目录__eol__第1章 知识图谱概述 1__eol__1.1 语言与知识 2__eol__1.1.1 构建有学识的人工智能 2__eol__1.1.2 知识的承载与表示方式 3__eol__1.1.3 知识图谱是一种世界模型 5__eol__1.2 知识图谱的起源 7__eol__1.2.1 知识图谱的互联网基因 7__eol__1.2.2 数据的互联网—Semantic Web 9__eol__1.2.3 Things, Not Strings 10__eol__1.2.4 典型的知识图谱项目 10__eol__1.2.5 知识图谱的概念演进 11__eol__1.3 知识图谱的价值 12__eol__1.3.1 知识图谱支持语义搜索 12__eol__1.3.2 知识图谱支持智能问答 12__eol__1.3.3 知识图谱支持下的推荐系统 13__eol__1.3.4 知识图谱辅助语言语义理解 13__eol__1.3.5 知识图谱扩展视觉理解的深度和广度 14__eol__1.3.6 知识图谱辅助IoT设备互联 14__eol__1.3.7 知识图谱支持下的大数据分析 15__eol__1.4 知识图谱的技术内涵 16__eol__1.4.1 知识图谱是交叉技术领域 16__eol__1.4.2 知识图谱的两个核心技术维度 17__eol__1.4.3 知识图谱的技术栈 17__eol__1.5 建立知识图谱的系统工程观 20__eol____eol__第2章 知识图谱的表示 21__eol__2.1 什么是知识表示 22__eol__2.1.1 知识表示的五个用途 22__eol__2.1.2 符号表示与向量表示 23__eol__2.2 人工智能历史发展长河中的知识表示 24__eol__2.2.1 描述逻辑 25__eol__2.2.2 霍恩规则逻辑 25__eol__2.2.3 产生式系统 26__eol__2.2.4 框架系统 26__eol__2.2.5 语义网络 27__eol__2.3 知识图谱的符号表示方法 28__eol__2.3.1 基于图的知识表示方法 28__eol__2.3.2 属性图 29__eol__2.3.3 RDF图模型 30__eol__2.3.4 OWL Web本体语言 31__eol__2.4 知识图谱的向量表示方法 32__eol__2.4.1 从词向量讲起 33__eol__2.4.2 从词向量到实体向量 35__eol__2.4.3 知识图谱向量表示学习模型 35__eol__2.4.4 知识图谱向量表示的局限性 37__eol__2.5 总结 38__eol____eol__第3章 知识图谱的存储与查询 39__eol__3.1 基于关系型数据库的知识图谱存储 40__eol__3.1.1 图数据存储的特点 40__eol__3.1.2 基于三元组表的图谱存储 41__eol__3.1.3 基于属性表的图谱存储 41__eol__3.1.4 基于垂直划分表的知识图谱存储 42__eol__3.1.5 基于全索引结构的知识图谱存储 43__eol__3.2 基于原生图数据库的知识图谱存储 44__eol__3.2.1 关系数据库的局限性 44__eol__3.2.2 原生图数据库的优点 47__eol__3.2.3 原生图数据库使用举例 49__eol__3.2.4 什么时候使用原生图数据库 50__eol__3.3 原生图数据库实现原理浅析 52__eol__3.3.1 免索引邻接 52__eol__3.3.2 原生图数据库的物理存储设计 52__eol__3.3.3 节点和关系边的存储处理 53__eol__3.3.4 图遍历查询的物理实现 54__eol__3.3.5 属性数据的物理存储处理 54__eol__3.3.6 属性图与RDF图存储的比较 55__eol__3.4 总结 55__eol____eol__第4章 知识图谱的获取与构建 57__eol__4.1 重新理解知识工程与知识获取 58__eol__4.1.1 知识工程发展历史简介 58__eol__4.1.2 知识获取的瓶颈问题 59__eol__4.1.3 知识图谱工程 60__eol__4.1.4 知识图谱与传统知识工程的差异 61__eol__4.2 实体识别 62__eol__4.2.1 实体识别任务简介 62__eol__4.2.2 基于HMM的实体识别 63__eol__4.2.3 基于CRF的实体识别 69__eol__4.2.4 基于深度学习的实体识别 70__eol__4.3 关系抽取 71__eol__4.3.1 关系抽取任务定义 71__eol__4.3.2 基于模板的关系抽取 72__eol__4.3.3 基于特征工程的关系抽取 73__eol__4.3.4 基于核函数的关系抽取 74__eol__4.3.5 基于深度学习模型的关系抽取 75__eol__4.3.6 实体关系联合抽取 78__eol__4.3.7 基于远程监督的关系抽取 79__eol__4.3.8 基于Bootstrapping的半监督关系抽取 80__eol__4.4 属性补全 81__eol__4.5 概念抽取 83__eol__4.5.1 概念图谱简介 83__eol__4.5.2 概念抽取的方法 84__eol__4.5.3 概念图谱的应用场景 86__eol__4.6 事件识别与抽取 87__eol__4.6.1 事件抽取概述 87__eol__4.6.2 事件抽取的方法 88__eol__4.7 知识抽取技术前沿 91__eol__4.7.1 知识抽取发展趋势 91__eol__4.7.2 少样本知识抽取 91__eol__4.7.3 零样本知识抽取 93__eol__4.7.4 终生知识抽取 94__eol__4.8 总结 95__eol____eol__第5章 知识图谱推理 96__eol__5.1 推理简述 97__eol__5.1.1 什么是推理 97__eol__5.1.2 机器推理举例 99__eol__5.2 知识图谱推理简介 101__eol__5.2.1 知识图谱上的推理实现 101__eol__5.2.2 基于本体公理的知识图谱推理 103__eol__5.2.3 基于图结构与规则学习的知识图谱推理 104__eol__5.2.4 基于表示学习的知识图谱推理 105__eol__5.2.5 基于图神经网络的知识图谱推理 106__eol__5.2.6 符号推理与表示学习的融合 107__eol__5.3 基于符号逻辑的知识图谱推理 108__eol__5.3.1 基于本体的推理 108__eol__5.3.2 基于Datalog的知识图谱推理 113__eol__5.3.3 基于产生式规则的推理 114__eol__5.3.4 符号知识图谱推理总结 117__eol__5.4 基于表示学习的知识图谱推理 117__eol__5.4.1 利用机器学习实现知识图谱归纳推理 117__eol__5.4.2 基于嵌入学习的知识图谱推理 118__eol__5.4.3 基于规则学习的知识图谱推理 127__eol__5.4.4 本体嵌入 136__eol__5.5 知识图谱推理总结 144__eol____eol__第6章 知识图谱融合 146__eol__6.1 知识图谱融合概述 147__eol__6.1.1 知识异构性 147__eol__6.1.2 知识异构的原因分析 147__eol__6.1.3 不同层次的知识图谱融合 148__eol__6.2 概念层融合——本体匹配 150__eol__6.2.1 基于术语匹配的本体层融合 151__eol__6.2.2 基于结构特征的本体层融合 153__eol__6.2.3 基于知识分块的大规模本体匹配 154__eol__6.3 实例层的融合——实体对齐 155__eol__6.3.1 实体对齐方法概述 155__eol__6.3.2 基于表示学习的实体对齐 156__eol__6.3.3 实体融合工具简介 158__eol__6.4 知识融合技术前沿 159__eol__6.5 总结 162__eol____eol__第7章 知识图谱问答 163__eol__7.1 智能问答概述 164__eol__7.1.1 智能问答系统的发展历史 164__eol__7.1.2 智能问答系统的分类 166__eol__7.1.3 实现知识图谱问答的主要技术方法 169__eol__7.1.4 知识图谱问答的主要评测数据集 170__eol__7.2 基于问句模板的知识图谱问答 172__eol__7.2.1 模板问答概述 172__eol__7.2.2 模板问答实现举例 173__eol__7.2.3 模板的自动化生成 175__eol__7.3 基于语义解析的知识图谱问答 178__eol__7.3.1 语义解析问答概述 178__eol__7.3.2 逻辑表达语言 179__eol__7.3.3 语义解析举例 181__eol__7.3.4 桥接与短语重写 18