知识图谱：概念与技术

图书标准信息

• 作者 肖仰华 著
• 出版社 电子工业出版社
• 出版时间 2019-11
• 版次 1
• ISBN 9787121371080
• 定价 118.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 540页
• 字数 588千字

【内容简介】

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。

 

本书可作为高年级本科生、硕士生或者博士生的教材，也适合企业与行业智能化的从业人员阅读。

【作者简介】

主要作者 肖仰华    博士，复旦大学教授、博士生导师、复旦大学知识工场实验室创始人。曾担任多家企业技术顾问与首席科学家。曾获得十多个、省/市、企业级的研究奖项，曾承担三十多项、省/市、企业级研发项目。在国际很好学术会议与期刊（包括igmod、vldb、icde、ijcai、aaai、acl、tkde等）发表百余篇，授权近20项知识图谱专利。担任多个国际期刊编委，百余次为国际/学术机构/会议提供学术服务工作。构建了知识工场台，发布了一系列知识图谱包括dbpedia、probae等。

【目录】

第1篇  基础篇

 

1  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  知识图谱的分类  30

 

本章小结  38

 

思考题  39

 

参考文献  39

 

2  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  65

 

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

 

第2篇  构建篇

 

3  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  缩略词的检测及抽取  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

 

4  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  133

 

4.2.2  基于语法模式的抽取  134

 

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（Bootstrapping）  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  149

 

4.4.1  TextRunner  150

 

4.4.2  ReVerb  152

 

4.4.3  Ollie  153

 

本章小结  154

 

思考题  156

 

参考文献  156

 

5  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  182

 

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  186

 

思考题  186

 

参考文献  187

 

6  百科图谱构建  190

 

6.1  百科图谱概述  190

 

6.1.1  什么是百科图谱  190

 

6.1.2  百科图谱的意义  191

 

6.1.3  百科图谱的分类  192

 

6.2  基于单源的百科图谱构建  193

 

6.2.1  数据获取  194

 

6.2.2  属性抽取  196

 

6.2.3  关系构建  201

 

6.2.4  概念层级体系构建  202

 

6.2.5  实体分类  202

 

6.3  基于多源的百科图谱融合  208

 

6.3.1  基于多个知识图谱的融合方法  209

 

6.3.2  基于多源异构数据的融合方法  216

 

本章小结  217

 

思考题  218

 

参考文献  219

 

7  知识图谱的众包构建  223

 

7.1  概述  223

 

7.2  知识型众包的基本概念  225

 

7.3  知识型众包研究的问题  228

 

7.3.1  What（对什么任务进行众包）  228

 

7.3.2  Whom（将务交予谁完成）  231

 

7.3.3  How（如何完成众包）  232

 

7.4  基于众包的知识图谱构建与精化  237

 

7.4.1  本体构建阶段的人工介入  238

 

7.4.2  知识图谱构建阶段的人工介入  240

 

7.4.3  知识图谱精化阶段的人工介入  245

 

本章小结  247

 

思考题  248

 

参考文献  248

 

 

8  知识图谱的质量控制  253

 

8.1  概述  254

 

8.1.1  知识图谱质量评估的维度  254

 

8.1.2  知识图谱质量评估的方法  256

 

8.1.3  知识图谱质量控制全周期概览  257

 

8.2  缺失知识的发现与补全  263

 

8.2.1  类型补全  263

 

8.2.2  实关系补全  266

 

8.2.3  属性值补全  271

 

8.3  错误知识的发现与纠正  273

 

8.3.1  错误类型检测  273

 

8.3.2  错误关系检测  274

 

8.3.3  错误属性值检测  275

 

84  过期知识的更新  276

 

8.4.1  基于更新频率预测的更新机制  277

 

8.4.2  基于时间标签的更新机制  279

 

8.4.3  基于热点事件发现的更新机制  280

 

本章小结  281

 

思考题  282

 

参考文献  283

 

第3篇  管理篇

 

9  知识图谱的建模与存储  288

 

9.1  概述  288

 

9.2  知识图谱的数据模型  289

 

9.2.1  知识图谱的三元组模型  290

 

9.2.2  知识图谱的图模型  293

 

9.3  知识图谱的物理存储  298

 

9.3.1  知识图谱数据的基本操作  298

 

9.3.2  知识图谱的关系表存储  300

 

9.3.3  知识图谱的图存储  304

 

9.3.4  分布式计算环境下的知识图谱数据存储  307

 

本章小结  311

 

思考题  312

 

参考文献  312

 

10  知识图谱查询与检索  316

 

10.1  概述  316

 

10.2  查询语言：SPARQL  317

 

10.2.1  简单查询  317

 

10.2.2  SPARQL查询机制及知识图谱上的推理  323

 

10.3  子图查询  326

 

10.3.1  子图查询  326

 

10.3.2  近似子图查询  328

 

10.3.3  Top-k查询  333

 

10.3.4  索引结构  336

 

10.4  其他查询  337

 

10.4.1  路径查询  337

 

10.4.2  关键词查询  340

 

10.4.3  社团搜索  341

 

本章小结  345

 

思考题  345

 

参考文献  346

 

11  图数据管理系统  349

 

11.1  知识图谱与图管理系统  350

 

11.1.1  大图管理的挑战  352

 

11.1.2  图管理系统的重要性  354

 

11.1.3  图管理系统管理知识图谱的挑战  356

 

11.2  图管理系统的基本架构和设计原则  359

 

11.3  典型的图管理系统  362

 

11.3.1  通用图管理系统  362

 

11.3.2  知识图谱专用图管理系统  365

 

11.3.3  图管理系统使用实例  368

 

本章小结  371

 

思考题  373

 

参考文献  373

 

第4篇  应用篇

 

12  基于知识图谱的语言认知  376

 

12.1  概述  377

 

12.1.1  语言理解的挑战  377

 

12.1.2  语言理解需要知识图谱  378

 

12.1.3  语言理解的任务  379

 

12.2  实体理解  380

 

12.2.1  基本模型  381

 

12.2.2  局部实体链接分数  382

 

12.2.3  全局实体链接分数  383

 

12.2.4  模型计算  384

 

12.2.5  短文本实体链接  390

 

12.2.6  跨语言实体链接  391

 

12.3  概念理解  393

 

12.3.1  单实例概念理解  393

 

12.3.2  多实例概念理解  395

 

12.3.3  短语概念理解  397

 

12.3.4  关系对的概念理解  399

 

12.3.5  概念理解应用举例  400

 

12.4  属性理解  401

 

本章小结  403

 

思考题  404

 

参考文献  405

 

13  基于知识图谱的搜索与推荐  408

 

13.1  概述  408

 

13.2  基于知识图谱的搜索  411

 

13.2.1  搜索概述  411

 

13.2.2  意图理解  414

 

13.2.3  目标查找  416

 

13.2.4  结果呈现  416

 

13.2.5  实体探索  417

 

13.3  基于知识图谱的推荐  422

 

13.3.1  推荐的基本问题与挑战  422

 

13.3.2  基于知识图谱的物品画像  425

 

13.3.3  基于知识图谱的用户画像  430

 

13.3.4  基于知识图谱的跨领域推荐  432

 

13.3.5  基于知识图谱的可解释推荐  435

 

本章小结  436

 

思考题  437

 

参考文献  438

 

14  基于知识图谱的问答  441

 

14.1  概述  441

 

14.1.1  问答系统  441

 

14.1.2  KBQA  444

 

14.2  基于模板的KBQA  452

 

14.2.1  基于模板的意图识别  452

 

14.2.2  基于模板的属性关联  454

 

14.3  基于图模型的KBQA  455

 

14.3.1  监督学习  456

 

14.3.2  无监督方法  457

 

14.4  基于深度学习的KBQA  460

 

14.4.1  表示学习  460

 

14.4.2  分类模型  462

 

14.4.3  生成模型  464

 

本章小结  465

 

思考题  466

 

参考文献  467

 

第5篇  实践篇

 

15  知识图谱实践  472

 

15.1  概述  472

 

15.1.1  知识图谱应用的推动力  473

 

15.1.2  知识图谱应用与产业现状  475

 

15.1.3  知识图谱实践的系统工程观念  476

 

15.1.4  知识图谱助力行业智能化的演进路径  478

 

15.2  知识图谱系统  479

 

15.2.1  知识图谱系统的外部环境  480

 

15.2.2  知识图谱系统的关键要素  481

 

15.2.3  知识图谱系统的典型架构  483

 

15.3  知识图谱工程  489

 

15.3.1  基本原则  489

 

15.3.2  过程模型  493

 

15.3.3  可行性分析  494

 

15.3.4  知识图谱工程实践建议  498

 

本章小结  502

 

思考题  502

 

参考文献  503

 

16  开放性问题  504

 

16.1  知识表示  504

 

16.1.1  与其他知识表示相联合的语义增强  505

 

16.1.2  过程语义增强  505

 

16.1.3  时空语义增强  506

 

16.1.4  跨模态语义增强  507

 

16.2  知识获取  508

 

16.2.1  低成本知识获取  508

 

16.2.2  复杂知识的获取  510

 

16.2.3  知识获取中的人机协作与评测  511

 

16.3  知识应用  512

 

16.3.1  知识图谱上的推理  512

 

16.3.2  符号知识增强机器学习  513

 

16.3.3  基于知识图谱的可解释人工智能  514

 

16.3.4  知识图谱的个性化问题  514

 

本章小结  515

 

思考题  516

 

参考文献  516