4.5
用户推荐指数
科技 类型
7.5 豆瓣评分
可以朗读 语音朗读
180千字 字数
2021-05-01 发行日期
展开全部

主编推荐语

本书囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学理知识图谱等新热点。

内容简介

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。

目录

  • 版权信息
  • 内容简介
  • 推荐序 知识图谱向何处去？
  • 前言
  • 第1章 知识图谱概述
  • 1.1 语言与知识
  • 1.1.1 构建有学识的人工智能
  • 1.1.2 知识的承载与表示方式
  • 1.1.3 知识图谱是一种世界模型
  • 1.2 知识图谱的起源
  • 1.2.1 知识图谱的互联网基因
  • 1.2.2 数据的互联网—Semantic Web
  • 1.2.3 Things, Not Strings
  • 1.2.4 典型的知识图谱项目
  • 1.2.5 知识图谱的概念演进
  • 1.3 知识图谱的价值
  • 1.3.1 知识图谱支持语义搜索
  • 1.3.2 知识图谱支持智能问答
  • 1.3.3 知识图谱支持下的推荐系统
  • 1.3.4 知识图谱辅助语言语义理解
  • 1.3.5 知识图谱扩展视觉理解的深度和广度
  • 1.3.6 知识图谱辅助IoT设备互联
  • 1.3.7 知识图谱支持下的大数据分析
  • 1.4 知识图谱的技术内涵
  • 1.4.1 知识图谱是交叉技术领域
  • 1.4.2 知识图谱的两个核心技术维度
  • 1.4.3 知识图谱的技术栈
  • 1.5 建立知识图谱的系统工程观
  • 第2章 知识图谱的表示
  • 2.1 什么是知识表示
  • 2.1.1 知识表示的五个用途
  • 2.1.2 符号表示与向量表示
  • 2.2 人工智能历史发展长河中的知识表示
  • 2.2.1 描述逻辑
  • 2.2.2 霍恩规则逻辑
  • 2.2.3 产生式系统
  • 2.2.4 框架系统
  • 2.2.5 语义网络
  • 2.3 知识图谱的符号表示方法
  • 2.3.1 基于图的知识表示方法
  • 2.3.2 属性图
  • 2.3.3 RDF图模型
  • 2.3.4 OWL本体语言
  • 2.4 知识图谱的向量表示方法
  • 2.4.1 从词向量讲起
  • 2.4.2 从词向量到实体向量
  • 2.4.3 知识图谱向量表示学习模型
  • 2.4.4 知识图谱向量表示的局限性
  • 2.5 总结
  • 第3章 知识图谱的存储与查询
  • 3.1 基于关系数据库的知识图谱存储
  • 3.1.1 图数据存储的特点
  • 3.1.2 基于三元组表的图谱存储
  • 3.1.3 基于属性表的图谱存储
  • 3.1.4 基于垂直划分表的知识图谱存储
  • 3.1.5 基于全索引结构的知识图谱存储
  • 3.2 基于原生图数据库的知识图谱存储
  • 3.2.1 关系数据库的局限性
  • 3.2.2 原生图数据库的优点
  • 3.2.3 原生图数据库使用举例
  • 3.2.4 什么时候使用原生图数据库
  • 3.3 原生图数据库实现原理浅析
  • 3.3.1 免索引邻接
  • 3.3.2 原生图数据库的物理存储设计
  • 3.3.3 节点和关系边的存储处理
  • 3.3.4 图遍历查询的物理实现
  • 3.3.5 属性数据的物理存储处理
  • 3.3.6 属性图与RDF图存储的比较
  • 3.4 总结
  • 第4章 知识图谱的获取与构建
  • 4.1 重新理解知识工程与知识获取
  • 4.1.1 知识工程发展历史简介
  • 4.1.2 知识获取的瓶颈问题
  • 4.1.3 知识图谱工程
  • 4.1.4 知识图谱与传统知识工程的差异
  • 4.2 实体识别
  • 4.2.1 实体识别任务简介
  • 4.2.2 基于HMM的实体识别
  • 4.2.3 基于CRF的实体识别
  • 4.2.4 基于深度学习的实体识别
  • 4.3 关系抽取
  • 4.3.1 关系抽取任务定义
  • 4.3.2 基于模板的关系抽取
  • 4.3.3 基于特征工程的关系抽取
  • 4.3.4 基于核函数的关系抽取
  • 4.3.5 基于深度学习模型的关系抽取
  • 4.3.6 实体关系联合抽取
  • 4.3.7 基于远程监督的关系抽取
  • 4.3.8 基于Bootstrapping的半监督关系抽取
  • 4.4 属性补全
  • 4.5 概念抽取
  • 4.5.1 概念图谱简介
  • 4.5.2 概念抽取的方法
  • 4.5.3 概念图谱的应用场景
  • 4.6 事件识别与抽取
  • 4.6.1 事件抽取概述
  • 4.6.2 事件抽取的方法
  • 4.7 知识抽取技术前沿
  • 4.7.1 知识抽取发展趋势
  • 4.7.2 少样本知识抽取
  • 4.7.3 零样本知识抽取
  • 4.7.4 终生知识抽取
  • 4.8 总结
  • 第5章 知识图谱推理
  • 5.1 推理概述
  • 5.1.1 什么是推理
  • 5.1.2 机器推理举例
  • 5.2 知识图谱推理简介
  • 5.2.1 知识图谱上的推理实现
  • 5.2.2 基于本体公理的知识图谱推理
  • 5.2.3 基于图结构与规则学习的知识图谱推理
  • 5.2.4 基于表示学习的知识图谱推理
  • 5.2.5 基于图神经网络的知识图谱推理
  • 5.2.6 符号推理与表示学习的融合
  • 5.3 基于符号逻辑的知识图谱推理
  • 5.3.1 基于本体的推理
  • 5.3.2 基于Datalog的知识图谱推理
  • 5.3.3 基于产生式规则的推理
  • 5.3.4 符号知识图谱推理总结
  • 5.4 基于表示学习的知识图谱推理
  • 5.4.1 利用机器学习实现知识图谱归纳推理
  • 5.4.2 基于嵌入学习的知识图谱推理
  • 5.4.3 基于规则学习的知识图谱推理
  • 5.4.4 本体嵌入
  • 5.5 总结
  • 第6章 知识图谱融合
  • 6.1 知识图谱融合概述
  • 6.1.1 知识异构性
  • 6.1.2 知识异构的原因分析
  • 6.1.3 不同层次的知识图谱融合
  • 6.2 概念层融合——本体匹配
  • 6.2.1 基于术语匹配的本体层融合
  • 6.2.2 基于结构特征的本体层融合
  • 6.2.3 基于知识分块的大规模本体匹配
  • 6.3 实例层的融合——实体对齐
  • 6.3.1 实体对齐方法概述
  • 6.3.2 基于表示学习的实体对齐
  • 6.3.3 实体融合工具简介
  • 6.4 知识融合技术前沿
  • 6.5 总结
  • 第7章 知识图谱问答
  • 7.1 智能问答概述
  • 7.1.1 智能问答系统的发展历史
  • 7.1.2 智能问答系统的分类
  • 7.1.3 实现知识图谱问答的主要技术方法
  • 7.1.4 知识图谱问答的主要评测数据集
  • 7.2 基于问句模板的知识图谱问答
  • 7.2.1 模板问答概述
  • 7.2.2 模板问答实现举例
  • 7.2.3 模板的自动化生成
  • 7.3 基于语义解析的知识图谱问答
  • 7.3.1 语义解析问答概述
  • 7.3.2 逻辑表达语言
  • 7.3.3 语义解析举例
  • 7.3.4 桥接与短语重写
  • 7.3.5 语义解析总结
  • 7.4 基于检索排序的知识图谱问答
  • 7.4.1 检索排序知识图谱问答概述
  • 7.4.2 实体链接技术
  • 7.4.3 检索排序模型
  • 7.5 基于深度学习的知识图谱问答
  • 7.5.1 深度学习在知识图谱问答中的两种用法
  • 7.5.2 利用深度学习增强语义解析
  • 7.5.3 基于端到端神经网络模型的知识图谱问答
  • 7.6 总结
  • 第8章 图算法与图数据分析
  • 8.1 图的基本知识
  • 8.1.1 图与网络科学
  • 8.1.2 图的基本概念
  • 8.1.3 图的基本模型
  • 8.2 基础图算法
  • 8.2.1 图算法概述
  • 8.2.2 路径与图搜索算法
  • 8.2.3 中心度算法
  • 8.2.4 社区发现算法
  • 8.3 图表示学习与图神经网络
  • 8.3.1 图表示学习概述
  • 8.3.2 随机游走序列模型
  • 8.3.3 图神经网络模型
  • 8.4 知识图谱与图神经网络
  • 8.4.1 在知识图谱表示学习与推理中的应用
  • 8.4.2 在知识图谱构建中的应用
  • 8.4.3 知识图谱+图神经网络
  • 8.5 总结
  • 第9章 知识图谱技术发展
  • 9.1 多模态知识图谱
  • 9.1.1 多模态简介
  • 9.1.2 多模态的价值与作用
  • 9.1.3 多模态知识图谱举例
  • 9.1.4 多模态知识图谱研究
  • 9.1.5 多模态知识图谱总结
  • 9.2 知识图谱与语言预训练
  • 9.2.1 知识图谱与语言预训练
  • 9.2.2 语言预训练简介
  • 9.2.3 知识图谱增强的语言预训练模型举例
  • 9.2.4 知识驱动的语言预训练总结
  • 9.3 事理知识图谱
  • 9.3.1 事理知识图谱的定义
  • 9.3.2 事理知识图谱与传统知识图谱
  • 9.3.3 事理逻辑关系
  • 9.3.4 事理知识图谱的应用
  • 9.3.5 事理知识图谱总结
  • 9.4 知识图谱与低资源学习
  • 9.4.1 知识图谱与低资源学习
  • 9.4.2 低资源条件下的知识图谱构建
  • 9.4.3 基于知识图谱的低资源学习
  • 9.4.4 知识图谱与低资源学习总结
  • 9.5 结构化知识预训练
  • 9.5.1 结构化知识预训练概述
  • 9.5.2 知识图谱结构化上下文
  • 9.5.3 知识图谱静态预训练模型
  • 9.5.4 知识图谱动态预训练模型
  • 9.5.5 应用实践及实验结果
  • 9.5.6 结构化知识预训练总结
  • 9.6 知识图谱与区块链
  • 9.6.1 知识图谱的价值联邦
  • 9.6.2 联邦知识图谱
  • 9.6.3 知识图谱与区块链
  • 9.6.4 开放知识图谱与区块链
  • 9.6.5 知识图谱与区块链总结
  • 9.7 总结
展开全部

评分及书评

4.5
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。