具体描述
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。
作者简介
刘知远
清华大学计算机系副教授、博士生导师。主要研究方向为表示学习、知识图谱和社会计算。2011年获得清华大学博士学位，已在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文60余篇，谷歌学术引用超过7 000次。博士论文曾被评为清华大学优秀博士学位论文、中国人工智能学会优秀博士学位论文。曾被评为清华大学优秀博士后，获得过中文信息学会青年创新奖，入选《麻省理工科技评论》“35岁以下科技创新35人”中国区榜单（MIT TR-35 China）、中国科学技术协会青年人才托举工程、中国计算机学会青年学者提升计划。多次担任ACL、EMNLP、COLING、IJCNLP等著名国际会议的领域主席。
韩旭
清华大学计算机系博士生，主要研究方向为自然语言处理、知识图谱、信息抽取。在AAAI、ACL、EMNLP、COLING、NAACL等人工智能领域的著名国际会议上发表多篇论文，是OpenKE、OpenNRE等开源项目的开发者之一。
孙茂松
清华大学计算机系长聘教授，清华大学人工智能研究院常务副院长，清华大学计算机学位评定分委员会主席。主要研究方向为自然语言理解、中文信息处理、Web智能、社会计算和计算教育学等。国家重点基础研究发展计划（“973”计划）首席科学家，国家社会科学基金重大项目首席专家。在重要国际刊物、国际会议、国内核心刊物上发表论文200余篇，谷歌学术引用9 000余次。2013年带领团队成功研制并发布了全球第1个向全社会免费开放的中文慕课平台“学堂在线”，目前注册用户已超过2 000万人。2017年领衔研制出“九歌”人工智能诗歌写作系统，引起了社会关注。主要兼职包括教育部教学信息化与教学方法创新指导委员会副主任委员，互联网教育智能技术及应用国家工程实验室副主任，中国科学技术协会第九届全国委员会委员，中国中文信息学会第六届、第七届副理事长，《中文信息学报》主编。2016年获“全国优秀科技工作者”及“首都市民学习之星”称号。
目录信息
1.1 知识图谱简介2
1.2 深度学习的优势和挑战4
1.3 深度学习+ 知识图谱=1 .8
1.3.1 知识的表示学习9
1.3.2 知识的自动获取10
1.3.3 知识的计算应用13
1.4 本书结构14
1.5 本章总结14
第一篇世界知识图谱
第2 章世界知识的表示学习19
2.1 章节引言19
2.2 相关工作20
2.2.1 知识表示学习经典模型20
2.2.2 平移模型及其拓展模型22
2.3 基于复杂关系建模的知识表示学习25
2.3.1 算法模型.25
2.3.2 实验分析.26
2.3.3 小结32
2.4 基于关系路径建模的知识表示学习32
2.4.1 算法模型.32
2.4.2 实验分析.34
2.4.3 小结39
vi j 知识图谱与深度学习
2.5 基于属性关系建模的知识表示学习39
2.5.1 算法模型.40
2.5.2 实验分析.41
2.5.3 小结44
2.6 融合实体描述信息的知识表示学习44
2.6.1 算法模型.45
2.6.2 实验分析.47
2.6.3 小结54
2.7 融合层次类型信息的知识表示学习55
2.7.1 算法模型.55
2.7.2 实验分析.57
2.7.3 小结62
2.8 融合实体图像信息的知识表示学习62
2.8.1 算法模型.63
2.8.2 实验分析.64
2.8.3 小结68
2.9 本章总结68
第3 章世界知识的自动获取70
3.1 章节引言70
3.2 相关工作71
3.2.1 有监督的关系抽取模型71
3.2.2 远程监督的关系抽取模型.72
3.3 基于选择性注意力机制的关系抽取73
3.3.1 算法模型.74
3.3.2 实验分析.78
3.3.3 小结82
3.4 基于关系层次注意力机制的关系抽取83
3.4.1 算法模型.83
目录j vii
3.4.2 实验分析.86
3.4.3 小结89
3.5 基于选择性注意力机制的多语言关系抽取.89
3.5.1 算法模型.90
3.5.2 实验分析.93
3.5.3 小结98
3.6 引入对抗训练的多语言关系抽取98
3.6.1 算法模型.99
3.6.2 实验分析.103
3.6.3 小结106
3.7 基于知识图谱与文本互注意力机制的知识获取.106
3.7.1 算法模型.107
3.7.2 实验分析.112
3.7.3 小结117
3.8 本章总结118
第4 章世界知识的计算应用119
4.1 章节引言119
4.2 细粒度实体分类120
4.2.1 算法模型.120
4.2.2 实验分析.122
4.2.3 小结129
4.3 实体对齐129
4.3.1 算法模型.129
4.3.2 实验分析.132
4.3.3 小结135
4.4 融入知识的信息检索.136
4.4.1 算法模型.136
4.4.2 实验分析.138
4.4.3 小结143
viii j 知识图谱与深度学习
4.5 本章总结143
第二篇语言知识图谱
第5 章语言知识的表示学习147
5.1 章节引言147
5.2 相关工作148
5.2.1 词表示学习148
5.2.2 词义消歧.149
5.3 义原的表示学习149
5.3.1 算法模型.149
5.3.2 实验分析.152
5.3.3 小结155
5.4 基于义原的词表示学习156
5.4.1 算法模型.156
5.4.2 实验分析.159
5.4.3 小结164
5.5 本章总结164
第6 章语言知识的自动获取166
6.1 章节引言166
6.2 相关工作167
6.2.1 知识图谱及其构建167
6.2.2 子词和字级NLP 167
6.2.3 词表示学习及跨语言的词表示学习167
6.3 基于协同过滤和矩阵分解的义原预测168
6.3.1 算法模型.168
6.3.2 实验分析.171
6.3.3 小结175
6.4 融入中文字信息的义原预测175
6.4.1 算法模型.176
目录j ix
6.4.2 实验分析.179
6.4.3 小结183
6.5 跨语言词汇的义原预测183
6.5.1 算法模型.184
6.5.2 实验分析.188
6.5.3 小结194
6.6 本章总结194
第7 章语言知识的计算应用195
7.1 章节引言195
7.2 义原驱动的词典扩展.196
7.2.1 相关工作.196
7.2.2 任务设定.198
7.2.3 算法模型.199
7.2.4 实验分析.202
7.2.5 小结207
7.3 义原驱动的神经语言模型.207
7.3.1 相关工作.208
7.3.2 任务设定.209
7.3.3 算法模型.210
7.3.4 实验分析.213
7.3.5 小结219
7.4 本章总结219
第8 章总结与展望220
8.1 本书总结220
8.2 未来展望221
8.2.1 更全面的知识类型221
8.2.2 更复杂的知识结构222
8.2.3 更有效的知识获取223
8.2.4 更强大的知识指导223
x j 知识图谱与深度学习
8.2.5 更精深的知识推理224
8.3 结束语224
相关开源资源226
参考文献228
后记.243
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
我花了相当长的时间来研读其中关于“信息抽取”的部分，因为它直接关系到如何将非结构化文本转化为机器可读的知识单元。我原以为会深入探讨诸如条件随机场（CRF）模型在命名实体识别中的具体调优参数，或是基于注意力机制的序列标注模型在特定领域语料上的性能对比。然而，实际内容给出的却是对这些技术的宏观概述，更像是教科书式的定义罗列，缺乏那种在真实世界数据中摸爬滚打后积累下来的“经验之谈”。例如，当处理带有歧义的指称或嵌套实体时，业内公认的最佳实践是什么？或者在资源受限的情况下，如何平衡抽取精度与召回率？这些实战中的权衡和取舍，才是真正决定一个项目成败的关键，而这部分内容在书中显得过于单薄，给我的感觉是，作者似乎更专注于描绘一个理想化的技术蓝图，而非一个饱经风霜的实战手册。
评分全书在探讨图谱的应用场景时，展现出了一种面向未来的乐观态度，提到了在生物信息学、金融风控等领域的潜力。然而，令我感到略微失望的是，对于构建和维护一个生产级知识图谱所必须面对的“脏活累活”——即数据治理和知识融合——的处理显得过于理想化。在现实世界中，异构数据的冲突、时序知识的更新机制、以及多源信息的置信度评估，才是项目失败的主要原因。这本书似乎更侧重于描述“拥有一个完美图谱后能做什么”，而对于“如何穿越泥泞到达彼岸”的路径规划，介绍得不够具体和深入，缺乏对数据隐私保护在知识图谱构建中的影响、以及联邦学习在分布式知识构建中的初步探索等新兴安全和协作方面的探讨。
评分这本书的封面设计得非常引人注目，那种深邃的蓝色调配上流动的线条，确实让人联想到复杂的网络结构和数据流动的形态。我最初翻开它，是冲着对新兴技术的好奇心去的，尤其是那些关于如何让机器更好地“理解”信息的讨论。遗憾的是，虽然我期待能看到一些关于如何构建和优化知识库的实用指南，比如数据清洗的技巧、实体对齐的先进算法，或者如何利用本体论来规范知识表示，但这本书似乎更多地在探讨一些更偏向理论基础和宏观框架的构建。我原本期望看到的是那种手把手教你搭建一个小型知识图谱项目的实操章节，里面包含具体的代码示例和常见错误排查，但内容更多地停留在概念的阐述上，使得对于初学者来说，理解如何将理论付诸实践成了一道不小的鸿沟。或许对于资深的架构师来说，这些理论深度已经足够，但对于希望快速入门的读者而言，这种深度和广度的平衡似乎略有失调，导致阅读过程中的“啊哈”时刻不如预期中那样频繁出现。
评分这本书的排版和用词风格相当严谨，学术气息浓厚，这一点从其引用的文献数量和参考文献的专业程度就可见一斑。然而，这种严谨性也带来了一个副作用：阅读体验上略显晦涩。我希望能看到一些生动的比喻或者工程案例来串联起那些复杂的数学公式和抽象的模型定义。比如，如果能用一个大家熟悉的商业案例来解释知识图谱在推荐系统中的核心价值流转，那将极大地帮助非计算机专业的读者建立直观认识。目前来看，它更像是一本为研究生准备的参考书，而非一本面向广大技术爱好者的科普读物。我尝试着将一些章节推荐给我的产品经理同事，但他们反馈说，虽然能感觉到技术的前沿性，但缺乏清晰的“Why”和“So What”的解释，使得他们难以将其与日常工作中的决策点连接起来，这无疑限制了这本书的受众范围。
评分关于书中涉及的图嵌入（Graph Embedding）技术部分，我本来期待能看到对DeepWalk、Node2Vec以及更先进的GNN（图神经网络）家族在不同结构数据上的表现进行细致的性能基准测试。我关注的焦点在于，当面对超大规模、高维度且非均匀分布的知识图谱时，哪种嵌入方法在保持语义结构的同时，计算效率最高。书中的讨论似乎停留在介绍这些方法的基本原理上，对于它们的局限性，比如过度平滑问题在深层GNN中的体现，或是大规模稀疏图上的采样策略优化等前沿挑战，着墨不多。我希望看到的是一些图表对比，清晰地展示在特定规模和稀疏度下的收敛速度和最终嵌入质量的差异，而不是仅限于理论推导的展示，这使得对技术选型至关重要的实证数据有所缺失。
评分 评分 评分 评分 评分相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有