《知识图谱概念与技术 肖仰华 知识图谱起航基础理论设计技术 模型方法构建应用实战技能 基本概念自然GFM545》无著【摘要 书评 在线阅读】 |
您所在的位置：网站首页 › 知识图谱模型 › 《知识图谱概念与技术 肖仰华 知识图谱起航基础理论设计技术 模型方法构建应用实战技能 基本概念自然GFM545》无著【摘要 书评 在线阅读】 |
《知识图谱概念与技术 肖仰华 知识图谱起航基础理论设计技术 模型方法构建应用实战技能 基本概念自然GFM545》无著【摘要 书评 在线阅读】
|
商品参数 【套装5本】知识图谱前沿技术 内容介绍 《知识图谱：方法、实践与应用》 知识图谱是较为典型的多学科交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域。本书系统地介绍知识图谱涉及的关键技术，如知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、知识问答、图挖掘分析等。此外，本书还尝试将学术前沿和实战结合，让读者在掌握实际应用能力的同时对前沿技术发展有所了解。本书既适合计算机和人工智能相关的研究人员阅读，又适合在企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机或人工智能专业师生的参考教材。 《人工智能：知识图谱前沿技术》 知识图谱作为D前人工智能的重要方向之一，不仅被实验室的研究者关注，更被各行各业的商业应用所关注。知识图谱是一个古老而又崭新的课题，是知识工程在新时代的新形态。智能离不开知识。知识始终是人工智能的核心之一。本书按照知识表示、知识库构建、知识推理和知识应用的基本脉络，全面介绍有关知识图谱的前沿技术。为便于理解和融会贯通，本书也对相关 NLP与机器学习的基本知识与知识图谱的经典传统方法进行了适D描述。本书既可作为人工智能领域研究人员的技术参考书，也可作为高等院校相关专业师生的教学参考书。 《知识图谱：概念与技术》 知识图谱是一种大规模语义网络，已经成为大数据时代知识工程的代表性进展。知识图谱技术是实现机器认知智能和推动各行业智能化发展的关键基础技术。知识图谱也成为大规模知识工程的代表性实践，其学科日益完善。本书是一本系统介绍知识图谱概念、技术与实践的书籍。全书共五篇，由16章构成，力求涵盖知识图谱相关的基本概念与关键技术。“基础篇”介绍知识图谱的基本概念、内涵与外延、历史沿革、应用价值，以及相关的基础知识。“构建篇”重点介绍大规模高质量知识图谱的自动化构建技术，涵盖词汇挖掘、实体识别、关系抽取及概念图谱构建、百科图谱构建、众包构建与质量控制等专题。“管理篇”系统地阐述了知识图谱建模与存储、查询与检索，以及图数据管理系统。“应用篇”对于基于知识图谱的关键应用技术展开介绍，包括搜索与推荐、自然语言问答，以及基于知识图谱的自然语言理解。“实践篇”介绍知识图谱实践中的基本原则和有用实践，初步讨论了知识图谱实践中的开放性问题。 《知识图谱建模与智能推理技术》本书的主要特色在于知识建模和智能推理技术方面的创新，并基于知识图谱建模和智能推理技术的集成完成了一系列应用软件的开发，直观形象、易学易用。本书是AI3软件的详尽解读，分为AI3普及版（自由拷贝，不限使用）、AI3智能教学版以及AI3版（适用于复杂过程工业系统AI应用）。 本书全面详细地介绍了D三代人工智能系统的核心技术及其实现方法，具有多领域普遍应用价值。本书是人工智能专家系统工业应用的实用型教科书，也是人工智能专家系统工程实践指导书。 本书是对D三代人工智能技术的全面探索，是开发和应用实践的z结。本书内容包括：知识本体、信息标准化和领域知识本体，方法和任务知识本体，高效推理算法、图论和网络拓扑，基于符号有向图的深度学习，知识图谱建模与智能推理软件AI3的设计与开发，以及AI3在智能教学和过程工业中的应用。软件AI3分为AI3普及版（自由拷贝，不限使用）、AI3智能教学版以及AI3版（适用于复杂过程工业系统AI应用）。AI3软件的普及版可以登录官方wz www.cipedu.com.cn 自行下载使用。本书相关操作视频及部分彩图做成了二维码形式，扫描即可查看。 本书适合作为大学本科人工智能的教材，也可作为教师开发教学模型的培训用书，对从事人工智能工业应用的技术人员具有实际参考价值。 吴重光，北京化工大学，教授，博导，开发我国过程工业动态流程模拟系统，开创我国化工与石油化工过程仿真培训事业，开创我国过程与控制仿真教学事业，研发成功现代化工仿真工厂和多功能仿真实验系统，填补GN定性仿真技术空白，在智能化大型工业系统危险识别、分析和故障诊断方面取得工业应用进展，研发成功智能自解释仿真训练系统。2009年研发成功智能自解释仿真训练系统，为网络远程仿真实验的发展铺平了道路。 《知识图谱与深度学习（新时代·技术新未来）》知识图谱旨在将人类知识组织成结构化知识系统，是人工智能实现真正意义的理解、记忆与推理的重要基础。知识图谱作为典型的符号表示系统，如何有效用于机器学习算法，面临着知识表示、知识获取和计算推理等方面的诸多挑战。近年来，以神经网络为代表的深度学习技术引发了人工智能的新一轮浪潮。 本书介绍了作者团队在知识图谱与深度学习方面的研究成果，展现了数据驱动的深度学习与符号表示的知识图谱之间相互补充和促进的技术趋势。本书内容对于人工智能基础研究具有一定的参考意义，既适合专业人士了解知识图谱、深度学习和人工智能的前沿热点，也适合对人工智能感兴趣的本科生和研究生作为学习读物。 作者介绍 9787121366710 知识图谱：方法、实践与应用 118 9787121389924 人工智能：知识图谱前沿技术 78 9787121371080 知识图谱：概念与技术 118 9787122385017 知识图谱建模与智能推理技术 98 9787302538523 知识图谱与深度学习（新时代·技术新未来） 99 目录 《知识图谱：方法、实践与应用》 D1章 知识图谱概述 1 1.1 什么是知识图谱 1 1.2 知识图谱的发展历史 2 1.3 知识图谱的价值 5 1.4 GN外典型的知识图谱项目 9 1.4.1 早期的知识库项目 9 1.4.2 互联网时代的知识图谱 9 1.4.3 中文开放知识图谱 12 1.4.4 垂直领域知识图谱 13 1.5 知识图谱的技术流程 15 1.6 知识图谱的相关技术 19 1.6.1 知识图谱与数据库系统 19 1.6.2 知识图谱与智能问答 23 1.6.3 知识图谱与机器推理 25 1.6.4 知识图谱与推荐系统 28 1.6.5 区块链与去中心化的知识图谱 29 1.7 本章小结 30 参考文献 31
D2章 知识图谱表示与建模 40 2.1 什么是知识表示 40 2.2 人工智能早期的知识表示方法 43 2.2.1 一阶谓词逻辑 43 2.2.2 霍恩子句和霍恩逻辑 43 2.2.3 语义网络 44 2.2.4 框架 45 2.2.5 描述逻辑 47 2.3 互联网时代的语义网知识表示框架 48 2.3.1 RDF和RDFS 48 2.3.2 OWL和OWL2 Fragments 53 2.3.3 知识图谱查询语言的表示 59 2.3.4 语义Markup表示语言 62 2.4 常见开放域知识图谱的知识表示方法 64 2.4.1 Freebase 64 2.4.2 Wikidata 65 2.4.3 ConceptNet5 66 2.5 知识图谱的向量表示方法 68 2.5.1 知识图谱表示的挑战 68 2.5.2 词的向量表示方法 68 2.5.3 知识图谱嵌入的概念 71 2.5.4 知识图谱嵌入的优点 72 2.5.5 知识图谱嵌入的主要方法 72 2.5.6 知识图谱嵌入的应用 75 2.6 开源工具实践：基于Protégé的本体知识建模 77 2.6.1 简介 77 2.6.2 环境准备 78 2.6.3 Protégé实践主要功能演示 78 2.7 本章小结 80 参考文献 80
D3章 知识存储 82 3.1 知识图谱数据库基本知识 82 3.1.1 知识图谱数据模型 82 3.1.2 知识图谱查询语言 85 3.2 常见知识图谱存储方法 91 3.2.1 基于关系数据库的存储方案 91 3.2.2 面向RDF的三元组数据库 101 3.2.3 原生图数据库 115 3.2.4 知识图谱数据库比较 120 3.3 知识存储关键技术 121 3.3.1 知识图谱数据库的存储：以Neo4j为例 121 3.3.2 知识图谱数据库的索引 124 3.4 开源工具实践 126 3.4.1 三元组数据库Apache Jena 126 3.4.2 Tutorial：面向RDF的三元组数据库gStore 128 参考文献 131
D4章 知识抽取与知识挖掘 133 4.1 知识抽取任务及相关竞赛 133 4.1.1 知识抽取任务定义 133 4.1.2 知识抽取相关竞赛 134 4.2 面向非结构化数据的知识抽取 136 4.2.1 实体抽取 137 4.2.2 关系抽取 142 4.2.3 事件抽取 150 4.3 面向结构化数据的知识抽取 154 4.3.1 直接映射 154 4.3.2 R2RML 156 4.3.3 相关工具 159 4.4 面向半结构化数据的知识抽取 161 4.4.1 面向百科类数据的知识抽取 161 4.4.2 面向Web网页的知识抽取 165 4.5 知识挖掘 168 4.5.1 知识内容挖掘：实体链接 168 4.5.2 知识结构挖掘：规则挖掘 174 4.6 开源工具实践：基于DeepDive的关系抽取实践 178 4.6.1 开源工具的技术架构 178 4.6.2 其他类似工具 180 参考文献 180
D5章 知识图谱的融合 184 5.1 什么是知识图谱融合 184 5.2 知识图谱中的异构问题 185 5.2.1 语言层不匹配 186 5.2.2 模型层不匹配 187 5.3 本体概念层的融合方法与技术 190 5.3.1 本体映射与本体集成 190 5.3.2 本体映射分类 192 5.3.3 本体映射方法和工具 195 5.3.4 本体映射管理 232 5.3.5 本体映射应用 235 5.4 实例层的融合与匹配 236 5.4.1 知识图谱中的实例匹配问题分析 236 5.4.2 基于快速相似度计算的实例匹配方法 240 5.4.3 基于规则的实例匹配方法 241 5.4.4 基于分治的实例匹配方法 244 5.4.5 基于学习的实例匹配方法 260 5.4.6 实例匹配中的分布式并行处理 266 5.5 开源工具实践：实体关系发现框架LIMES 266 5.5.1 简介 266 5.5.2 开源工具的技术架构 267 5.5.3 其他类似工具 269 5.6 本章小结 269 参考文献 270
D6章 知识图谱推理 279 6.1 推理概述 279 6.1.1 什么是推理 279 6.1.2 面向知识图谱的推理 282 6.2 基于演绎的知识图谱推理 283 6.2.1 本体推理 283 6.2.2 基于逻辑编程的推理方法 288 6.2.3 基于查询重写的方法 295 6.2.4 基于产生式规则的方法 301 6.3 基于归纳的知识图谱推理 306 6.3.1 基于图结构的推理 306 6.3.2 基于规则学习的推理 313 6.3.3 基于表示学习的推理 318 6.4 知识图谱推理新进展 324 6.4.1 时序预测推理 324 6.4.2 基于强化学习的知识图谱推理 325 6.4.3 基于元学习的少样本知识图谱推理 326 6.4.4 图神经网络与知识图谱推理 326 6.5 开源工具实践：基于Jena和Drools的知识推理实践 327 6.5.1 开源工具简介 327 6.5.2 开源工具的技术架构 327 6.5.3 开发软件版本及其下载地址 328 6.5.4 基于Jena的知识推理实践 328 6.5.5 基于Drools的知识推理实践 329 6.6 本章小结 329 参考文献 330
D7章 语义搜索 334 7.1 语义搜索简介 334 7.2 结构化的查询语言 336 7.2.1 数据查询 338 7.2.2 数据插入 341 7.2.3 数据删除 341 7.3 语义数据搜索 342 7.4 语义搜索的交互范式 348 7.4.1 基于关键词的知识图谱语义搜索方法 348 7.4.2 基于分面的知识图谱语义搜索 350 7.4.3 基于表示学习的知识图谱语义搜索 352 7.5 开源工具实践 355 7.5.1 功能介绍 355 7.5.2 环境搭建及数据准备 357 7.5.3 数据准备 357 7.5.4 导入Elasticsearch 360 7.5.5 功能实现 (views.py) 361 7.5.6 执行查询 363 参考文献 364
D8章 知识问答 366 8.1 知识问答概述 366 8.1.1 知识问答的基本要素 366 8.1.2 知识问答的相关工作 367 8.1.3 知识问答应用场景 369 8.2 知识问答的分类体系 371 8.2.1 问题类型与答案类型 371 8.2.2 知识库类型 374 8.2.3 智能体类型 375 8.3 知识问答系统 376 8.3.1 NLIDB：早期的问答系统 376 8.3.2 IRQA：基于信息检索的问答系统 380 8.3.3 KBQA ：基于知识库的问答系统 380 8.3.4 CommunityQA/FAQ-QA：基于问答对匹配的问答系统 381 8.3.5 Hybrid QA Framework 混合问答系统框架 382 8.4 知识问答的评价方法 386 8.4.1 问答系统的评价指标 386 8.4.2 问答系统的评价数据集 387 8.5 KBQA前沿技术 392 8.5.1 KBQA面临的挑战 392 8.5.2 基于模板的方法 394 8.5.3 基于语义解析的方法 398 8.5.4 基于深度学习的传统问答模块优化 401 8.5.5 基于深度学习的端到端问答模型 405 8.6 开源工具实践 406 8.6.1 使用Elasticsearch搭建简单知识问答系统 406 8.6.2 基于gAnswer构建中英文知识问答系统 410 8.7 本章小结 415 参考文献 416
D9章 知识图谱应用案例 420 9.1 领域知识图谱构建的技术流程 420 9.1.1 领域知识建模 421 9.1.2 知识存储 422 9.1.3 知识抽取 422 9.1.4 知识融合 423 9.1.5 知识计算 423 9.1.6 知识应用 424 9.2 领域知识图谱构建的基本方法 425 9.2.1 自1；CY=CY向下的构建方法 425 9.2.2 自1；CY=CY向下的构建方法 426 9.3 领域知识图谱的应用案例 428 9.3.1 电商知识图谱的构建与应用 428 9.3.2 图情知识图谱的构建与应用 431 9.3.3 生活娱乐知识图谱构建与应用：以美团为例 435 9.3.4 企业商业知识图谱的构建与应用 440 9.3.5 创投知识图谱的构建与应用 443 9.3.6 中医临床领域知识图谱的构建与应用 448 9.3.7 金融证券行业知识图谱应用实践 452 9.4 本章小结 460 参考文献 461 《人工智能：知识图谱前沿技术》 D1章绪论 11什么是知识 12知识类型与知识金字塔 13什么是知识图谱 14知识图谱的发展历史 15知识图谱研究的主要内容 151知识表示 152构建知识库 153知识推理 154知识应用 16本书内容安排 D2章传统知识表示与建模 21知识表示的基本概念 22基于逻辑的知识表示 221逻辑的基本概念 222命题逻辑 223谓词逻辑 224归结原理 23产生式表示方法 231事实与规则的表示 232产生式系统的结构 233产生式系统的推理 24语义网络表示方法 241语义网络的历史 242语义网络的结构 243语义网络的实例 244基本的语义关系 245语义网络的推理 25框架表示方法 251框架理论的概念 252框架的结构和框架的推理 26其他表示方法 261脚本知识表示方法 262过程性知识表示方法 27本章小结 D3章现代文本表示学习基础 31文本表示学习的基础模型 311单词的分布表示 312句子的分布表示 313文档的分布表示 32文本表示学习的进阶模型 321ELMo 322GPT 323BERT 33文本表示与知识表示 34本章小结 D4章现代知识表示与学习 41基于几何变换的知识图谱表示学习 411基于平移原则的知识图谱表示学习 412基于混合几何变换的知识图谱表示学习 413基于流形原则的知识图谱表示学习 42基于神经网络的知识图谱表示模型 421距离模型 422简单网络模型 423复杂网络模型 43结合文本的知识图谱表示方法SSP 431研究背景 432模型描述 44本章小结 D5章知识图谱的构建 51命名实体识别 511什么是命名实体 512任务概述 513传统的命名实体识别方法 514基于深度学习的命名实体识别方法 515基于深度学习的命名实体识别新模型及新思路 52命名实体链接 521任务概述 522传统的命名实体链接方法 523基于深度学习的命名实体链接方法 53命名实体关系抽取 531任务概述 532传统的命名实体关系抽取方法 533基于深度学习的命名实体关系抽取方法 54本章小结 D6章知识推理 61什么是知识推理 62基于符号的知识推理 63基于随机游走的路径排序算法 64基于增强学习的路径推理 641DeepPath 642MINERVA 65基于深度神经网络的路径推理 651Path-RNN 652扩展的Path-RNN 66本章小结 D7章知识图谱的应用 71知识库问答 711基于信息抽取的知识库问答 712基于语义解析的知识库问答 713基于嵌入表示的知识库问答 72知识图谱在文本生成中的应用 721常识知识驱动的对话生成模型 722常识知识驱动的故事结局生成模型 73知识图谱在情感挖掘中的应用 731语言学知识驱动的情感分类 732知识图谱驱动的情感分析 74本章小结 D8章知识图谱资源 81通用的知识图谱资源 811Freebase 812DBpedia 813OpenKG 814NELL 82领域相关的知识图谱资源 821电子商务知识图谱 822中医药知识图谱 83本章小结 参考文献 《知识图谱：概念与技术》 D1篇 基础篇 D1章 知识图谱概述 2 1.1 知识图谱的基本概念 2 1.1.1 知识图谱的狭义概念 3 1.1.2 知识图谱的广义概念 8 1.2 知识图谱的历史沿革 10 1.2.1 知识图谱溯源 10 1.2.2 大数据知识工程 13 1.3 知识图谱的研究意义 16 1.3.1 知识图谱是认知智能的基石 16 1.3.2 知识引导成为解决问题的重要方式之一 19 1.4 知识图谱的应用价值 20 1.4.1 数据分析 20 1.4.2 智慧搜索 21 1.4.3 智能推荐 22 1.4.4 自然人机交互 23 1.4.5 决策支持 23 1.5 知识图谱的分类 24 1.5.1 知识图谱中的知识分类 25 1.5.2 知识图谱的领域特性 26 1.5.3 典型知识图谱 30 本章小结 38 思考题 39 参考文献 40 D2章 基础知识 43 2.1 概述 43 2.2 知识表示 45 2.2.1 基本概念 45 2.2.2 知识图谱的图表示 47 2.2.3 知识图谱的数值表示 49 2.2.4 其他相关知识表示 54 2.3 机器学习 64 2.3.1 机器学习的基本概念 65 2.3.2 深度学习概述 67 2.3.3 卷积神经网络 70 2.3.4 循环神经网络 71 2.3.5 注意力机制 72 2.4 自然语言处理 73 2.4.1 基本概念 74 2.4.2 文本的向量化表示 76 本章小结 78 思考题 79 参考文献 80 D2篇 构建篇 D3章 词汇挖掘与实体识别 84 3.1 概述 84 3.2 领域短语挖掘 86 3.2.1 问题描述 87 3.2.2 领域短语挖掘方法 88 3.2.3 统计指标特征 91 3.3 同义词挖掘 95 3.3.1 概述 95 3.3.2 典型方法 96 3.4 缩略词抽取 101 3.4.1 缩略词的概念与形式 101 3.4.2 缩略词的检测与抽取 103 3.4.3 缩略词的预测 105 3.5 实体识别 109 3.5.1 概述 109 3.5.2 传统的NER方法 110 3.5.3 基于深度学习的NER方法 114 3.5.4 近期的一些方法 120 本章小结 121 思考题 122 参考文献 122 D4章 关系抽取 127 4.1 概述 127 4.1.1 关系抽取的问题和方法分类 128 4.1.2 关系抽取常用数据集 130 4.1.3 关系抽取评估方法 131 4.2 基于模式的抽取 133 4.2.1 基于字符模式的抽取 134 4.2.2 基于语法模式的抽取 135 4.2.3 基于语义模式的抽取 135 4.2.4 自动化模式获取：自举法 136 4.2.5 基于模式抽取的质量评估 138 4.3 基于学习的抽取 139 4.3.1 基于监督学习的关系抽取 140 4.3.2 基于远程监督学习的关系抽取 142 4.3.3 基于深度学习的关系抽取 144 4.4 开放关系抽取 150 4.4.1 TextRunner 151 4.4.2 ReVerb 152 4.4.3 Ollie 154 本章小结 154 思考题 156 参考文献 157 D5章 概念图谱构建 160 5.1 概述 160 5.1.1 常见的概念图谱 163 5.1.2 概念图谱的应用 166 5.2 isA关系抽取 168 5.2.1 基于在线百科的方法 169 5.2.2 基于模式的方法 170 5.2.3 中文概念图谱的构建 172 5.3 isA关系补全 175 5.3.1 isA关系缺失的成因 176 5.3.2 基于isA关系传递性的概念图谱补全 177 5.3.3 基于协同过滤思想的概念图谱补全 179 5.4 isA关系纠错 181 5.4.1 错误的成因 182 5.4.2 基于支持度的纠错 183 5.4.3 基于图模型的纠错 184 本章小结 185 思考题 186 参考文献 187 D6章 百科图谱构建 189 6.1 概述 189 6.1.1 什么是百科图谱 189 6.1.2 百科图谱的意义 190 6.1.3 百科图谱的分类 191 6.2 基于单源的百科图谱构建 192 6.2.1 数据获取 193 6.2.2 属性抽取 195 6.2.3 关系构建 200 6.2.4 概念层级体系构建 201 6.2.5 实体分类 201 6.3 基于多源的百科图谱融合 207 6.3.1 基于多个知识图谱的融合方法 207 6.3.2 基于多源异构数据的融合方法 215 本章小结 216 思考题 217 参考文献 217 D7章 知识图谱的众包构建 221 7.1 概述 221 7.2 知识型众包的基本概念 223 7.3 知识型众包研究的问题 226 7.3.1 What（对什么任务进行众包） 226 7.3.2 Whom（将任务交予谁完成） 229 7.3.3 How（如何完成众包） 230 7.4 基于众包的知识图谱构建与精化 235 7.4.1 本体构建阶段的人工介入 235 7.4.2 知识图谱构建阶段的人工介入 237 7.4.3 知识图谱精化阶段的人工介入 242 本章小结 244 思考题 245 参考文献 D8章 知识图谱的质量控制 250 8.1 概述 251 8.1.1 知识图谱质量评估的维度 251 8.1.2 知识图谱质量评估的方法 253 8.1.3 知识图谱质量控制全周期概览 254 8.2 缺失知识的发现与补全 260 8.2.1 类型补全 260 8.2.2 关系补全 263 8.2.3 属性值补全 268 8.3 错误知识的发现与纠正 270 8.3.1 错误实体类型检测 271 8.3.2 错误实体关系检测 271 8.3.3 错误属性值检测 273 8.4 过期知识的更新 274 8.4.1 基于更新频率预测的更新机制 275 8.4.2 基于时间标签的更新机制 276 8.4.3 基于热点事件发现的更新机制 277 本章小结 278 思考题 279 参考文献 280 D3篇 管理篇 D9章 知识图谱的建模与存储 286 9.1 概述 286 9.2 知识图谱的数据模型 287 9.2.1 知识图谱的三元组模型 287 9.2.2 知识图谱的图模型 291 9.3 知识图谱的物理存储 296 9.3.1 知识图谱数据的基本操作 296 9.3.2 知识图谱的关系表存储 297 9.3.3 知识图谱的图存储 302 9.3.4 分布式计算环境下的知识图谱数据存储 305 本章小结 309 思考题 310 参考文献 310 D10章 知识图谱的查询与检索 314 10.1 概述 314 10.2 查询语言：SPARQL 315 10.2.1 简单查询 315 10.2.2 SPARQL查询机制及知识图谱上的推理 321 10.3 子图查询 324 10.3.1 子图查询基本知识 324 10.3.2 近似子图查询 326 10.3.3 Top-k查询 331 10.3.4 索引结构 334 10.4 其他查询 335 10.4.1 路径查询 335 10.4.2 关键词查询 337 10.4.3 社团搜索 339 本章小结 342 思考题 343 参考文献 343 D11章 图数据管理系统 347 11.1 概述 347 11.2 知识图谱与图数据管理系统 348 11.2.1 大图管理的挑战 350 11.2.2 图数据管理系统的重要性 352 11.2.3 图数据管理系统管理知识图谱的挑战 354 11.3 图数据管理系统的基本架构和设计原则 357 11.4 典型的图数据管理系统 360 11.4.1 通用图数据管理系统 361 11.4.2 知识图谱专用图数据管理系统 364 11.4.3 图数据管理系统使用实例 366 本章小结 370 思考题 371 参考文献 371 D4篇 应用篇 D12章 基于知识图谱的语言认知 374 12.1 概述 375 12.1.1 语言理解的挑战 375 12.1.2 语言理解需要知识图谱 376 12.1.3 语言理解的任务 377 12.2 实体理解 378 12.2.1 基本模型 379 12.2.2 局部实体链接分数 380 12.2.3 全局实体链接分数 381 12.2.4 模型计算 382 12.2.5 短文本实体链接 388 12.2.6 跨语言实体链接 389 12.3 概念理解 391 12.3.1 单实例概念理解 391 12.3.2 多实例概念理解 393 12.3.3 短语概念理解 395 12.3.4 关系对概念理解 397 12.3.5 概念理解应用举例 398 12.4 属性理解 399 本章小结 401 思考题 402 参考文献 402 D13章 基于知识图谱的搜索与推荐 405 13.1 概述 405 13.2 基于知识图谱的搜索 408 13.2.1 搜索概述 408 13.2.2 搜索意图理解 411 13.2.3 目标查找 413 13.2.4 结果呈现 413 13.2.5 实体探索 414 13.3 基于知识图谱的推荐 419 13.3.1 推荐的基本问题与挑战 419 13.3.2 基于知识图谱的物品画像 422 13.3.3 基于知识图谱的用户画像 427 13.3.4 基于知识图谱的跨领域推荐 429 13.3.5 基于知识图谱的可解释推荐 432 本章小结 433 思考题 435 参考文献 435 D14章 基于知识图谱的问答 438 14.1 概述 438 14.1.1 问答系统 438 14.1.2 KBQA 441 14.2 基于模板的KBQA 449 14.2.1 基于模板的意图识别 449 14.2.2 基于模板的属性关联 451 14.3 基于图模型的KBQA 453 14.3.1 监督学习方法 453 14.3.2 无监督方法 455 14.4 基于深度学习的KBQA 457 14.4.1 表示学习 458 14.4.2 分类模型 459 14.4.3 生成模型 461 本章小结 462 思考题 463 参考文献 464 D5篇 实践篇 D15章 知识图谱实践 468 15.1 概述 468 15.1.1 知识图谱应用的推动力 469 15.1.2 知识图谱应用与产业现状 471 15.1.3 知识图谱实践的系统工程观念 472 15.1.4 知识图谱助力行业智能化的演进路径 474 15.2 知识图谱系统 476 15.2.1 知识图谱系统的外部环境 476 15.2.2 知识图谱系统的关键要素 477 15.2.3 知识图谱系统的典型架构 479 15.3 知识图谱工程 485 15.3.1 基本原则 486 15.3.2 过程模型 489 15.3.3 可行性分析 491 15.3.4 实践建议 495 本章小结 499 思考题 499 参考文献 500 D16章 开放性问题 501 16.1 知识表示 501 16.1.1 与其他知识表示相联合的语义增强 501 16.1.2 过程语义增强 502 16.1.3 时空语义增强 503 16.1.4 跨模态语义增强 504 16.2 知识获取 504 16.2.1 低成本知识获取 505 16.2.2 复杂知识的获取 506 16.2.3 知识获取中的人机协作与评测 508 16.3 知识应用 509 16.3.1 知识图谱上的推理 509 16.3.2 符号知识增强机器学习 510 16.3.3 基于知识图谱的可解释人工智能 511 16.3.4 知识图谱的个性化问题 511 本章小结 512 思考题 513 参考文献 513 省略部分目录 |
【本文地址】
今日新闻 |
推荐新闻 |