类型对话服务管理 220
6.3对话数据分析平台 221