知识表示与处理

图书标准信息

• 作者 惠军华 著
• 出版社 电子工业出版社
• 出版时间 2021-03
• 版次 1
• ISBN 9787121406805
• 定价 78.00元
• 装帧 平装
• 开本 16开
• 页数 296页
• 字数 412千字

【内容简介】

本书以知识表示与处理所涉及的相关知识，如知识获取、知识表示、知识推理、知识迁移等内容为主体，完整呈现了知识表示与处理的知识体系。本书首先，介绍了知识表示与处理的发展、相关概念、流程等；其次，介绍了知识获取的内容；再次，重点介绍了知识表示的各种方法，如逻辑谓词、产生式规则、语义网络、本体、知识图谱等，以及知识推理所涉及的确定性知识推理和不确定性知识推理；最后，介绍了知识应用和知识迁移相关的内容。本书将免费提供配套PPT、实验及应用案例等基本教学材料。本书注重基础性、系统性和实用性，力求为学习知识表示与处理知识的读者提供一本基础的教材，同时为在其他学科应用知识表示与处理技术的读者提供一本深入浅出的参考书。本书适合作为人工智能、计算机科学与技术、自动化控制等相关专业的本科生和研究生的教材；部分内容也适用于高职高专学校的教学。

【作者简介】

刘鹏：博士毕业于清华大学，教授，现任南京大数据研究院院长、中国大数据应用联盟人工智能专家委员会主任、中国大数据专家委员会委员。曾率队夺得2002 PennySort国际计算机排序比赛冠军（这是我国获得的第一个大数据比赛世界冠军），两次夺得全国高校科技比赛*高奖，三次夺得清华大学科技比赛*高奖。主持完成科研项目25项，发表论文80余篇，出版专业图书20部。获部级科技进步二等奖4项、三等奖4项。2002年开创性地提出了“计算池”模式，被2007年开始流行的“云计算”所证实。2003年开创性地提出了“反垃圾邮件网格”，被2008年开始流行的“云安全”所证实。荣获“全军十大学习成才标兵”、南京市“十大杰出青年”、江苏省中青年科学技术带头人、清华大学“学术新秀”等称号。刘河，现就职于重庆市教育科学研究院，中国计算机学会会员，重庆市教育信息化专家委员会成员；主要研究领域为大数据、人工智能等；独立开发了10余个软件系统，主持主研了多项省部级重点课题，编著了多部教材，获得了多个计算机软件著作权登记证书。

【目录】

第1章   绪论1
1．1  知识表示基本概念1
1．1．1  知识1
1．1．2  知识表示2
1．1．3  知识表示方法3
1．2  知识处理的基本流程7
1．2．1  知识抽取7
1．2．2  知识表示8
1．2．3  知识存储8
1．2．4  知识融合9
1．2．5  知识推理9
1．2．6  知识可视化10
1．2．7  知识应用10
1．2．8  知识更新11
1．3  知识与人工智能的关系11
习题12
参考文献12
第2章  知识获取13
2．1  知识获取基本概念13
2．1．1  知识13
2．1．2  知识获取的发展背景14
2．1．3  知识获取14
2．1．4  知识获取的步骤和途径15
2．2  知识获取的方式15
2．2．1  人工知识获取15
2．2．2  半自动知识获取16
2．2．3  自动知识获取16
2．2．4  其他方式17
2．3  面向非结构化数据的知识获取18
2．3．1  实体抽取18
2．3．2  关系抽取19
2．3．3  事件抽取22
2．4  面向半结构化数据的知识获取24
2．5  面向结构化数据的知识获取25
2．6  实验：使用 jieba进行中文分词28
2．6．1  实验目的28
2．6．2  实验要求28
2．6．3  实验原理28
2．6．4  实验步骤28
2．6．5  实验结果29
习题30
参考文献30
第3章  谓词逻辑32
3．1  逻辑学的基本研究方法32
3．1．1  概念化和理性化32
3．1．2  符号化33
3．1．3  公理化33
3．1．4  形式化34
3．1．5  现代逻辑学形式系统34
3．2  命题逻辑35
3．2．1  语法35
3．2．2  语义37
3．3 谓词逻辑42
3．3．1  语法42
3．3．2  语义47
3．4  命题演算推理系统50
3．5  实验：苏格拉底推论符号化及论证51
3．5．1  实验目的51
3．5．2  实验要求51
3．5．3  实验原理51
3．5．4  实验步骤51
3．5．5  实验结果52
习题53
参考文献54
第4章  产生式规则55
4．1  产生式表示55
4．1．1  产生式的由来55
4．1．2  产生式规则的一般形式55
4．1．3  产生式规则与逻辑蕴含式56
4．2  从规则到系统57
4．2．1  产生式系统简述57
4．2．2  产生式系统的组成57
4．2．3  产生式系统的运行过程60
4．3  规则匹配DDRete算法65
4．3．1  规则匹配算法简述65
4．3．2  Rete算法66
4．3．3  Uni-Rete算法70
4．4  产生式规则专家系统73
4．4．1  专家系统简述73
4．4．2  专家系统的基本结构77
4．4．3  产生式规则专家系统实例80
4．5   实验：基于产生式规则的动物识别专家系统84
4．5．1  实验目的84
4．5．2  实验要求84
4．5．3  实验原理84
4．5．4  实验步骤84
4．5．5  实验结果95
习题96
参考文献96
第5章  语义网络97
5．1  语义网络简述97
5．1．1  语义网络的概念97
5．1．2  语义网络的特点97
5．2  语义网络表示法98
5．2．1  基本网元98
5．2．2  基本语义关系99
5．3  知识的语义网络表示102
5．3．1  事实性知识的表示102
5．3．2  情况、动作和事件的表示102
5．3．3  连词和量词的表示104
5．3．4  用语义网络表示知识的步骤105
5．4  语义网络的推理方法106
5．4．1  继承推理106
5．4．2  匹配推理106
5．5  实验：语义网络写入图形数据库107
5．5．1  实验目的107
5．5．2  实验要求107
5．5．3  实验原理107
5．5．4  实验步骤107
5．5．5  实验结果110
习题110
参考文献111
第6章  本体112
6．1  本体概述112
6．1．1  本体的定义112
6．1．2  本体的作用113
6．1．3  本体的构成要素114
6．2  本体的分类115
6．3  本体的构建118
6．3．1  本体建模语言118
6．3．2  本体构建的规则121
6．3．3  本体构建的方法122
6．3．4  本体的构建工具126
6．4  本体的应用128
6．5  领域本体的构建129
6．5．1  领域本体的构建过程129
6．5．2  领域本体的设计原则130
6．5．3  领域本体建模的生命周期131
6．6  实验：小型本体构建示例131
6．6．1  实验目的131
6．6．2  实验要求132
6．6．3  实验原理132
6．6．4  实验步骤132
6．6．5  实验结果139
习题140
参考文献141
第7章  知识图谱143
7．1  知识图谱简述143
7．1．1  知识图谱的概念143
7．1．2  知识图谱的产生历程145
7．1．3  知识图谱的生命周期147
7．2  知识图谱的关键技术150
7．2．1  知识图谱构建技术150
7．2．2  知识图谱查询和推理计算技术151
7．2．3  知识图谱应用技术151
7．3  知识图谱可视化153
7．3．1  知识图谱表示方法153
7．3．2  知识图谱可视化类型154
7．3．3  知识图谱可视化流程154
7．3．4  知识图谱可视化方法154
7．4  知识图谱分类157
7．4．1  知识图谱分类概述157
7．4．2  通用知识图谱157
7．4．3  领域知识图谱158
7．5  知识图谱工具159
7．5．1  知识建模工具159
7．5．2  知识获取工具159
7．5．3  实体识别链接工具160
7．5．4  知识存储工具160
7．5．5  本体知识推理工具160
7．5．6  知识图谱可视化工具161
7．5．7  知识图谱数据智能平台161
7．6  实验：知识图谱实践162
7．6．1  实验目的162
7．6．2  实验要求162
7．6．3  实验原理162
7．6．4  实验步骤162
7．6．5  实验结果169
习题170
参考文献170
第8章  知识推理172
8．1  推理简述172
8．1．1  推理的概念172
8．1．2  推理方式及分类173
8．1．3  推理控制策略及分类176
8．1．4  匹配与冲突消解178
8．2  自然演绎推理180
8．2．1  推理规则180
8．2．2  三段论181
8．2．3  命题演算形式182
8．2．4  谓词演算形式182
8．3  归结演绎推理183
8．3．1  命题逻辑中的归结演绎推理186
8．3．2  谓词逻辑中的归结演绎推理188
8．4  归纳推理194
8．4．1  完全归纳推理195
8．4．2  不完全归纳推理195
8．5  非单调推理201
8．5．1  缺省推理201
8．5．2  非单调推理系统203
8．6  实验：运用逻辑推理的方法解决八皇后问题206
8．6．1  实验目的206
8．6．2  实验要求206
8．6．3  实验原理206
8．6．4  实验步骤207
8．6．5  实验结果208
习题208
参考文献209
第9章  不确定性推理210
9．1  基本概念210
9．1．1  不确定性推理的概念210
9．1．2  不确定性推理中的基本问题210
9．1．3  不确定性推理方法的分类212
9．2  不确定性推理中的数学基础213
9．2．1  概率理论213
9．2．2  模糊集216
9．2．3  粗糙集221
9．3  基于概率论的推理方法224
9．3．1  贝叶斯网络方法224
9．3．2  主观贝叶斯方法229
9．3．3  可信度方法DDC-F模型232
9．4  模糊推理235
9．4．1  模糊匹配235
9．4．2  模糊推理的基本模式236
9．4．3  模糊推理的基本模型237
9．4．4  合成推理规则238
9．5  实验：模糊矩阵的运算239
9．5．1  实验目的239
9．5．2  实验要求239
9．5．3  实验原理239
9．5．4  实验步骤239
9．5．5  实验结果242
习题244
参考文献244
第10章  知识迁移学习246
10．1  知识迁移简述246
10．1．1  人类知识迁移246
10．1．2  迁移学习的意义249
10．2  同构空间实例迁移学习251
10．2．1  TrAdaBoost算法251
10．2．2  核均值匹配算法254
10．2．3  同构空间实例迁移学习的特点255
10．3  同构空间特征迁移学习256
10．3．1  基于特征选择的迁移学习算法256
10．3．2  基于特征映射的迁移学习算法258
10．3．3  同构空间特征迁移学习的特点261
10．4  异构空间迁移学习261
10．4．1  翻译学习262
10．4．2  基于稀疏特征变换的无监督异构迁移学习264
10．4．3  异构空间迁移学习的特点266
10．5  实验：基于预训练VGG16网络的迁移学习266
10．5．1  实验目的266
10．5．2  实验要求266
10．5．3  实验原理267
10．5．4  实验步骤267
10．5．5  实验结果270
习题270
参考文献270
附录A  人工智能实验环境272
附录B  人工智能云平台