《自然語言處理入門》是圖靈 2019 年 10 月出版的一本 NLP 領域的入門圖書，作者是何晗（網名 hankcs，HanLP 作者、「碼農場」博客博主）。圖書上架之後得到了廣大的讀者的喜愛，在短短半年內，已經印刷了 6 次，總印數為 14 000。與此同時，這本書目前已經被三十多所學校的教師或者研究團隊作為參考教材，或者大公司的 NLP 團隊作為交流參考資料。不誇張地說，這本書在某種程度上滿足了一大批讀者的訴求，而此前圖書市場上並沒有圖書做到這一點。
我們收到過很多朋友的致謝，非常榮幸這本書對這部分讀者幫助如此之大。我們也收到過一些朋友三三兩兩的意見，反饋這本書在某些方面並沒有達到他們的期望，非常感謝這些反饋和建議。大家的需求如此多樣，而我們的書只能定位解決其中的一兩個問題，更多問題，只能寄希望於出版更多圖書。
但是，還有一小撮讀者對這本書有一定的誤解，甚至有讀者買來圖書都沒有好好閱讀就跑去豆瓣評了一星（這本書目前在豆瓣的評分是 8.8 分），大家知道，對於辛苦寫作的作者和認真出版的出版方來說，這樣的評論很扎心，也很無奈，因為你沒辦法跟做出這種行為的讀者講理——你想通過大家的意見認真提升圖書品質，而他只不過是靠膚淺的認知隨意過把嘴癮。我能這麼提這個問題是因為我試著按圖索驥找到過其中兩位讀者諮詢他們的意見，結果，你可能猜到了，他們甚至沒有認真讀過書，對於自己的「惡毒」評論也沒說出個所以然來。
我也想藉此提醒諸君，在豆瓣或者大眾點評等網站上，儘量客觀表達你的使用體驗，如果能夠做到有理有據那就更好了，這是為數不多能體現我們普通人影響力的地方。
書無完書，也不可能滿足所有讀者的閱讀需求，只希望真正需要這這本書人都能找到這本書。
好了，說這麼多，其實這篇文章的核心是為部分對《自然語言處理入門》有些許誤解或者過度期待的讀者簡單解釋一下，我原文轉載了作者何晗的說明，請見如下。
各位讀者大家好：
在大家的支持下，拙作《自然語言處理入門》 取得了些許成績，包括印數、繁體中文版企劃等，謝謝你們。
在讀者群壯大的同時，我也收到了許多反饋。勘誤類的反饋我在 《自然語言處理入門》勘誤表 中一一答覆並致謝。但一些兩極化的評論也引發了我的一些擔憂，在此我做一個統一的澄清。取決於讀者自身的基礎，產生了如下幾種觀點，我認為是不妥當的。搞NLP只需看《自然語言處理入門》 就夠了，比某某教材好只看一本書肯定是不夠的，拿《自然語言處理入門》 跟經典教材比也是不恰當的，拙作無意也無法取代經典教材。拙作定位是面向零基礎讀者的入門讀物，相當於科普而非專著。專著中的定義、理論、推導證明等對零基礎讀者而言太難了。就入門而言，最重要的是興趣而不是難度，所以讀者看到的是一個通俗易懂的定位。同時，對有難度的部分，書裡也有對專著的引用，請有志於深造的讀者遞歸學習。這一點還是取決於讀者自身的基礎。事實上，關於拙作究竟是太難了還是太簡單了這一點，我聽到了許多截然相反的評價。有ML或數理基礎的讀者傾向於認為拙作太簡單，而部分一點數學都接受不了的讀者則認為拙作太難。我誠懇地建議，NLP是ML的應用層，既不要過高地期待NLP入門書會深入ML理論的核心，也不要連ML的皮毛都畏難抗拒。正如介紹語所言，拙作僅允許必需的公式出現。拙作既沒有寫成ML和NLP的併集，也沒有寫成NLP與ML的差集，個人認為是符合入門的定位的。慚愧，第十三章一定沒有滿足這部分讀者。然而，深度學習是無論如何都不可能通過一章就講清楚。數一數的話，線性代數基礎需要一章、優化理論需要一章、詞的分布表示需要一章、CNN/RNN/Transformer各需要一章、《自然語言處理入門》 1中涉及到的各種NLP任務各需要一章。基本上，CS224n有多少節課相應就需要多少章，這些章節加起來又是一本書了。另一方面，將這些內容加入到入門書裡並不恰當。正如我在第一章所說，深度學習不是所有場景都適用，也不是所有企業都用得起深度學習，掌握傳統機器學習有助於理解深度學習。深度學習有泡沫成分，本身也是一個理論不完備的領域，初學者不必急於求成。這在部分讀者看來是好事，在另一部分讀者看來是缺點。理論是通用的，實現只選取一種。作為入門書，我覺得有責任提供正確實現還能用到生產項目裡的代碼。我在前言和試讀中都有提到，自己寫的代碼自己講得清楚，所以書裡講到HanLP的設計和實現是理所當然的事情。總之，讀者自我定位和本書的定位是否匹配非常重要，不必跟風購買。千言萬語，總結為一句話，定位就是入門，不要抱有過度的期待。有任何批評和建議，儘管留言或私信。同時，方便的話，歡迎讀者朋友去豆瓣留下公正的書評。如果你正在入門自然語言處理，或者對 NLP 很感興趣，不如先來了解下～本書作者是自然語言處理類庫 HanLP 作者何晗。截至 2019 年 10 月初，該項目在 GitHub 上 Star 數已達 15 K，超過了賓夕法尼亞大學的 NLTK、史丹福大學的 CoreNLP、哈爾濱工業大學的 LTP。作者匯集多年經驗，從基本概念出發，逐步介紹中文分詞、詞性標註、命名實體識別、信息抽取、文本聚類、文本分類、句法分析這幾個熱門問題的算法原理與工程實現。書中通過對多種算法的講解，比較了它們的優缺點和適用場景，同時詳細演示生產級成熟代碼，助你真正將自然語言處理應用在生產環境中。