 |
-- 會員 / 註冊 --
|
 |
|
|
|
知識圖譜：方法、實踐與應用 ( 簡體 字) |
| 作者：王昊奮,漆桂林,陳華鈞 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 52075
詢問書籍請說出此書號！【缺書】
NT售價： 590 元 |
| 出版日：8/1/2019 |
| 頁數：480 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121366710 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：序
知識圖譜是人工智能的一個分支，對可解釋人工智能具有重要作用。近幾年，隨著知識表示和機器學習等技術的發展，知識圖譜相關技術取得了突破性的進展，特別是知識圖譜的構建、推理和計算技術以及知識服務技術，都得到了快速的發展。這些技術的進步使知識圖譜在工業界受到了廣泛關注，并取得了顯著成果。谷歌、微軟、百度等互聯網公司率先構建了大規模通用知識圖譜，提供基于實體和關系的語義搜索，可以更好地理解用戶查詢。知識圖譜還在智能決策系統、推薦系統和智能問答系統中起到了重要作用。知識圖譜不僅有巨大的應用價值，而且具有重要的理論價值。知識圖譜使傳統知識表示和推理技術有了落腳點，也為知識表示和推理帶來了新的挑戰。
本書系統介紹了知識圖譜的理論、技術及應用。在理論方面，本書全面介紹了知識圖譜的各種表示方法，以及知識圖譜的推理方法，這些方法是知識圖譜的根基。在技術方面，本書全面介紹了知識圖譜的存儲和查詢技術、挖掘構建、知識融合技術，以及基于知識圖譜的語義搜索和智能問答技術。在應用方面，本書全面地介紹了知識圖譜在工業界的典型應用場景，為知識圖譜的發展提供了養分。目前，關于知識圖譜的專業書籍還比較缺乏，本書將給廣大知識圖譜研究人員和應用人員帶來福音。
本書作者們都是在知識圖譜的研究和產業應用方面有豐富經驗的專家和學者，很好地融合了知識圖譜的學術研究和產業化實踐，相信本書的出版對于知識圖譜技術的普及和發展會產生非常積極的作用。
李涓子
清華大學教授
前 言
知識圖譜的早期理念源于萬維網之父Tim Berners-Lee關于語義網（The Semantic Web）的設想，旨在采用圖結構（Graph Structure）來建模和記錄世界萬物之間的關聯關系和知識，以便有效實現更加精準的對象級搜索。知識圖譜的相關技術已經在搜索引擎、智能問答、語言理解、推薦計算、大數據決策分析等眾多領域得到廣泛的實際應用。近年來，隨著自然語言處理、深度學習、圖數據處理等眾多領域的飛速發展，知識圖譜在自動化知識獲取、知識表示學習與推理、大規模圖挖掘與分析等領域又取得了很多新進展。知識圖譜已經成為實現認知層面的人工智能不可或缺的重要技術之一。
為什么寫作本書
知識圖譜是較為典型的交叉領域，涉及知識工程、自然語言處理、機器學習、圖數據庫等多個領域。而知識圖譜的構建及應用涉及更多細分領域的一系列關鍵技術，包括：知識建模、關系抽取、圖存儲、自動推理、圖譜表示學習、語義搜索、智能問答、圖計算分析等。做好知識圖譜需要系統掌握和應用這些分屬多個領域的技術。
本書寫作的第一個目的是盡可能地梳理和組織好這些知識點，幫助讀者系統掌握相關技術，能夠從整體、全局和系統的視角看待和應用知識圖譜技術。早期的知識圖譜應用主要是谷歌、百度等公司的通用域搜索引擎，以及基于搜索延續發展出來的基于知識圖譜的智能問答應用，如天貓精靈、小米小愛等。這類應用主要依靠通用領域的知識圖譜，如百科類知識圖譜。近年來，知識圖譜在醫療、金融、安全等垂直領域深入發展，知識圖譜的應用也進一步從通用領域向越來越多的垂直領域擴展。對于剛剛進入該領域的從業人員，更需要能從應用入手，開展知識圖譜的研究與開發。
本書寫作的第二個目的是希望能夠為這些知識圖譜應用開發人員提供一本參考型的工具書。因此，本書在章節最后安排了一個小節介紹相關技術點的常用開源工具，并在與本書配套的網站上提供了完整的實際操作教程。
近幾年，隨著人工智能的進一步發展，知識圖譜也在深度知識抽取、表示學習與機器推理、基于知識的可解釋性人工智能、圖譜挖掘與圖神經網絡等領域取得了一系列新的進展。本書寫作的第三個目的是希望梳理和整理這些與知識圖譜相關領域的最新進展，幫助讀者了解它們的技術發展前沿。
關于本書作者
本書邀請了國內從事相關領域研究和開發的一線專家。三位主編都在語義網和知識圖譜領域有著十余年的研究和開發經驗，同時也是中文領域開放知識圖譜OpenKG的發起人。每個章節由各細分技術領域的專家主持撰寫，參與編寫的編者既有來自國內高校從事相關學術研究的教師，也有來自企業擁有豐富實際開發經驗的技術專家。
本書主要內容
本書共包括9章，主要內容如下：
第1章主要介紹知識圖譜的基本概念、歷史淵源、典型的知識圖譜項目、技術要素以及核心應用價值。
第2章圍繞知識表示與建模，首先介紹傳統人工智能領域的典型知識表示方法，如謂詞邏輯、描述邏輯、框架系統等，接下來重點介紹RDF、OWL等互聯網時代的知識表示框架，此外還介紹知識圖譜的向量表示方法等。最后以Protege為例介紹知識建模的具體實踐過程。
第3章圍繞知識存儲，首先介紹知識圖譜存儲的主要特點和難點，然后介紹幾種常用的知識圖譜存儲索引及存儲技術，并對原生圖數據庫的技術原理進行簡要介紹。此外，還概要介紹常用的圖數據庫，并以Apache Jena和gStore為例介紹知識圖譜存儲的具體實踐過程。
第4章圍繞知識抽取與知識挖掘，首先介紹從不同來源獲取知識圖譜數據的常用方法，然后重點圍繞實體抽取、關系抽取和事件抽取等，對從文本中獲取知識圖譜數據的方法展開了較為具體的介紹。最后以DeepDive開源工具為例介紹關系抽取的具體實踐過程。
第5章圍繞知識圖譜的融合，分別對概念層的融合和實體層面的融合展開介紹，包括本體映射、語義映射技術、實體對齊、實體鏈接等。最后以LIMES開源工具為例介紹實體融合的具體實踐過程。
第6章圍繞知識圖譜推理，首先介紹推理的基本概念，然后分別從基于演繹邏輯的知識圖譜推理和基于歸納的知識圖譜推理，對常用的知識圖譜推理技術進行介紹。最后以Apache Jena和Drools等開源工具介紹知識圖譜推理的具體實踐過程。
第7章和第8章分別圍繞語義搜索和知識問答展開，介紹語義索引、基于知識圖譜的問答等系列技術，并以gAnswer等開源工具為例，介紹基于知識圖譜實現精準搜索和問答的具體實踐過程。
第9章為應用案例章節，作者挑選了電商、圖情、生活娛樂、企業商業、創投、中醫臨床領域和金融證券行業7個應用案例，對知識圖譜技術在不同領域的實現過程和應用方法展開介紹。
如何閱讀本書
這是一本大厚書，讀者應該怎樣利用這本書呢？
在閱讀此書前，讀者應當學過數據庫、機器學習及自然語言處理的基本知識。這本書的章節是依據知識圖譜的相關技術點進行安排的。由于知識圖譜涉及的技術面較多，我們建議剛進入知識圖譜領域的讀者分幾遍閱讀本書。
第一遍先通讀全書，主要厘清基本概念，對涉及學術前沿的內容以及開源工具實踐部分的內容可以只簡單瀏覽。
第二遍重點針對每個章節后面的開源工具進行實踐學習，通過上手操作加深對各技術點的理解。
第三遍針對各章中介紹的算法進行學習，并結合相關論文的閱讀加深對算法的理解。在這個階段可以挑選自己感興趣的技術點進行深入研究。
在撰寫本書時，編者考慮了各章節技術點的獨立性，對知識圖譜的某些技術已經有些了解的讀者，可以不用嚴格按照書的章節順序閱讀，而是挑選自己感興趣的章節進行學習。
致謝
本書是很多人共同努力的成果，在此感謝各位編者的共同努力。同時，在本書寫作過程中，北京大學的鄒磊，湖南大學的彭鵬，海知智能的袁熙昊、韓廬山、王燚鵬、孫勝男、郭玉婷，東南大學的吳桐桐、譚亦鳴、花云程、胡森，浙江大學的張文、王冠穎、王若旭、陳名楊、王梁、葉志權等人也提供了非常有價值的調研結果和修改意見，在此表示衷心的感謝。
在電子工業出版社博文視點宋亞東編輯的熱情推動下，最終促成了我們與電子工業出版社的合作。在審稿過程中，他多次邀請專家對此書提出有益意見，對書稿的修改完善起到了重要作用。在此感謝電子工業出版社博文視點和宋亞東編輯對本書的重視，以及為本書出版所做的一切。
為推動中文領域開放知識圖譜的發展，本書的作者們一致同意將部分稿酬捐贈給OpenKG。在此，也對參與本書的所有作者的無私奉獻表示感謝。
由于作者水平有限，書中不足及錯誤之處在所難免。此外，由于知識圖譜技術涉及面廣，本書難免有所遺漏，敬請專家和讀者給予批評指正。
陳華鈞 王昊奮 漆桂林
2019年7月 |
內容簡介：知識圖譜是較為典型的多學科交叉領域，涉及知識工程、自然語言處理、機器學習、圖數據庫等多個領域。本書系統地介紹知識圖譜涉及的關鍵技術，如知識建模、關系抽取、圖存儲、自動推理、圖譜表示學習、語義搜索、知識問答、圖挖掘分析等。此外，本書還嘗試將學術前沿和實戰結合，讓讀者在掌握實際應用能力的同時對前沿技術發展有所了解。本書既適合計算機和人工智能相關的研究人員閱讀，又適合在企業一線從事技術和應用開發的人員學習，還可作為高等院校計算機或人工智能專業師生的參考教材。 |
目錄：第1章 知識圖譜概述 1
1.1 什么是知識圖譜 1
1.2 知識圖譜的發展歷史 2
1.3 知識圖譜的價值 5
1.4 國內外典型的知識圖譜項目 9
1.4.1 早期的知識庫項目 9
1.4.2 互聯網時代的知識圖譜 9
1.4.3 中文開放知識圖譜 12
1.4.4 垂直領域知識圖譜 13
1.5 知識圖譜的技術流程 15
1.6 知識圖譜的相關技術 19
1.6.1 知識圖譜與數據庫系統 19
1.6.2 知識圖譜與智能問答 23
1.6.3 知識圖譜與機器推理 25
1.6.4 知識圖譜與推薦系統 28
1.6.5 區塊鏈與去中心化的知識圖譜 29
1.7 本章小結 30
參考文獻 31
第2章 知識圖譜表示與建模 40
2.1 什么是知識表示 40
2.2 人工智能早期的知識表示方法 43
2.2.1 一階謂詞邏輯 43
2.2.2 霍恩子句和霍恩邏輯 43
2.2.3 語義網絡 44
2.2.4 框架 45
2.2.5 描述邏輯 47
2.3 互聯網時代的語義網知識表示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知識圖譜查詢語言的表示 59
2.3.4 語義Markup表示語言 62
2.4 常見開放域知識圖譜的知識表示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知識圖譜的向量表示方法 68
2.5.1 知識圖譜表示的挑戰 68
2.5.2 詞的向量表示方法 68
2.5.3 知識圖譜嵌入的概念 71
2.5.4 知識圖譜嵌入的優點 72
2.5.5 知識圖譜嵌入的主要方法 72
2.5.6 知識圖譜嵌入的應用 75
2.6 開源工具實踐：基于Protege的本體知識建模 77
2.6.1 簡介 77
2.6.2 環境準備 78
2.6.3 Protege實踐主要功能演示 78
2.7 本章小結 80
參考文獻 80
第3章 知識存儲 82
3.1 知識圖譜數據庫基本知識 82
3.1.1 知識圖譜數據模型 82
3.1.2 知識圖譜查詢語言 85
3.2 常見知識圖譜存儲方法 91
3.2.1 基于關系數據庫的存儲方案 91
3.2.2 面向RDF的三元組數據庫 101
3.2.3 原生圖數據庫 115
3.2.4 知識圖譜數據庫比較 120
3.3 知識存儲關鍵技術 121
3.3.1 知識圖譜數據庫的存儲：以Neo4j為例 121
3.3.2 知識圖譜數據庫的索引 124
3.4 開源工具實踐 126
3.4.1 三元組數據庫Apache Jena 126
3.4.2 Tutorial：面向RDF的三元組數據庫gStore 128
參考文獻 131
第4章 知識抽取與知識挖掘 133
4.1 知識抽取任務及相關競賽 133
4.1.1 知識抽取任務定義 133
4.1.2 知識抽取相關競賽 134
4.2 面向非結構化數據的知識抽取 136
4.2.1 實體抽取 137
4.2.2 關系抽取 142
4.2.3 事件抽取 150
4.3 面向結構化數據的知識抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相關工具 159
4.4 面向半結構化數據的知識抽取 161
4.4.1 面向百科類數據的知識抽取 161
4.4.2 面向Web網頁的知識抽取 165
4.5 知識挖掘 168
4.5.1 知識內容挖掘：實體鏈接 168
4.5.2 知識結構挖掘：規則挖掘 174
4.6 開源工具實踐：基于DeepDive的關系抽取實踐 178
4.6.1 開源工具的技術架構 178
4.6.2 其他類似工具 180
參考文獻 180
第5章 知識圖譜的融合 184
5.1 什么是知識圖譜融合 184
5.2 知識圖譜中的異構問題 185
5.2.1 語言層不匹配 186
5.2.2 模型層不匹配 187
5.3 本體概念層的融合方法與技術 190
5.3.1 本體映射與本體集成 190
5.3.2 本體映射分類 192
5.3.3 本體映射方法和工具 195
5.3.4 本體映射管理 232
5.3.5 本體映射應用 235
5.4 實例層的融合與匹配 236
5.4.1 知識圖譜中的實例匹配問題分析 236
5.4.2 基于快速相似度計算的實例匹配方法 240
5.4.3 基于規則的實例匹配方法 241
5.4.4 基于分治的實例匹配方法 244
5.4.5 基于學習的實例匹配方法 260
5.4.6 實例匹配中的分布式并行處理 266
5.5 開源工具實踐：實體關系發現框架LIMES 266
5.5.1 簡介 266
5.5.2 開源工具的技術架構 267
5.5.3 其他類似工具 269
5.6 本章小結 269
參考文獻 270
第6章 知識圖譜推理 279
6.1 推理概述 279
6.1.1 什么是推理 279
6.1.2 面向知識圖譜的推理 282
6.2 基于演繹的知識圖譜推理 283
6.2.1 本體推理 283
6.2.2 基于邏輯編程的推理方法 288
6.2.3 基于查詢重寫的方法 295
6.2.4 基于產生式規則的方法 301
6.3 基于歸納的知識圖譜推理 306
6.3.1 基于圖結構的推理 306
6.3.2 基于規則學習的推理 313
6.3.3 基于表示學習的推理 318
6.4 知識圖譜推理新進展 324
6.4.1 時序預測推理 324
6.4.2 基于強化學習的知識圖譜推理 325
6.4.3 基于元學習的少樣本知識圖譜推理 326
6.4.4 圖神經網絡與知識圖譜推理 326
6.5 開源工具實踐：基于Jena和Drools的知識推理實踐 327
6.5.1 開源工具簡介 327
6.5.2 開源工具的技術架構 327
6.5.3 開發軟件版本及其下載地址 328
6.5.4 基于Jena的知識推理實踐 328
6.5.5 基于Drools的知識推理實踐 329
6.6 本章小結 329
參考文獻 330
第7章 語義搜索 334
7.1 語義搜索簡介 334
7.2 結構化的查詢語言 336
7.2.1 數據查詢 338
7.2.2 數據插入 341
7.2.3 數據刪除 341
7.3 語義數據搜索 342
7.4 語義搜索的交互范式 348
7.4.1 基于關鍵詞的知識圖譜語義搜索方法 348
7.4.2 基于分面的知識圖譜語義搜索 350
7.4.3 基于表示學習的知識圖譜語義搜索 352
7.5 開源工具實踐 355
7.5.1 功能介紹 355
7.5.2 環境搭建及數據準備 357
7.5.3 數據準備 357
7.5.4 導入Elasticsearch 360
7.5.5 功能實現 (views.py) 361
7.5.6 執行查詢 363
參考文獻 364
第8章 知識問答 366
8.1 知識問答概述 366
8.1.1 知識問答的基本要素 366
8.1.2 知識問答的相關工作 367
8.1.3 知識問答應用場景 369
8.2 知識問答的分類體系 371
8.2.1 問題類型與答案類型 371
8.2.2 知識庫類型 374
8.2.3 智能體類型 375
8.3 知識問答系統 376
8.3.1 NLIDB：早期的問答系統 376
8.3.2 IRQA：基于信息檢索的問答系統 380
8.3.3 KBQA ：基于知識庫的問答系統 380
8.3.4 CommunityQA/FAQ-QA：基于問答對匹配的問答系統 381
8.3.5 Hybrid QA Framework 混合問答系統框架 382
8.4 知識問答的評價方法 386
8.4.1 問答系統的評價指標 386
8.4.2 問答系統的評價數據集 387
8.5 KBQA前沿技術 392
8.5.1 KBQA面臨的挑戰 392
8.5.2 基于模板的方法 394
8.5.3 基于語義解析的方法 398
8.5.4 基于深度學習的傳統問答模塊優化 401
8.5.5 基于深度學習的端到端問答模型 405
8.6 開源工具實踐 406
8.6.1 使用Elasticsearch搭建簡單知識問答系統 406
8.6.2 基于gAnswer構建中英文知識問答系統 410
8.7 本章小結 415
參考文獻 416
第9章 知識圖譜應用案例 420
9.1 領域知識圖譜構建的技術流程 420
9.1.1 領域知識建模 421
9.1.2 知識存儲 422
9.1.3 知識抽取 422
9.1.4 知識融合 423
9.1.5 知識計算 423
9.1.6 知識應用 424
9.2 領域知識圖譜構建的基本方法 425
9.2.1 自頂向下的構建方法 425
9.2.2 自頂向下的構建方法 426
9.3 領域知識圖譜的應用案例 428
9.3.1 電商知識圖譜的構建與應用 428
9.3.2 圖情知識圖譜的構建與應用 431
9.3.3 生活娛樂知識圖譜構建與應用：以美團為例 435
9.3.4 企業商業知識圖譜的構建與應用 440
9.3.5 創投知識圖譜的構建與應用 443
9.3.6 中醫臨床領域知識圖譜的構建與應用 448
9.3.7 金融證券行業知識圖譜應用實踐 452
9.4 本章小結 460
參考文獻 461 |
| 序： |
|
