¥ 26 2.2折 ¥ 118 八五品
仅1件
作者肖仰华 著
出版社电子工业出版社
出版时间2019-11
装帧平装
货号78AFF一5
上书时间2024-07-17
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。
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
— 没有更多了 —
以下为对购买帮助不大的评价