第1章 知識圖譜概述 1
1.1 什麼是知識圖譜 1
1.2 知識圖譜的發展曆史 2
1.3 知識圖譜的價值 5
1.4 國內外典型的知識圖譜項目 9
1.4.1 早期的知識庫項目 9
1.4.2 互聯網時代的知識圖譜 9
1.4.3 中文開放知識圖譜 12
1.4.4 垂直領域知識圖譜 13
1.5 知識圖譜的技術流程 15
1.6 知識圖譜的相關技術 19
1.6.1 知識圖譜與數據庫係統 19
1.6.2 知識圖譜與智能問答 23
1.6.3 知識圖譜與機器推理 25
1.6.4 知識圖譜與推薦係統 28
1.6.5 區塊鏈與去中心化的知識圖譜 29
1.7 本章小結 30
參考文獻 31
第2章 知識圖譜錶示與建模 40
2.1 什麼是知識錶示 40
2.2 人工智能早期的知識錶示方法 43
2.2.1 一階謂詞邏輯 43
2.2.2 霍恩子句和霍恩邏輯 43
2.2.3 語義網絡 44
2.2.4 框架 45
2.2.5 描述邏輯 47
2.3 互聯網時代的語義網知識錶示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知識圖譜查詢語言的錶示 59
2.3.4 語義Markup錶示語言 62
2.4 常見開放域知識圖譜的知識錶示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知識圖譜的嚮量錶示方法 68
2.5.1 知識圖譜錶示的挑戰 68
2.5.2 詞的嚮量錶示方法 68
2.5.3 知識圖譜嵌入的概念 71
2.5.4 知識圖譜嵌入的優點 72
2.5.5 知識圖譜嵌入的主要方法 72
2.5.6 知識圖譜嵌入的應用 75
2.6 開源工具實踐：基於Protégé的本體知識建模 77
2.6.1 簡介 77
2.6.2 環境準備 78
2.6.3 Protégé實踐主要功能演示 78
2.7 本章小結 80
參考文獻 80
第3章 知識存儲 82
3.1　知識圖譜數據庫基本知識 82
3.1.1　知識圖譜數據模型 82
3.1.2　知識圖譜查詢語言 85
3.2 常見知識圖譜存儲方法 91
3.2.1 基於關係數據庫的存儲方案 91
3.2.2　麵嚮RDF的三元組數據庫 101
3.2.3 原生圖數據庫 115
3.2.4　知識圖譜數據庫比較 120
3.3　知識存儲關鍵技術 121
3.3.1　知識圖譜數據庫的存儲：以Neo4j為例 121
3.3.2　知識圖譜數據庫的索引 124
3.4 開源工具實踐 126
3.4.1 三元組數據庫Apache Jena 126
3.4.2 麵嚮RDF的三元組數據庫gStore 128
參考文獻 131
第4章 知識抽取與知識挖掘 133
4.1 知識抽取任務及相關競賽 133
4.1.1 知識抽取任務定義 133
4.1.2 知識抽取相關競賽 134
4.2 麵嚮非結構化數據的知識抽取 136
4.2.1 實體抽取 137
4.2.2 關係抽取 142
4.2.3 事件抽取 150
4.3 麵嚮結構化數據的知識抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相關工具 159
4.4 麵嚮半結構化數據的知識抽取 161
4.4.1 麵嚮百科類數據的知識抽取 161
4.4.2 麵嚮Web網頁的知識抽取 165
4.5 知識挖掘 168
4.5.1 知識內容挖掘：實體鏈接 168
4.5.2 知識結構挖掘：規則挖掘 174
4.6 開源工具實踐：基於DeepDive的關係抽取實踐 178
4.6.1 開源工具的技術架構 178
4.6.2 其他類似工具 180
參考文獻 180
第5章 知識圖譜融閤 184
5.1 什麼是知識圖譜融閤 184
5.2 知識圖譜中的異構問題 185
5.2.1 語言層不匹配 186
5.2.2 模型層不匹配 187
5.3 本體概念層的融閤方法與技術 190
5.3.1 本體映射與本體集成 190
5.3.2 本體映射分類 192
5.3.3 本體映射方法和工具 195
5.3.4 本體映射管理 232
5.3.5 本體映射應用 235
5.4 實例層的融閤與匹配 236
5.4.1 知識圖譜中的實例匹配問題分析 236
5.4.2 基於快速相似度計算的實例匹配方法 240
5.4.3 基於規則的實例匹配方法 241
5.4.4 基於分治的實例匹配方法 244
5.4.5 基於學習的實例匹配方法 260
5.4.6 實例匹配中的分布式並行處理 266
5.5 開源工具實踐：實體關係發現框架LIMES 266
5.5.1 簡介 266
5.5.2 開源工具的技術架構 267
5.5.3 其他類似工具 269
5.6 本章小結 269
參考文獻 269
第6章 知識圖譜推理 279
6.1 推理概述 279
6.1.1 什麼是推理 279
6.1.2 麵嚮知識圖譜的推理 282
6.2 基於演繹的知識圖譜推理 283
6.2.1 本體推理 283
6.2.2 基於邏輯編程的推理方法 288
6.2.3 基於查詢重寫的方法 295
6.2.4 基於産生式規則的方法 301
6.3 基於歸納的知識圖譜推理 306
6.3.1 基於圖結構的推理 306
6.3.2 基於規則學習的推理 313
6.3.3 基於錶示學習的推理 318
6.4 知識圖譜推理新進展 324
6.4.1 時序預測推理 324
6.4.2 基於強化學習的知識圖譜推理 325
6.4.3 基於元學習的少樣本知識圖譜推理 326
6.4.4 圖神經網絡與知識圖譜推理 326
6.5 開源工具實踐：基於Jena和Drools的知識推理實踐 327
6.5.1 開源工具簡介 327
6.5.2 開源工具的技術架構 327
6.5.3 開發軟件版本及其下載地址 328
6.5.4 基於Jena的知識推理實踐 328
6.5.5 基於Drools的知識推理實踐 329
6.6 本章小結 329
參考文獻 330
第7章 語義搜索 334
7.1 語義搜索簡介 334
7.2 結構化的查詢語言 336
7.2.1 數據查詢 338
7.2.2 數據插入 341
7.2.3 數據刪除 341
7.3 語義數據搜索 342
7.4 語義搜索的交互範式 348
7.4.1 基於關鍵詞的知識圖譜語義搜索方法 348
7.4.2 基於分麵的知識圖譜語義搜索 350
7.4.3 基於錶示學習的知識圖譜語義搜索 352
7.5 開源工具實踐 355
7.5.1 功能介紹 355
7.5.2 環境搭建及數據準備 357
7.5.3 數據準備 357
7.5.4 導入Elasticsearch 360
7.5.5 功能實現 361
7.5.6 執行查詢 363
參考文獻 364
第8章 知識問答 366
8.1 知識問答概述 366
8.1.1 知識問答的基本要素 366
8.1.2 知識問答的相關工作 367
8.1.3 知識問答應用場景 369
8.2 知識問答的分類體係 371
8.2.1 問題類型與答案類型 371
8.2.2 知識庫類型 374
8.2.3 智能體類型 375
8.3 知識問答係統 376
8.3.1 NLIDB：早期的問答係統 376
8.3.2 IRQA：基於信息檢索的問答係統 380
8.3.3 KBQA：基於知識庫的問答係統 380
8.3.4 CommunityQA/FAQ-QA：基於問答對匹配的問答係統 381
8.3.5 Hybrid QA Framework 混閤問答係統框架 382
8.4 知識問答的評價方法 386
8.4.1 問答係統的評價指標 386
8.4.2 問答係統的評價數據集 387
8.5 KBQA前沿技術 392
8.5.1 KBQA麵臨的挑戰 392
8.5.2 基於模闆的方法 394
8.5.3 基於語義解析的方法 398
8.5.4 基於深度學習的傳統問答模塊優化 401
8.5.5 基於深度學習的端到端問答模型 405
8.6 開源工具實踐 406
8.6.1 使用Elasticsearch搭建簡單知識問答係統 406
8.6.2 基於gAnswer構建中英文知識問答係統 410
8.7 本章小結 415
參考文獻 416
第9章 知識圖譜應用案例 420
9.1 領域知識圖譜構建的技術流程 420
9.1.1 領域知識建模 421
9.1.2 知識存儲 422
9.1.3 知識抽取 422
9.1.4 知識融閤 423
9.1.5 知識計算 423
9.1.6 知識應用 424
9.2 領域知識圖譜構建的基本方法 425
9.2.1 自頂嚮下的構建方法 425
9.2.2 自底嚮上的構建方法 426
9.3 領域知識圖譜的應用案例 428
9.3.1 電商知識圖譜的構建與應用 428
9.3.2 圖情知識圖譜的構建與應用 431
9.3.3 生活娛樂知識圖譜的構建與應用：以美團為例 435
9.3.4 企業商業知識圖譜的構建與應用 440
9.3.5 創投知識圖譜的構建與應用 443
9.3.6 中醫臨床領域知識圖譜的構建與應用 448
9.3.7 金融證券行業知識圖譜應用實踐 452
9.4 本章小結 460
參考文獻 461
· · · · · · (收起)