知識圖譜：概念與技術(shù)

第1篇  基礎(chǔ)篇

1  知識圖譜概述  2

1.1  知識圖譜的基本概念  2

1.1.1  知識圖譜的狹義概念  3

1.1.2  知識圖譜的廣義概念  8

1.2  知識圖譜的歷史沿革  10

1.2.1  知識圖譜溯源  10

1.2.2  大數(shù)據(jù)知識工程  13

1.3  知識圖譜的研究意義  16

1.3.1  知識圖譜是認知智能的基石  16

1.3.2  知識引導成為解決問題的重要方式之一  19

1.4  知識圖譜的應(yīng)用價值  20

1.4.1  數(shù)據(jù)分析  20

1.4.2  智慧搜索  21

1.4.3  智能推薦  22

1.4.4  自然人機交互  23

1.4.5  決策支持  23

1.5  知識圖譜的分類  24

1.5.1  知識圖譜中的知識分類  25

1.5.2  知識圖譜的領(lǐng)域特性  26

1.5.3  知識圖譜的分類  30

本章小結(jié)  38

思考題  39

參考文獻  39

2  基礎(chǔ)知識  43

2.1  概述  43

2.2  知識表示  45

2.2.1  基本概念  45

2.2.2  知識圖譜的圖表示  47

2.2.3  知識圖譜的數(shù)值表示  49

2.2.4  其他相關(guān)知識表示  54

2.3  機器學習  65

2.3.1  機器學習的基本概念  65

2.3.2  深度學習概述  67

2.3.3  卷積神經(jīng)網(wǎng)絡(luò)  70

2.3.4  循環(huán)神經(jīng)網(wǎng)絡(luò)  71

2.3.5  注意力機制  72

2.4  自然語言處理  73

2.4.1  基本概念  74

2.4.2  文本的向量化表示  76

本章小結(jié)  78

思考題  79

參考文獻  80

第2篇  構(gòu)建篇

3  詞匯挖掘與實體識別  84

3.1  概述  84

3.2  領(lǐng)域短語挖掘  86

3.2.1  問題描述  87

3.2.2  領(lǐng)域短語挖掘方法  88

3.2.3  統(tǒng)計指標特征  91

3.3  同義詞挖掘  95

3.3.1  概述  95

3.3.2  典型方法  96

3.4  縮略詞抽取  101

3.4.1  縮略詞的概念與形式  101

3.4.2  縮略詞的檢測及抽取  103

3.4.3  縮略詞的預測  105

3.5  實體識別  109

3.5.1  概述  109

3.5.2  傳統(tǒng)的NER方法  110

3.5.3  基于深度學習的NER方法  114

3.5.4  近期的一些方法  120

本章小結(jié)  121

思考題  122

參考文獻  122

4  關(guān)系抽取  127

4.1  概述  127

4.1.1  關(guān)系抽取的問題和方法分類  128

4.1.2  關(guān)系抽取常用數(shù)據(jù)集  130

4.1.3  關(guān)系抽取評估方法  131

4.2  基于模式的抽取  133

4.2.1  基于字符模式的抽取  133

4.2.2  基于語法模式的抽取  134

4.2.3  基于語義模式的抽取  135

4.2.4  自動化模式獲取：自舉法（Bootstrapping）  136

4.2.5  基于模式抽取的質(zhì)量評估  138

4.3  基于學習的抽取  139

4.3.1  基于監(jiān)督學習的關(guān)系抽取  140

4.3.2  基于遠程監(jiān)督學習的關(guān)系抽取  142

4.3.3  基于深度學習的關(guān)系抽取  144

4.4  開放關(guān)系抽取  149

4.4.1  TextRunner  150

4.4.2  ReVerb  152

4.4.3  Ollie  153

本章小結(jié)  154

思考題  156

參考文獻  156

5  概念圖譜構(gòu)建  160

5.1  概述  160

5.1.1  常見的概念圖譜  163

5.1.2  概念圖譜的應(yīng)用  166

5.2  isA關(guān)系抽取  168

5.2.1  基于在線百科的方法  169

5.2.2  基于模式的方法  170

5.2.3  中文概念圖譜的構(gòu)建  172

5.3  isA關(guān)系補全  175

5.3.1  isA關(guān)系缺失的成因  176

5.3.2  基于isA傳遞性的概念圖譜補全  177

5.3.3  基于協(xié)同過濾思想的概念圖譜補全  179

5.4  isA關(guān)系糾錯  182

5.4.1  錯誤的成因  182

5.4.2  基于支持度的糾錯  183

5.4.3  基于圖模型的糾錯  184

本章小結(jié)  186

思考題  186

參考文獻  187

6  百科圖譜構(gòu)建  190

6.1  百科圖譜概述  190

6.1.1  什么是百科圖譜  190

6.1.2  百科圖譜的意義  191

6.1.3  百科圖譜的分類  192

6.2  基于單源的百科圖譜構(gòu)建  193

6.2.1  數(shù)據(jù)獲取  194

6.2.2  屬性抽取  196

6.2.3  關(guān)系構(gòu)建  201

6.2.4  概念層級體系構(gòu)建  202

6.2.5  實體分類  202

6.3  基于多源的百科圖譜融合  208

6.3.1  基于多個知識圖譜的融合方法  209

6.3.2  基于多源異構(gòu)數(shù)據(jù)的融合方法  216

本章小結(jié)  217

思考題  218

參考文獻  219

7  知識圖譜的眾包構(gòu)建  223

7.1  概述  223

7.2  知識型眾包的基本概念  225

7.3  知識型眾包研究的問題  228

7.3.1  What（對什么任務(wù)進行眾包）  228

7.3.2  Whom（將務(wù)交予誰完成）  231

7.3.3  How（如何完成眾包）  232

7.4  基于眾包的知識圖譜構(gòu)建與精化  237

7.4.1  本體構(gòu)建階段的人工介入  238

7.4.2  知識圖譜構(gòu)建階段的人工介入  240

7.4.3  知識圖譜精化階段的人工介入  245

本章小結(jié)  247

思考題  248

參考文獻  248

8  知識圖譜的質(zhì)量控制  253

8.1  概述  254

8.1.1  知識圖譜質(zhì)量評估的維度  254

8.1.2  知識圖譜質(zhì)量評估的方法  256

8.1.3  知識圖譜質(zhì)量控制全周期概覽  257

8.2  缺失知識的發(fā)現(xiàn)與補全  263

8.2.1  類型補全  263

8.2.2  實關(guān)系補全  266

8.2.3  屬性值補全  271

8.3  錯誤知識的發(fā)現(xiàn)與糾正  273

8.3.1  錯誤類型檢測  273

8.3.2  錯誤關(guān)系檢測  274

8.3.3  錯誤屬性值檢測  275

84  過期知識的更新  276

8.4.1  基于更新頻率預測的更新機制  277

8.4.2  基于時間標簽的更新機制  279

8.4.3  基于熱點事件發(fā)現(xiàn)的更新機制  280

本章小結(jié)  281

思考題  282

參考文獻  283

第3篇  管理篇

9  知識圖譜的建模與存儲  288

9.1  概述  288

9.2  知識圖譜的數(shù)據(jù)模型  289

9.2.1  知識圖譜的三元組模型  290

9.2.2  知識圖譜的圖模型  293

9.3  知識圖譜的物理存儲  298

9.3.1  知識圖譜數(shù)據(jù)的基本操作  298

9.3.2  知識圖譜的關(guān)系表存儲  300

9.3.3  知識圖譜的圖存儲  304

9.3.4  分布式計算環(huán)境下的知識圖譜數(shù)據(jù)存儲  307

本章小結(jié)  311

思考題  312

參考文獻  312

10  知識圖譜查詢與檢索  316

10.1  概述  316

10.2  查詢語言：SPARQL  317

10.2.1  簡單查詢  317

10.2.2  SPARQL查詢機制及知識圖譜上的推理  323

10.3  子圖查詢  326

10.3.1  子圖查詢  326

10.3.2  近似子圖查詢  328

10.3.3  Top-k查詢  333

10.3.4  索引結(jié)構(gòu)  336

10.4  其他查詢  337

10.4.1  路徑查詢  337

10.4.2  關(guān)鍵詞查詢  340

10.4.3  社團搜索  341

本章小結(jié)  345

思考題  345

參考文獻  346

11  圖數(shù)據(jù)管理系統(tǒng)  349

11.1  知識圖譜與圖管理系統(tǒng)  350

11.1.1  大圖管理的挑戰(zhàn)  352

11.1.2  圖管理系統(tǒng)的重要性  354

11.1.3  圖管理系統(tǒng)管理知識圖譜的挑戰(zhàn)  356

11.2  圖管理系統(tǒng)的基本架構(gòu)和設(shè)計原則  359

11.3  典型的圖管理系統(tǒng)  362

11.3.1  通用圖管理系統(tǒng)  362

11.3.2  知識圖譜專用圖管理系統(tǒng)  365

11.3.3  圖管理系統(tǒng)使用實例  368

本章小結(jié)  371

思考題  373

參考文獻  373

第4篇  應(yīng)用篇

12  基于知識圖譜的語言認知  376

12.1  概述  377

12.1.1  語言理解的挑戰(zhàn)  377

12.1.2  語言理解需要知識圖譜  378

12.1.3  語言理解的任務(wù)  379

12.2  實體理解  380

12.2.1  基本模型  381

12.2.2  局部實體鏈接分數(shù)  382

12.2.3  全局實體鏈接分數(shù)  383

12.2.4  模型計算  384

12.2.5  短文本實體鏈接  390

12.2.6  跨語言實體鏈接  391

12.3  概念理解  393

12.3.1  單實例概念理解  393

12.3.2  多實例概念理解  395

12.3.3  短語概念理解  397

12.3.4  關(guān)系對的概念理解  399

12.3.5  概念理解應(yīng)用舉例  400

12.4  屬性理解  401

本章小結(jié)  403

思考題  404

參考文獻  405

13  基于知識圖譜的搜索與推薦  408

13.1  概述  408

13.2  基于知識圖譜的搜索  411

13.2.1  搜索概述  411

13.2.2  意圖理解  414

13.2.3  目標查找  416

13.2.4  結(jié)果呈現(xiàn)  416

13.2.5  實體探索  417

13.3  基于知識圖譜的推薦  422

13.3.1  推薦的基本問題與挑戰(zhàn)  422

13.3.2  基于知識圖譜的物品畫像  425

13.3.3  基于知識圖譜的用戶畫像  430

13.3.4  基于知識圖譜的跨領(lǐng)域推薦  432

13.3.5  基于知識圖譜的可解釋推薦  435

本章小結(jié)  436

思考題  437

參考文獻  438

14  基于知識圖譜的問答  441

14.1  概述  441

14.1.1  問答系統(tǒng)  441

14.1.2  KBQA  444

14.2  基于模板的KBQA  452

14.2.1  基于模板的意圖識別  452

14.2.2  基于模板的屬性關(guān)聯(lián)  454

14.3  基于圖模型的KBQA  455

14.3.1  監(jiān)督學習  456

14.3.2  無監(jiān)督方法  457

14.4  基于深度學習的KBQA  460

14.4.1  表示學習  460

14.4.2  分類模型  462

14.4.3  生成模型  464

本章小結(jié)  465

思考題  466

參考文獻  467

第5篇  實踐篇

15  知識圖譜實踐  472

15.1  概述  472

15.1.1  知識圖譜應(yīng)用的推動力  473

15.1.2  知識圖譜應(yīng)用與產(chǎn)業(yè)現(xiàn)狀  475

15.1.3  知識圖譜實踐的系統(tǒng)工程觀念  476

15.1.4  知識圖譜助力行業(yè)智能化的演進路徑  478

15.2  知識圖譜系統(tǒng)  479

15.2.1  知識圖譜系統(tǒng)的外部環(huán)境  480

15.2.2  知識圖譜系統(tǒng)的關(guān)鍵要素  481

15.2.3  知識圖譜系統(tǒng)的典型架構(gòu)  483

15.3  知識圖譜工程  489

15.3.1  基本原則  489

15.3.2  過程模型  493

15.3.3  可行性分析  494

15.3.4  知識圖譜工程實踐建議  498

本章小結(jié)  502

思考題  502

參考文獻  503

16  開放性問題  504

16.1  知識表示  504

16.1.1  與其他知識表示相聯(lián)合的語義增強  505

16.1.2  過程語義增強  505

16.1.3  時空語義增強  506

16.1.4  跨模態(tài)語義增強  507

16.2  知識獲取  508

16.2.1  低成本知識獲取  508

16.2.2  復雜知識的獲取  510

16.2.3  知識獲取中的人機協(xié)作與評測  511

16.3  知識應(yīng)用  512

16.3.1  知識圖譜上的推理  512

16.3.2  符號知識增強機器學習  513

16.3.3  基于知識圖譜的可解釋人工智能  514

16.3.4  知識圖譜的個性化問題  514

本章小結(jié)  515

思考題  516

參考文獻  516