知識圖譜：認(rèn)知智能理論與實戰(zhàn)

第1章 知識圖譜概述 0
1.1 從李白的《靜夜思》開始 2
1.2 什么是知識圖譜 3
1.3 DIKW模型 6
1.4 從DIKW模型到知識圖譜 8
1.5 知識圖譜技術(shù)體系 9
1.5.1 知識圖譜模式設(shè)計與管理 11
1.5.2 知識圖譜構(gòu)建技術(shù) 11
1.5.3 知識圖譜存儲技術(shù) 13
1.5.4 知識圖譜應(yīng)用技術(shù) 14
1.5.5 用戶接口與界面 17
1.6 知識圖譜辨析 17
1.6.1 知識圖譜與自然語言處理 18
1.6.2 知識圖譜與圖數(shù)據(jù)庫 20
1.6.3 知識圖譜與語義網(wǎng)絡(luò) 20
1.6.4 知識圖譜與搜索引擎 21
1.6.5 知識圖譜與深度學(xué)習(xí) 21
1.7 知識圖譜是人工智能進步的階梯 22
1.7.1 明鑒歷史 23
1.7.2 預(yù)見未來 26
1.8 本章小結(jié) 27

第2章 知識圖譜模式設(shè)計 30
2.1 知識圖譜模式 32
2.2 模式與本體 35
2.2.1 本體 35
2.2.2 模式與本體辨析 37
2.3 本體概論 38
2.3.1 本體的構(gòu)成要素 39
2.3.2 本體分類 40
2.3.3 資源描述框架RDF 41
2.3.4 網(wǎng)絡(luò)本體語言O(shè)WL 42
2.3.5 知名本體介紹 44
2.4 模式設(shè)計的三大基本原則 52
2.4.1 賦予一類事物合適的名字 53
2.4.2 建立事物間清晰的聯(lián)系 54
2.4.3 明確、正式的語義表達 55
2.5 六韜法 56
2.5.1 場景 58
2.5.2 復(fù)用 59
2.5.3 事物 63
2.5.4 聯(lián)系 65
2.5.5 約束 67
2.5.6 評價 71
2.6 模式設(shè)計的工程模型 72
2.6.1 瀑布模型 72
2.6.2 螺旋模型 74
2.7 本章小結(jié) 76

第3章 實體抽取 78
3.1 實體、命名實體和實體抽取 80
3.2 基于規(guī)則的實體抽取 82
3.2.1 基于詞典匹配的實體抽取方法 83
3.2.2 編寫正則表達式抽取實體 84
3.2.3 基于模板的實體抽取方法 85
3.3 如何評價實體抽取的效果 88
3.4 傳統(tǒng)機器學(xué)習(xí)方法 91
3.4.1 概率圖模型 92
3.4.2 樸素貝葉斯模型 93
3.4.3 最大熵模型 95
3.4.4 隱馬爾可夫模型 100
3.4.5 條件隨機場 102
3.4.6 標(biāo)記方法 106
3.4.7 用CRF++進行實體抽取 108
3.5 深度學(xué)習(xí)方法 114
3.5.1 基于深度學(xué)習(xí)的通用實體抽取框架 114
3.5.2 BiLSTM-CRF模型 117
3.5.3 預(yù)訓(xùn)練模型用于實體抽取 122
3.6 弱監(jiān)督學(xué)習(xí)方法 134
3.7 本章小結(jié) 136

第4章 關(guān)系抽取 138
4.1 關(guān)系和關(guān)系抽取 140
4.2 基于規(guī)則的關(guān)系抽取方法 145
4.2.1 詞法分析與依存句法分析 146
4.2.2 基于語法結(jié)構(gòu)的關(guān)系抽取 149
4.3 基于深度學(xué)習(xí)的關(guān)系抽取方法 154
4.3.1 關(guān)系分類 154
4.3.2 基于BERT的關(guān)系分類 158
4.4 實體-關(guān)系聯(lián)合抽取的方法 161
4.4.1 實體-關(guān)系聯(lián)合抽取方法 162
4.4.2 基于片段預(yù)測的實體-關(guān)系聯(lián)合抽取 165
4.5 弱監(jiān)督學(xué)習(xí)與關(guān)系抽取 171
4.5.1 引導(dǎo)法 171
4.5.2 遠程監(jiān)督 174
4.5.3 弱監(jiān)督學(xué)習(xí)與Snorkel 176
4.5.4 Snorkel用于關(guān)系抽取 179
4.6 本章小結(jié) 184

第5章 知識存儲 186
5.1 數(shù)據(jù)與知識存儲 188
5.1.1 數(shù)據(jù)存儲模型 188
5.1.2 知識存儲極簡史 189
5.2 圖數(shù)據(jù)庫模型 193
5.2.1 屬性圖模型 193
5.2.2 完整性約束 196
5.2.3 事務(wù)、ACID與BASE 200
5.2.4 查詢語言 202
5.3 JanusGraph分布式圖數(shù)據(jù)庫 202
5.3.1 JanusGraph的存儲模型 205
5.3.2 JanusGraph的屬性圖模式 209
5.3.3 事務(wù)和故障恢復(fù) 220
5.3.4 圖查詢語言Gremlin 221
5.3.5 JanusGraph和Gremlin入門指南 222
5.4 其他圖數(shù)據(jù)庫介紹 235
5.4.1 Neo4j 236
5.4.2 Dgraph 239
5.4.3 NebulaGraph 243
5.4.4 圖數(shù)據(jù)對比一覽表 246
5.5 本章小結(jié) 248

第6章 知識計算 250
6.1 知識計算及其數(shù)學(xué)基礎(chǔ) 252
6.1.1 知識圖譜與圖 252
6.1.2 圖論 253
6.1.3 鄰接矩陣 256
6.1.4 譜圖理論 257
6.2 遍歷與最短路徑算法 258
6.2.1 廣度優(yōu)先搜索 258
6.2.2 深度優(yōu)先搜索 260
6.2.3 Dijkstra單源最短路徑 262
6.2.4 最短路徑快速算法 265
6.2.5 Floyd算法 268
6.3 中心性 270
6.3.1 度中心性 270
6.3.2 親密中心性 272
6.3.3 中介中心性 274
6.3.4 特征向量中心性 279
6.3.5 PageRank 281
6.4 社區(qū)檢測 284
6.4.1 模塊度 286
6.4.2 GN社區(qū)檢測算法 290
6.4.3 Louvain社區(qū)檢測算法 291
6.5 知識計算工具與系統(tǒng) 297
6.5.1 圖數(shù)據(jù)庫計算框架 297
6.5.2 分布式圖計算引擎 298
6.5.3 圖分析工具包 298
6.6 本章小結(jié) 299

第7章 知識推理 300
7.1 知識的表示與推理 302
7.1.1 因果推理 303
7.1.2 演繹推理 303
7.1.3 歸納推理 304
7.1.4 概率推理 305
7.1.5 知識圖譜的推理技術(shù) 306
7.2 基于規(guī)則和邏輯的知識推理方法 308
7.2.1 基于規(guī)則的方法 308
7.2.2 基于邏輯的方法 311
7.2.3 定性時空推理 313
7.3 幾何空間嵌入的知識推理方法 316
7.3.1 歐幾里得空間的平移變換方法 317
7.3.2 復(fù)數(shù)向量空間的RotatE模型 330
7.3.3 雙曲空間嵌入的知識推理方法 334
7.4 知識推理的深度學(xué)習(xí)方法 353
7.4.1 卷積神經(jīng)網(wǎng)絡(luò)的知識推理方法 353
7.4.2 圖神經(jīng)網(wǎng)絡(luò)模型 358
7.5 本章小結(jié) 368

第8章 知識圖譜行業(yè)應(yīng)用 370
8.1 行業(yè)知識圖譜 372
8.1.1 行業(yè)知識圖譜的特點 372
8.1.2 行業(yè)知識圖譜的應(yīng)用價值 376
8.2 知識圖譜行業(yè)應(yīng)用范式 382
8.3 共通的應(yīng)用程序 385
8.3.1 數(shù)據(jù)與知識中臺 385
8.3.2 可視化與交互式分析 388
8.3.3 智能問答 391
8.3.4 認(rèn)知推薦 396
8.3.5 輔助決策模型 400
8.4 金融 400
8.4.1 反洗錢和反恐怖融資 400
8.4.2 個人信用評估與風(fēng)險控制 402
8.4.3 企業(yè)風(fēng)險識別、控制與管理 404
8.4.4 系統(tǒng)性金融風(fēng)險 406
8.4.5 審計 407
8.4.6 證券分析與投資研究 408
8.4.7 保險 410
8.5 醫(yī)療、生物醫(yī)藥和衛(wèi)生健康 411
8.5.1 基因知識圖譜 411
8.5.2 生物醫(yī)藥 412
8.5.3 智慧醫(yī)療 414
8.5.4 公共衛(wèi)生 416
8.5.5 中醫(yī)藥知識圖譜 418
8.6 智能制造 418
8.6.1 設(shè)計研發(fā) 419
8.6.2 質(zhì)量與可靠性工程 420
8.6.3 設(shè)備的管理、維護與維修 422
8.6.4 BOM物料清單管理 425
8.6.5 供應(yīng)鏈管理 427
8.6.6 售后服務(wù) 428
8.7 本章小結(jié) 429