前辅文
 第一章 知识图谱概述
  1.1 什么是知识图谱
   1.1.1 知识图谱的意义
   1.1.2 知识图谱的内涵
   1.1.3 知识图谱的类型
  1.2 知识图谱的应用
   1.2.1 不同任务中的应用
   1.2.2 不同领域中的应用
  1.3 知识图谱构建与应用的关键步骤
   1.3.1 知识建模
   1.3.2 知识获取
   1.3.3 知识融合
   1.3.4 知识推理
   1.3.5 知识管理
   1.3.6 知识应用
  1.4 小结
 第二章 知识表示与框架构建
  2.1 概述
  2.2 经典知识表示理论
   2.2.1 语义网络
   2.2.2 框架
   2.2.3 一阶谓词逻辑
   2.2.4 描述逻辑
  2.3 语义网技术体系
   2.3.1 语义网整体架构
   2.3.2 资源描述框架（RDF）及其语义扩展（RDFS）
   2.3.3 本体 (Ontology)与本体描述语言 (OWL)
   2.3.4 规则及其交换格式
   2.3.5 查询语言
  2.4 知识图谱及其知识体系
   2.4.1 知识图谱与语义网
   2.4.2 典型知识图谱
   2.4.3 多元关系的表示方法
  2.5 知识框架构建流程
   2.5.1 知识框架建模
   2.5.2 知识框架构建工具介绍
  2.6 知识图谱的数值化表示
   2.6.1 表示学习方法概述
   2.6.2 典型数值表示方法
  2.7 小结
 第三章 实体识别
  3.1 任务概述
   3.1.1 任务定义
   3.1.2 任务难点
   3.1.3 相关评测
  3.2 实体识别
   3.2.1 基于词典的实体识别方法
   3.2.2 基于特征工程的实体识别方法
   3.2.3 基于神经网络的实体识别方法
   3.2.4 融合词典特征的神经网络实体识别方法
  3.3 小结
 第四章 实体消歧
  4.1 任务概述
   4.1.1 任务定义
   4.1.2 任务难点
   4.1.3 相关评测
  4.2 基于聚类的实体消歧
   4.2.1 基于表层特征的实体指称项相似度计算
   4.2.2 基于扩展特征的实体指称项相似度计算
   4.2.3 基于社会化网络的实体指称项相似度计算
  4.3 基于实体链接的实体消歧
   4.3.1 候选实体发现
   4.3.2 候选实体排序
    4.3.2.1 挖掘上下文无关特征
    4.3.2.2 挖掘上下文相关特征
  4.4 小结
 第五章 实体关系抽取
  5.1 任务概述
   5.1.1 任务定义
   5.1.2 任务难点
   5.1.3 相关评测
    5.1.3.1 MUC评测会议
    5.1.3.2 ACE评测会议
    5.1.3.3 TAC评测会议
    5.1.3.4 SemEval评测会议
  5.2 基于有监督学习的实体关系抽取
   5.2.1 基于特征工程的实体关系抽取
   5.2.2 基于深度学习的实体关系抽取
    5.2.2.1 基于卷积神经网络的实体关系抽取
    5.2.2.2 基于循环神经网络的实体关系抽取
    5.2.2.3 基于递归神经网络的实体关系抽取
  5.3 基于弱监督学习的实体关系抽取
   5.3.1 训练数据自动生成
   5.3.2 基于含噪标注数据的实体关系抽取
  5.4 实体和关系协同抽取
   5.4.1 实体和关系标注体系
   5.4.2 基于神经网络的序列标注方法
  5.5 小结
 第六章 事件抽取
  6.1 任务概述
   6.1.1 任务定义
   6.1.2 任务难点
   6.1.3 相关评测
    6.1.3.1 ACE评测会议
    6.1.3.2 KBP评测会议
  6.2 基于有监督学习的事件抽取
   6.2.1 事件识别
   6.2.2 事件元素抽取
  6.3 基于弱监督学习的事件抽取
   6.3.1 训练数据自动生成
   6.3.2 基于含噪数据的事件抽取
  6.4 小结
 第七章 知识融合
  7.1 任务概述
   7.1.1 任务定义
   7.1.2 任务难点
   7.1.3 任务评测
  7.2 知识框架匹配
   7.2.1 基于元素特征的匹配
   7.2.2 基于结构特征的匹配
  7.3 知识实例匹配
   7.3.1 传统的实例匹配
   7.3.2 基于表示学习的实例匹配
  7.4 知识融合的典型应用
   7.4.1 YAGO
   7.4.2 BabelNet
  7.5 小结
 第八章 知识推理
  8.1 知识推理概述
   8.1.1 知识推理类型
   8.1.2 知识推理典型应用
  8.2 归纳推理：规则获取
   8.2.1 推理规则概述
   8.2.2 一阶规则学习算法
   8.2.3 关联规则挖掘算法
   8.2.4 基于概率统计的规则权重学习
  8.3 演绎推理：规则应用
   8.3.1 马尔科夫逻辑网
   8.3.2 概率软逻辑
  8.4 混合式推理
   8.4.1 符号特征推理方法
   8.4.2 表示学习推理方法
  8.5 小结
 第九章 知识图谱数据管理
  9.1 知识图谱数据模型
   9.1.1 RDF图模型
   9.1.2 属性图模型
  9.2 知识图谱的存储
   9.2.1 基于表结构的存储
   9.2.2 基于图结构的存储
  9.3 知识图谱检索
   9.3.1 声明式查询语言检索
   9.3.2 过程式查询语言检索
  9.4 小结
 第十章 知识问答与对话
  10.1 知识问答
   10.1.1 任务概述
   10.1.2 模板与规则方法
   10.1.3 检索式问答方法
   10.1.4 语义解析方法
  10.2 知识对话
   10.2.1 相关评测
   10.2.2 意图分类
   10.2.3 对话状态跟踪
   10.2.4 答复生成
   10.2.5 端到端任务型对话系统
  10.3 小结
 第十一章 知识图谱构建与应用实践
  11.1 产品定位与需求分析
  11.2 数据爬取与分析
  11.3 知识框架构建
  11.4 知识抽取
   11.4.1 任务描述
   11.4.2 数据标注
   11.4.3 事件抽取
  11.5 知识数据管理
   11.5.1 数据表结构设计
   11.5.2 数据检索与可视化
  11.6 问答系统设计与开发
   11.6.1 系统设计
   11.6.2 模块开发
   11.6.3 系统演示
  11.7 小结
 附录 数学符号规范表