目錄
第1章 知識圖譜概述 1
1.1 語言與知識 2
1.1.1 構(gòu)建有學(xué)識的人工智能 2
1.1.2 知識的承載與表示方式 3
1.1.3 知識圖譜是一種世界模型 5
1.2 知識圖譜的起源 7
1.2.1 知識圖譜的互聯(lián)網(wǎng)基因 7
1.2.2 數(shù)據(jù)的互聯(lián)網(wǎng)—Semantic Web 9
1.2.3 Things, Not Strings 10
1.2.4 典型的知識圖譜項目 10
1.2.5 知識圖譜的概念演進 11
1.3 知識圖譜的價值 12
1.3.1 知識圖譜支持語義搜索 12
1.3.2 知識圖譜支持智能問答 12
1.3.3 知識圖譜支持下的推薦系統(tǒng) 13
1.3.4 知識圖譜輔助語言語義理解 13
1.3.5 知識圖譜擴展視覺理解的深度和廣度 14
1.3.6 知識圖譜輔助IoT設(shè)備互聯(lián) 14
1.3.7 知識圖譜支持下的大數(shù)據(jù)分析 15
1.4 知識圖譜的技術(shù)內(nèi)涵 16
1.4.1 知識圖譜是交叉技術(shù)領(lǐng)域 16
1.4.2 知識圖譜的兩個核心技術(shù)維度 17
1.4.3 知識圖譜的技術(shù)棧 17
1.5 建立知識圖譜的系統(tǒng)工程觀 20

第2章 知識圖譜的表示 21
2.1 什么是知識表示 22
2.1.1 知識表示的五個用途 22
2.1.2 符號表示與向量表示 23
2.2 人工智能歷史發(fā)展長河中的知識表示 24
2.2.1 描述邏輯 25
2.2.2 霍恩規(guī)則邏輯 25
2.2.3 產(chǎn)生式系統(tǒng) 26
2.2.4 框架系統(tǒng) 26
2.2.5 語義網(wǎng)絡(luò) 27
2.3 知識圖譜的符號表示方法 28
2.3.1 基于圖的知識表示方法 28
2.3.2 屬性圖 29
2.3.3 RDF圖模型 30
2.3.4 OWL Web本體語言 31
2.4 知識圖譜的向量表示方法 32
2.4.1 從詞向量講起 33
2.4.2 從詞向量到實體向量 35
2.4.3 知識圖譜向量表示學(xué)習(xí)模型 35
2.4.4 知識圖譜向量表示的局限性 37
2.5 總結(jié) 38

第3章 知識圖譜的存儲與查詢 39
3.1 基于關(guān)系型數(shù)據(jù)庫的知識圖譜存儲 40
3.1.1 圖數(shù)據(jù)存儲的特點 40
3.1.2 基于三元組表的圖譜存儲 41
3.1.3 基于屬性表的圖譜存儲 41
3.1.4 基于垂直劃分表的知識圖譜存儲 42
3.1.5 基于全索引結(jié)構(gòu)的知識圖譜存儲 43
3.2 基于原生圖數(shù)據(jù)庫的知識圖譜存儲 44
3.2.1 關(guān)系數(shù)據(jù)庫的局限性 44
3.2.2 原生圖數(shù)據(jù)庫的優(yōu)點 47
3.2.3 原生圖數(shù)據(jù)庫使用舉例 49
3.2.4 什么時候使用原生圖數(shù)據(jù)庫 50
3.3 原生圖數(shù)據(jù)庫實現(xiàn)原理淺析 52
3.3.1 免索引鄰接 52
3.3.2 原生圖數(shù)據(jù)庫的物理存儲設(shè)計 52
3.3.3 節(jié)點和關(guān)系邊的存儲處理 53
3.3.4 圖遍歷查詢的物理實現(xiàn) 54
3.3.5 屬性數(shù)據(jù)的物理存儲處理 54
3.3.6 屬性圖與RDF圖存儲的比較 55
3.4 總結(jié) 55

第4章 知識圖譜的獲取與構(gòu)建 57
4.1 重新理解知識工程與知識獲取 58
4.1.1 知識工程發(fā)展歷史簡介 58
4.1.2 知識獲取的瓶頸問題 59
4.1.3 知識圖譜工程 60
4.1.4 知識圖譜與傳統(tǒng)知識工程的差異 61
4.2 實體識別 62
4.2.1 實體識別任務(wù)簡介 62
4.2.2 基于HMM的實體識別 63
4.2.3 基于CRF的實體識別 69
4.2.4 基于深度學(xué)習(xí)的實體識別 70
4.3 關(guān)系抽取 71
4.3.1 關(guān)系抽取任務(wù)定義 71
4.3.2 基于模板的關(guān)系抽取 72
4.3.3 基于特征工程的關(guān)系抽取 73
4.3.4 基于核函數(shù)的關(guān)系抽取 74
4.3.5 基于深度學(xué)習(xí)模型的關(guān)系抽取 75
4.3.6 實體關(guān)系聯(lián)合抽取 78
4.3.7 基于遠程監(jiān)督的關(guān)系抽取 79
4.3.8 基于Bootstrapping的半監(jiān)督關(guān)系抽取 80
4.4 屬性補全 81
4.5 概念抽取 83
4.5.1 概念圖譜簡介 83
4.5.2 概念抽取的方法 84
4.5.3 概念圖譜的應(yīng)用場景 86
4.6 事件識別與抽取 87
4.6.1 事件抽取概述 87
4.6.2 事件抽取的方法 88
4.7 知識抽取技術(shù)前沿 91
4.7.1 知識抽取發(fā)展趨勢 91
4.7.2 少樣本知識抽取 91
4.7.3 零樣本知識抽取 93
4.7.4 終生知識抽取 94
4.8 總結(jié) 95

第5章 知識圖譜推理 96
5.1 推理簡述 97
5.1.1 什么是推理 97
5.1.2 機器推理舉例 99
5.2 知識圖譜推理簡介 101
5.2.1 知識圖譜上的推理實現(xiàn) 101
5.2.2 基于本體公理的知識圖譜推理 103
5.2.3 基于圖結(jié)構(gòu)與規(guī)則學(xué)習(xí)的知識圖譜推理 104
5.2.4 基于表示學(xué)習(xí)的知識圖譜推理 105
5.2.5 基于圖神經(jīng)網(wǎng)絡(luò)的知識圖譜推理 106
5.2.6 符號推理與表示學(xué)習(xí)的融合 107
5.3 基于符號邏輯的知識圖譜推理 108
5.3.1 基于本體的推理 108
5.3.2 基于Datalog的知識圖譜推理 113
5.3.3 基于產(chǎn)生式規(guī)則的推理 114
5.3.4 符號知識圖譜推理總結(jié) 117
5.4 基于表示學(xué)習(xí)的知識圖譜推理 117
5.4.1 利用機器學(xué)習(xí)實現(xiàn)知識圖譜歸納推理 117
5.4.2 基于嵌入學(xué)習(xí)的知識圖譜推理 118
5.4.3 基于規(guī)則學(xué)習(xí)的知識圖譜推理 127
5.4.4 本體嵌入 136
5.5 知識圖譜推理總結(jié) 144

第6章 知識圖譜融合 146
6.1 知識圖譜融合概述 147
6.1.1 知識異構(gòu)性 147
6.1.2 知識異構(gòu)的原因分析 147
6.1.3 不同層次的知識圖譜融合 148
6.2 概念層融合——本體匹配 150
6.2.1 基于術(shù)語匹配的本體層融合 151
6.2.2 基于結(jié)構(gòu)特征的本體層融合 153
6.2.3 基于知識分塊的大規(guī)模本體匹配 154
6.3 實例層的融合——實體對齊 155
6.3.1 實體對齊方法概述 155
6.3.2 基于表示學(xué)習(xí)的實體對齊 156
6.3.3 實體融合工具簡介 158
6.4 知識融合技術(shù)前沿 159
6.5 總結(jié) 162

第7章 知識圖譜問答 163
7.1 智能問答概述 164
7.1.1 智能問答系統(tǒng)的發(fā)展歷史 164
7.1.2 智能問答系統(tǒng)的分類 166
7.1.3 實現(xiàn)知識圖譜問答的主要技術(shù)方法 169
7.1.4 知識圖譜問答的主要評測數(shù)據(jù)集 170
7.2 基于問句模板的知識圖譜問答 172
7.2.1 模板問答概述 172
7.2.2 模板問答實現(xiàn)舉例 173
7.2.3 模板的自動化生成 175
7.3 基于語義解析的知識圖譜問答 178
7.3.1 語義解析問答概述 178
7.3.2 邏輯表達語言 179
7.3.3 語義解析舉例 181
7.3.4 橋接與短語重寫 183
7.3.5 語義解析總結(jié) 184
7.4 基于檢索排序的知識圖譜問答 185
7.4.1 檢索排序知識圖譜問答概述 185
7.4.2 實體鏈接技術(shù) 186
7.4.3 檢索排序模型 188
7.5 基于深度學(xué)習(xí)的知識圖譜問答 188
7.5.1 深度學(xué)習(xí)在知識圖譜問答中的兩種用法 188
7.5.2 利用深度學(xué)習(xí)增強語義解析 189
7.5.3 基于端到端神經(jīng)網(wǎng)絡(luò)模型的知識圖譜問答 192
7.6 知識圖譜問答總結(jié) 195

第8章 圖算法與圖數(shù)據(jù)分析 196
8.1 圖的基本知識 197
8.1.1 圖與網(wǎng)絡(luò)科學(xué) 197
8.1.2 圖的基本概念 198
8.1.3 圖的基本模型 201
8.2 基礎(chǔ)圖算法 204
8.2.1 圖算法概述 204
8.2.2 路徑與圖搜索算法 205
8.2.3 中心度算法 207
8.2.4 社區(qū)發(fā)現(xiàn)算法 209
8.3 圖表示學(xué)習(xí)與圖神經(jīng)網(wǎng)絡(luò) 211
8.3.1 圖表示學(xué)習(xí)概述 211
8.3.2 隨機游走序列模型 213
8.3.3 圖神經(jīng)網(wǎng)絡(luò)模型 216
8.4 知識圖譜與圖神經(jīng)網(wǎng)絡(luò) 224
8.4.1 在知識圖譜表示學(xué)習(xí)與推理中的應(yīng)用 224
8.4.2 在知識圖譜構(gòu)建中的應(yīng)用 227
8.4.3 知識圖譜+圖神經(jīng)網(wǎng)絡(luò) 229
8.5 總結(jié) 232

第9章 知識圖譜技術(shù)發(fā)展 233
9.1 多模態(tài)知識圖譜 234
9.1.1 多模態(tài)簡介 234
9.1.2 多模態(tài)的價值與作用 237
9.1.3 多模態(tài)知識圖譜舉例 239
9.1.4 多模態(tài)知識圖譜研究 242
9.1.5 多模態(tài)知識圖譜總結(jié) 247
9.2 知識圖譜與語言預(yù)訓(xùn)練 248
9.2.1 知識圖譜與語言預(yù)訓(xùn)練 248
9.2.2 語言預(yù)訓(xùn)練簡介 248
9.2.3 知識圖譜增強的語言預(yù)訓(xùn)練模型舉例 250
9.2.4 知識驅(qū)動的語言預(yù)訓(xùn)練總結(jié) 255
9.3 事理知識圖譜 255
9.3.1 事理知識圖譜的定義 256
9.3.2 事理圖譜與知識圖譜 257
9.3.3 事理邏輯關(guān)系 258
9.3.4 事理圖譜的應(yīng)用 260
9.3.5 事理圖譜總結(jié) 261
9.4 知識圖譜與低資源學(xué)習(xí) 261
9.4.1 知識圖譜與低資源學(xué)習(xí) 261
9.4.2 低資源條件下的知識圖譜構(gòu)建 263
9.4.3 基于知識圖譜的低資源學(xué)習(xí) 271
9.4.4 知識圖譜與低資源學(xué)習(xí)總結(jié) 276
9.5 結(jié)構(gòu)化知識預(yù)訓(xùn)練 276
9.5.1 結(jié)構(gòu)化知識預(yù)訓(xùn)練概述 276
9.5.2 知識圖譜結(jié)構(gòu)化上下文 277
9.5.3 知識圖譜靜態(tài)預(yù)訓(xùn)練模型 278
9.5.4 知識圖譜動態(tài)預(yù)訓(xùn)練模型 283
9.5.5 應(yīng)用實踐及實驗結(jié)果 289
9.5.6 結(jié)構(gòu)化知識預(yù)訓(xùn)練總結(jié) 293
9.6 知識圖譜與區(qū)塊鏈 293
9.6.1 知識圖譜的價值聯(lián)邦 293
9.6.2 聯(lián)邦知識圖譜 297
9.6.3 知識圖譜與區(qū)塊鏈 297
9.6.4 開放知識圖譜與區(qū)塊鏈 299
9.6.5 知識圖譜與區(qū)塊鏈總結(jié) 300