知识图谱导论/人工智能前沿技术丛书
新华书店全新正版书籍图书 保证_可开发票_极速发货支持7天无理由
￥ 58.6 5.4折 ￥ 108 全新
仅1件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者陈华钧著
出版社电子工业出版社
ISBN9787121406997
出版时间2021-05
装帧平装
开本16开
定价108元
货号31161148
上书时间2024-10-15
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
陈华钧，浙江大学计算机科学与技术学院教授。主要研究方向为知识图谱、自然语言处理、大数据系统等。
目录
目录
第1章 知识图谱概述1
1.1 语言与知识2
1.1.1 构建有学识的人工智能2
1.1.2 知识的承载与表示方式3
1.1.3 知识图谱是一种世界模型5
1.2 知识图谱的起源7
1.2.1 知识图谱的互联网基因7
1.2.2 数据的互联网―Semantic Web9
1.2.3 Things, Not Strings10
1.2.4 典型的知识图谱项目10
1.2.5 知识图谱的概念演进11
1.3 知识图谱的价值12
1.3.1 知识图谱支持语义搜索12
1.3.2 知识图谱支持智能问答12
1.3.3 知识图谱支持下的推荐系统13
1.3.4 知识图谱辅助语言语义理解13
1.3.5 知识图谱扩展视觉理解的深度和广度14
1.3.6 知识图谱辅助IoT设备互联14
1.3.7 知识图谱支持下的大数据分析15
1.4 知识图谱的技术内涵16
1.4.1 知识图谱是交叉技术领域16
1.4.2 知识图谱的两个核心技术维度17
1.4.3 知识图谱的技术栈17
1.5 建立知识图谱的系统工程观20
第2章 知识图谱的表示21
2.1 什么是知识表示22
2.1.1 知识表示的五个用途22
2.1.2 符号表示与向量表示23
2.2 人工智能历史发展长河中的知识表示24
2.2.1 描述逻辑25
2.2.2 霍恩规则逻辑25
2.2.3 产生式系统26
2.2.4 框架系统26
2.2.5 语义网络27
2.3 知识图谱的符号表示方法28
2.3.1 基于图的知识表示方法28
2.3.2 属性图29
2.3.3 RDF图模型30
2.3.4 OWL Web本体语言31
2.4 知识图谱的向量表示方法32
2.4.1 从词向量讲起33
2.4.2 从词向量到实体向量35
2.4.3 知识图谱向量表示学习模型35
2.4.4 知识图谱向量表示的局限性37
2.5 总结38
第3章 知识图谱的存储与查询39
3.1 基于关系型数据库的知识图谱存储40
3.1.1 图数据存储的特点40
3.1.2 基于三元组表的图谱存储41
3.1.3 基于属性表的图谱存储41
3.1.4 基于垂直划分表的知识图谱存储42
3.1.5 基于全索引结构的知识图谱存储43
3.2 基于原生图数据库的知识图谱存储44
3.2.1 关系数据库的局限性44
3.2.2 原生图数据库的优点47
3.2.3 原生图数据库使用举例49
3.2.4 什么时候使用原生图数据库50
3.3 原生图数据库实现原理浅析52
3.3.1 免索引邻接52
3.3.2 原生图数据库的物理存储设计52
3.3.3 节点和关系边的存储处理53
3.3.4 图遍历查询的物理实现54
3.3.5 属性数据的物理存储处理54
3.3.6 属性图与RDF图存储的比较55
3.4 总结55
第4章 知识图谱的获取与构建57
4.1 重新理解知识工程与知识获取58
4.1.1 知识工程发展历史简介58
4.1.2 知识获取的瓶颈问题59
4.1.3 知识图谱工程60
4.1.4 知识图谱与传统知识工程的差异61
4.2 实体识别62
4.2.1 实体识别任务简介62
4.2.2 基于HMM的实体识别63
4.2.3 基于CRF的实体识别69
4.2.4 基于深度学习的实体识别70
4.3 关系抽取71
4.3.1 关系抽取任务定义71
4.3.2 基于模板的关系抽取72
4.3.3 基于特征工程的关系抽取73
4.3.4 基于核函数的关系抽取74
4.3.5 基于深度学习模型的关系抽取75
4.3.6 实体关系联合抽取78
4.3.7 基于远程监督的关系抽取79
4.3.8 基于Bootstrapping的半监督关系抽取80
4.4 属性补全81
4.5 概念抽取83
4.5.1 概念图谱简介83
4.5.2 概念抽取的方法84
4.5.3 概念图谱的应用场景86
4.6 事件识别与抽取87
4.6.1 事件抽取概述87
4.6.2 事件抽取的方法88
4.7 知识抽取技术前沿91
4.7.1 知识抽取发展趋势91
4.7.2 少样本知识抽取91
4.7.3 零样本知识抽取93
4.7.4 终生知识抽取94
4.8 总结95
第5章 知识图谱推理96
5.1 推理简述97
5.1.1 什么是推理97
5.1.2 机器推理举例99
5.2 知识图谱推理简介101
5.2.1 知识图谱上的推理实现101
5.2.2 基于本体公理的知识图谱推理103
5.2.3 基于图结构与规则学习的知识图谱推理104
5.2.4 基于表示学习的知识图谱推理105
5.2.5 基于图神经网络的知识图谱推理106
5.2.6 符号推理与表示学习的融合107
5.3 基于符号逻辑的知识图谱推理108
5.3.1 基于本体的推理108
5.3.2 基于Datalog的知识图谱推理113
5.3.3 基于产生式规则的推理114
5.3.4 符号知识图谱推理总结117
5.4 基于表示学习的知识图谱推理117
5.4.1 利用机器学习实现知识图谱归纳推理117
5.4.2 基于嵌入学习的知识图谱推理118
5.4.3 基于规则学习的知识图谱推理127
5.4.4 本体嵌入136
5.5 知识图谱推理总结144
第6章 知识图谱融合146
6.1 知识图谱融合概述147
6.1.1 知识异构性147
6.1.2 知识异构的原因分析147
6.1.3 不同层次的知识图谱融合148
6.2 概念层融合――本体匹配150
6.2.1 基于术语匹配的本体层融合151
6.2.2 基于结构特征的本体层融合153
6.2.3 基于知识分块的大规模本体匹配154
6.3 实例层的融合――实体对齐155
6.3.1 实体对齐方法概述155
6.3.2 基于表示学习的实体对齐156
6.3.3 实体融合工具简介158
6.4 知识融合技术前沿159
6.5 总结162
第7章 知识图谱问答163
7.1 智能问答概述164
7.1.1 智能问答系统的发展历史164
7.1.2 智能问答系统的分类166
7.1.3 实现知识图谱问答的主要技术方法169
7.1.4 知识图谱问答的主要评测数据集170
7.2 基于问句模板的知识图谱问答172
7.2.1 模板问答概述172
7.2.2 模板问答实现举例173
7.2.3 模板的自动化生成175
7.3 基于语义解析的知识图谱问答178
7.3.1 语义解析问答概述178
7.3.2 逻辑表达语言179
7.3.3 语义解析举例181
7.3.4 桥接与短语重写183
7.3.5 语义解析总结184
7.4 基于检索排序的知识图谱问答185
7.4.1 检索排序知识图谱问答概述185
7.4.2 实体链接技术186
7.4.3 检索排序模型188
7.5 基于深度学习的知识图谱问答188
7.5.1 深度学习在知识图谱问答中的两种用法188
7.5.2 利用深度学习增强语义解析189
7.5.3 基于端到端神经网络模型的知识图谱问答192
7.6 知识图谱问答总结195
第8章 图算法与图数据分析196
8.1 图的基本知识197
8.1.1 图与网络科学197
8.1.2 图的基本概念198
8.1.3 图的基本模型201
8.2 基础图算法204
8.2.1 图算法概述204
8.2.2 路径与图搜索算法205
8.2.3 中心度算法207
8.2.4 社区发现算法209
8.3 图表示学习与图神经网络211
8.3.1 图表示学习概述211
8.3.2 随机游走序列模型213
8.3.3 图神经网络模型216
8.4 知识图谱与图神经网络224
8.4.1 在知识图谱表示学习与推理中的应用224
8.4.2 在知识图谱构建中的应用227
8.4.3 知识图谱+图神经网络229
8.5 总结232
第9章 知识图谱技术发展233
9.1 多模态知识图谱234
9.1.1 多模态简介234
9.1.2 多模态的价值与作用237
9.1.3 多模态知识图谱举例239
9.1.4 多模态知识图谱研究242
9.1.5 多模态知识图谱总结247
9.2 知识图谱与语言预训练248
9.2.1 知识图谱与语言预训练248
9.2.2 语言预训练简介248
9.2.3 知识图谱增强的语言预训练模型举例250
9.2.4 知识驱动的语言预训练总结255
9.3 事理知识图谱255
9.3.1 事理知识图谱的定义256
9.3.2 事理图谱与知识图谱257
9.3.3 事理逻辑关系258
9.3.4 事理图谱的应用260
9.3.5 事理图谱总结261
9.4 知识图谱与低资源学习261
9.4.1 知识图谱与低资源学习261
9.4.2 低资源条件下的知识图谱构建263
9.4.3 基于知识图谱的低资源学习271
9.4.4 知识图谱与低资源学习总结276
9.5 结构化知识预训练276
9.5.1 结构化知识预训练概述276
9.5.2 知识图谱结构化上下文277
9.5.3 知识图谱静态预训练模型278
9.5.4 知识图谱动态预训练模型283
9.5.5 应用实践及实验结果289
9.5.6 结构化知识预训练总结293
9.6 知识图谱与区块链293
9.6.1 知识图谱的价值联邦293
9.6.2 联邦知识图谱297
9.6.3 知识图谱与区块链297
9.6.4 开放知识图谱与区块链299
9.6.5 知识图谱与区块链总结300
内容摘要
知识图谱的发展历史源远流长，从经典人工智能的核心命题――知识工程，到互联网时代的语义Web，再到当下很多领域构建的数千亿级别的现代知识图谱。知识图谱兼具人工智能、大数据和互联网的多重技术基因，是知识表示、表示学习、自然语言处理、图数据库和图计算等多个领域技术的综合集成。本书全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答和分析等七大方面，100多个基础知识点的内容，同时囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱，以及知识增强的语言预训练模型等新热点、新发展。作为一本导论性质的书，本书希望帮助初学者梳理知识图谱的基本知识点和关键技术要素，也希望帮助技术决策者建立知识图谱的整体视图和系统工程观，为前沿科研人员拓展创新视野和研究方向。本书在技术广度和深度上兼具极强的参考性，适合高等院校的计算机专业师生阅读，也可供计算机相关行业的管理者和研发人员参考。
主编推荐
"作者非常不错：本书作者是浙江大学计算机科学与技术学院陈华钧教授，长期从事知识图谱、自然语言处理、大数据系统等方向的研究，在靠前很好会议或期刊发表多篇论文，是《知识图谱：方法、应用与实践》作者之一。
内容全面：全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答和分析等七大方面，100多个基础知识点的内容
技术前沿：囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱，以及知识增强的语言预训练模型等新热点
配套齐全：本书是浙江大学知识图谱慕课课程的配套教材，读者可结合慕课视频教程学习。
《知识图谱导论》囊括多个知识图谱相关技术领域的近期新发展前沿，如多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱、知识增强的语言预训练模型、知识区块链等
本书包含作者团队近期新的学术探索和应用实践，包括知识图谱与可解释人工智能、知识驱动的低资源学习、大规模知识图谱预训练等。
本书是浙江大学知识图谱慕课课程的配套教材，读者可结合慕课视频教程学习。
本书采用全彩印刷，有不错阅读体验！"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价