知識圖譜：認知智能理論與實戰(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 知識圖譜技術體系 9
1.5.1 知識圖譜模式設計與管理 11
1.5.2 知識圖譜構建技術 11
1.5.3 知識圖譜存儲技術 13
1.5.4 知識圖譜應用技術 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 20
1.6.4 知識圖譜與搜索引擎 21
1.6.5 知識圖譜與深度學習 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 預見未來 26
1.8 本章小結 27

第2章 知識圖譜模式設計 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)絡本體語言OWL 42
2.3.5 知名本體介紹 44
2.4 模式設計的三大基本原則 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 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)機器學習方法 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 標記方法 106
3.4.7 用CRF++進行實體抽取 108
3.5 深度學習方法 114
3.5.1 基于深度學習的通用實體抽取框架 114
3.5.2 BiLSTM-CRF模型 117
3.5.3 預訓練模型用于實體抽取 122
3.6 弱監(jiān)督學習方法 134
3.7 本章小結 136

第4章 關系抽取 138
4.1 關系和關系抽取 140
4.2 基于規(guī)則的關系抽取方法 145
4.2.1 詞法分析與依存句法分析 146
4.2.2 基于語法結構的關系抽取 149
4.3 基于深度學習的關系抽取方法 154
4.3.1 關系分類 154
4.3.2 基于BERT的關系分類 158
4.4 實體-關系聯(lián)合抽取的方法 161
4.4.1 實體-關系聯(lián)合抽取方法 162
4.4.2 基于片段預測的實體-關系聯(lián)合抽取 165
4.5 弱監(jiān)督學習與關系抽取 171
4.5.1 引導法 171
4.5.2 遠程監(jiān)督 174
4.5.3 弱監(jiān)督學習與Snorkel 176
4.5.4 Snorkel用于關系抽取 179
4.6 本章小結 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、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 事務和故障恢復 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 248

第6章 知識計算 250
6.1 知識計算及其數(shù)學基礎 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 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 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 知識推理的深度學習方法 353
7.4.1 卷積神經(jīng)網(wǎng)絡的知識推理方法 353
7.4.2 圖神經(jīng)網(wǎng)絡模型 358
7.5 本章小結 368

第8章 知識圖譜行業(yè)應用 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)知識圖譜的應用價值 376
8.2 知識圖譜行業(yè)應用范式 382
8.3 共通的應用程序 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 個人信用評估與風險控制 402
8.4.3 企業(yè)風險識別、控制與管理 404
8.4.4 系統(tǒng)性金融風險 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 設計研發(fā) 419
8.6.2 質量與可靠性工程 420
8.6.3 設備的管理、維護與維修 422
8.6.4 BOM物料清單管理 425
8.6.5 供應鏈管理 427
8.6.6 售后服務 428
8.7 本章小結 429