展开全部

主编推荐语

详解ChatGPT底层技术Transformer,知识图谱为谷歌Bard关于现实事实的响应提供凭据。

内容简介

知识图谱作为认知智能的核心技术正蓬勃发展。本书系统全面地介绍了知识图谱的核心技术,既有宏观整体的技术体系,也有关键技术和算法细节。

全书内容包括:知识图谱模式设计的方法论——六韬法;知识图谱构建中的实体抽取和关系抽取;知识存储中的属性图模型及图数据库,重点介绍了JanusGraph分布式图数据库;知识计算中的图论基础,以及中心性、社区检测等经典图计算算法;知识推理中的逻辑推理、几何变换推理和深度学习推理,及其编程实例。最后,本书以金融、医疗和智能制造三大行业的应用场景为例,梳理了知识图谱的应用价值和应用程序形态。

本书既适合人工智能行业从业者和研究人员系统学习知识图谱,也适合一线工程师和技术人员参考使用,并可作为企业管理人员、政府人员、政策制定人员、公共政策学者的参考材料,以及高等院校计算机、金融和人工智能等相关专业师生的参考资料和培训学校的教材。

目录

  • 版权信息
  • 内容简介
  • 其他
  • 推荐语
  • 序一
  • 序二
  • 前言
  • 第1章 知识图谱概述
  • 1.1 从李白的《静夜思》开始
  • 1.2 什么是知识图谱
  • 1.3 DIKW模型
  • 1.4 从DIKW模型到知识图谱
  • 1.5 知识图谱技术体系
  • 1.5.1 知识图谱模式设计与管理
  • 1.5.2 知识图谱构建技术
  • 1.5.3 知识图谱存储技术
  • 1.5.4 知识图谱应用技术
  • 1.5.5 用户接口与界面
  • 1.6 知识图谱辨析
  • 1.6.1 知识图谱与自然语言处理
  • 1.6.2 知识图谱与图数据库
  • 1.6.3 知识图谱与语义网络
  • 1.6.4 知识图谱与搜索引擎
  • 1.6.5 知识图谱与深度学习
  • 1.7 知识图谱是人工智能进步的阶梯
  • 1.7.1 明鉴历史
  • 1.7.2 预见未来
  • 1.8 本章小结
  • 第2章 知识图谱模式设计
  • 2.1 知识图谱模式
  • 2.2 模式与本体
  • 2.2.1 本体
  • 2.2.2 模式与本体辨析
  • 2.3 本体概论
  • 2.3.1 本体的构成要素
  • 2.3.2 本体分类
  • 2.3.3 资源描述框架RDF
  • 2.3.4 网络本体语言OWL
  • 2.3.5 知名本体介绍
  • 2.4 模式设计的三大基本原则
  • 2.4.1 赋予一类事物合适的名字
  • 2.4.2 建立事物间清晰的联系
  • 2.4.3 明确、正式的语义表达
  • 2.5 六韬法
  • 2.5.1 场景
  • 2.5.2 复用
  • 2.5.3 事物
  • 2.5.4 联系
  • 2.5.5 约束
  • 2.5.6 评价
  • 2.6 模式设计的工程模型
  • 2.6.1 瀑布模型
  • 2.6.2 螺旋模型
  • 2.7 本章小结
  • 第3章 实体抽取
  • 3.1 实体、命名实体和实体抽取
  • 3.2 基于规则的实体抽取
  • 3.2.1 基于词典匹配的实体抽取方法
  • 3.2.2 编写正则表达式抽取实体
  • 3.2.3 基于模板的实体抽取方法
  • 3.3 如何评价实体抽取的效果
  • 3.4 传统机器学习方法
  • 3.4.1 概率图模型
  • 3.4.2 朴素贝叶斯模型
  • 3.4.3 最大熵模型
  • 3.4.4 隐马尔可夫模型
  • 3.4.5 条件随机场
  • 3.4.6 标记方法
  • 3.4.7 用CRF++进行实体抽取
  • 3.5 深度学习方法
  • 3.5.1 基于深度学习的通用实体抽取框架
  • 3.5.2 BiLSTM-CRF模型
  • 3.5.3 预训练模型用于实体抽取
  • 3.6 弱监督学习方法
  • 3.7 本章小结
  • 第4章 关系抽取
  • 4.1 关系和关系抽取
  • 4.2 基于规则的关系抽取方法
  • 4.2.1 词法分析与依存句法分析
  • 4.2.2 基于语法结构的关系抽取
  • 4.3 基于深度学习的关系抽取方法
  • 4.3.1 关系分类
  • 4.3.2 基于BERT的关系分类
  • 4.4 实体-关系联合抽取的方法
  • 4.4.1 实体-关系联合抽取方法
  • 4.4.2 基于片段预测的实体-关系联合抽取
  • 4.5 弱监督学习与关系抽取
  • 4.5.1 引导法
  • 4.5.2 远程监督
  • 4.5.3 弱监督学习与Snorkel
  • 4.5.4 Snorkel用于关系抽取
  • 4.6 本章小结
  • 第5章 知识存储
  • 5.1 数据与知识存储
  • 5.1.1 数据存储模型
  • 5.1.2 知识存储极简史
  • 5.2 图数据库模型
  • 5.2.1 属性图模型
  • 5.2.2 完整性约束
  • 5.2.3 事务、ACID与BASE
  • 5.2.4 查询语言
  • 5.3 JanusGraph分布式图数据库
  • 5.3.1 JanusGraph的存储模型
  • 5.3.2 JanusGraph的属性图模式
  • 5.3.3 事务和故障恢复
  • 5.3.4 图查询语言Gremlin
  • 5.3.5 JanusGraph和Gremlin入门指南
  • 5.4 其他图数据库介绍
  • 5.4.1 Neo4j
  • 5.4.2 Dgraph
  • 5.4.3 NebulaGraph
  • 5.4.4 图数据对比一览表
  • 5.5 本章小结
  • 第6章 知识计算
  • 6.1 知识计算及其数学基础
  • 6.1.1 知识图谱与图
  • 6.1.2 图论
  • 6.1.3 邻接矩阵
  • 6.1.4 谱图理论
  • 6.2 遍历与最短路径算法
  • 6.2.1 广度优先搜索
  • 6.2.2 深度优先搜索
  • 6.2.3 Dijkstra单源最短路径
  • 6.2.4 最短路径快速算法
  • 6.2.5 Floyd算法
  • 6.3 中心性
  • 6.3.1 度中心性
  • 6.3.2 亲密中心性
  • 6.3.3 中介中心性
  • 6.3.4 特征向量中心性
  • 6.3.5 PageRank
  • 6.4 社区检测
  • 6.4.1 模块度
  • 6.4.2 GN社区检测算法
  • 6.4.3 Louvain社区检测算法
  • 6.5 知识计算工具与系统
  • 6.5.1 图数据库计算框架
  • 6.5.2 分布式图计算引擎
  • 6.5.3 图分析工具包
  • 6.6 本章小结
  • 第7章 知识推理
  • 7.1 知识的表示与推理
  • 7.1.1 因果推理
  • 7.1.2 演绎推理
  • 7.1.3 归纳推理
  • 7.1.4 概率推理
  • 7.1.5 知识图谱的推理技术
  • 7.2 基于规则和逻辑的知识推理方法
  • 7.2.1 基于规则的方法
  • 7.2.2 基于逻辑的方法
  • 7.2.3 定性时空推理
  • 7.3 几何空间嵌入的知识推理方法
  • 7.3.1 欧几里得空间的平移变换方法
  • 7.3.2 复数向量空间的RotatE模型
  • 7.3.3 双曲空间嵌入的知识推理方法
  • 7.4 知识推理的深度学习方法
  • 7.4.1 卷积神经网络的知识推理方法
  • 7.4.2 图神经网络模型
  • 7.5 本章小结
  • 第8章 知识图谱行业应用
  • 8.1 行业知识图谱
  • 8.1.1 行业知识图谱的特点
  • 8.1.2 行业知识图谱的应用价值
  • 8.2 知识图谱行业应用范式
  • 8.3 共通的应用程序
  • 8.3.1 数据与知识中台
  • 8.3.2 可视化与交互式分析
  • 8.3.3 智能问答
  • 8.3.4 认知推荐
  • 8.3.5 辅助决策模型
  • 8.4 金融
  • 8.4.1 反洗钱和反恐怖融资
  • 8.4.2 个人信用评估与风险控制
  • 8.4.3 企业风险识别、控制与管理
  • 8.4.4 系统性金融风险
  • 8.4.5 审计
  • 8.4.6 证券分析与投资研究
  • 8.4.7 保险
  • 8.5 医疗、生物医药和卫生健康
  • 8.5.1 基因知识图谱
  • 8.5.2 生物医药
  • 8.5.3 智慧医疗
  • 8.5.4 公共卫生
  • 8.5.5 中医药知识图谱
  • 8.6 智能制造
  • 8.6.1 设计研发
  • 8.6.2 质量与可靠性工程
  • 8.6.3 设备的管理、维护与维修
  • 8.6.4 BOM物料清单管理
  • 8.6.5 供应链管理
  • 8.6.6 售后服务
  • 8.7 本章小结
展开全部

评分及书评

4.8
4个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月,是国务院独资、工信部直属的中央级科技与教育出版社,是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展,已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域,综合出版能力位居全国出版行业前列。