风流人妻一区二区三区 ,久久天天躁狠狠躁夜夜躁2O2O

內(nèi)容簡(jiǎn)介

　　本書(shū)旨在幫助讀者全面理解知識(shí)圖譜的基本原理和概念。通過(guò)清晰的解釋和實(shí)例，讀者將深入了解知識(shí)圖譜的構(gòu)建、表示、推理等關(guān)鍵知識(shí)點(diǎn)。此外，本書(shū)通過(guò)提供代碼實(shí)戰(zhàn)，引導(dǎo)讀者親自動(dòng)手構(gòu)建知識(shí)圖譜，并應(yīng)用各種技術(shù)和工具進(jìn)行實(shí)踐。這種實(shí)踐性的講解方法可幫助讀者更深入地理解知識(shí)圖譜的實(shí)際應(yīng)用。本書(shū)的目標(biāo)是幫助讀者全面理解知識(shí)圖譜的基本原理和概念，并通過(guò)代碼實(shí)戰(zhàn)構(gòu)建知識(shí)圖譜。同時(shí)，本書(shū)也提供了關(guān)于大語(yǔ)言模型與知識(shí)圖譜相結(jié)合的內(nèi)容，讓讀者進(jìn)一步探索這兩個(gè)領(lǐng)域的交叉點(diǎn)。本書(shū)內(nèi)容對(duì)于人工智能基礎(chǔ)研究有一定的參考意義，既適合專業(yè)人士了解知識(shí)圖譜、深度學(xué)習(xí)和人工智能的前沿?zé)狳c(diǎn)，也適合對(duì)人工智能感興趣的讀者閱讀，同時(shí)本書(shū)也可作為相關(guān)開(kāi)發(fā)人員的自學(xué)用書(shū)和參考手冊(cè)。

作者簡(jiǎn)介

　　劉威在知識(shí)圖譜、大數(shù)據(jù)開(kāi)發(fā)、后端開(kāi)發(fā)等領(lǐng)域有著豐富的經(jīng)驗(yàn)，先后從事爬蟲(chóng)、大數(shù)據(jù)、知識(shí)圖譜開(kāi)發(fā)相關(guān)的工作?，F(xiàn)就職于北京某科研實(shí)驗(yàn)室，曾在人民日?qǐng)?bào)媒體技術(shù)股份有限公司從事爬蟲(chóng)、大數(shù)據(jù)、知識(shí)圖譜開(kāi)發(fā)等工作。

圖書(shū)目錄

第一篇　基礎(chǔ) 篇
第1章知識(shí)圖譜概述 2
1.1 知識(shí)圖譜的概念 2
1.2 知識(shí)圖譜的發(fā)展 6
1.2.1 知識(shí)圖譜與人工智能 6
1.2.2 專家系統(tǒng) 8
1.2.3 語(yǔ)義網(wǎng) 9
1.2.4 知識(shí)圖譜的發(fā)展 11
1.3 知識(shí)圖譜的應(yīng)用與現(xiàn)狀 12
1.3.1 知識(shí)圖譜分類 12
1.3.2 通用知識(shí)圖譜 14
1.3.3 領(lǐng)域知識(shí)圖譜 17
1.4 參考文獻(xiàn) 18
第2章知識(shí)圖譜構(gòu)建技術(shù) 19
2.1 知識(shí)表示與知識(shí)建模 19
2.1.1 知識(shí)表示 19
2.1.2 知識(shí)建模 22
2.2 知識(shí)抽取 23
2.2.1 實(shí)體抽取 24
2.2.2 關(guān)系抽取 27
2.2.3 事件抽取 29
2.3 知識(shí)存儲(chǔ) 29
2.3.1 基于表結(jié)構(gòu)的關(guān)系型數(shù)據(jù)庫(kù) 30
2.3.2 RDF存儲(chǔ)系統(tǒng) 30
2.3.3 原生圖數(shù)據(jù)庫(kù) 34
2.4 知識(shí)融合 37
2.4.1 知識(shí)融合的概念 37
2.4.2 知識(shí)融合的異構(gòu) 38
2.4.3 本體匹配 38
2.4.4 實(shí)體對(duì)齊 39
2.5 知識(shí)推理 40
2.6 參考文獻(xiàn) 41
第3章知識(shí)圖譜的應(yīng)用 42
3.1 知識(shí)庫(kù)問(wèn)答 42
3.1.1 知識(shí)庫(kù)問(wèn)答的構(gòu)建方法 42
3.1.2 基于知識(shí)圖譜的問(wèn)答系統(tǒng)應(yīng)用 49
3.2 基于圖譜的推薦系統(tǒng) 49
3.2.1 推薦系統(tǒng) 49
3.2.2 基于知識(shí)圖譜的推薦系統(tǒng) 52
3.2.3 推薦系統(tǒng)的應(yīng)用 58
3.3 參考文獻(xiàn) 59
第4章數(shù)據(jù)采集與數(shù)據(jù)處理 60
4.1 數(shù)據(jù)采集 60
4.1.1 網(wǎng)絡(luò)爬蟲(chóng)概述 60
4.1.2 網(wǎng)頁(yè)爬蟲(chóng)采集 61
4.1.3 App爬蟲(chóng)采集 66
4.1.4 反爬蟲(chóng) 70
4.1.5 Scrapy框架 75
4.2 數(shù)據(jù)處理 80
4.2.1 結(jié)構(gòu)化數(shù)據(jù) 81
4.2.2 半結(jié)構(gòu)化數(shù)據(jù) 81
4.2.3 非結(jié)構(gòu)化數(shù)據(jù) 82
第二篇　代碼實(shí)踐篇
第5章知識(shí)抽取 84
5.1 實(shí)體抽取 84
5.1.1 實(shí)體抽取模型 84
5.1.2 實(shí)體抽取示例 101
5.2 關(guān)系抽取 111
5.2.1 關(guān)系抽取模型 111
5.2.2 關(guān)系抽取示例 115
5.3 事件抽取 124
5.3.1 事件抽取模型 124
5.3.2 事件抽取示例 127
5.4 參考文獻(xiàn) 136
第6章知識(shí)存儲(chǔ) 138
6.1 知識(shí)存儲(chǔ)工具 138
6.1.1 Neo4j 138
6.1.2 Virtuoso 148
6.1.3 SPARQL 152
6.2 知識(shí)存儲(chǔ)案例 165
6.2.1 Neo4j存儲(chǔ) 166
6.2.2 Virtuoso存儲(chǔ) 169
第7章知識(shí)圖譜構(gòu)建 173
7.1 圖譜數(shù)據(jù) 173
7.1.1 數(shù)據(jù)采集 174
7.1.2 圖譜構(gòu)建 189
7.1.3 服務(wù)器端數(shù)據(jù)接口 194
7.2 知識(shí)圖譜可視化 203
7.2.1 前端項(xiàng)目 203
7.2.2 圖譜可視化 215
第8章知識(shí)圖譜與大語(yǔ)言模型 217
8.1 大語(yǔ)言模型 217
8.1.1 大語(yǔ)言模型概述 218
8.1.2 ChatGPT 219
8.1.3 GLM系列輕量級(jí)大語(yǔ)言模型 224
8.2 大語(yǔ)言模型與知識(shí)圖譜的融合 234
8.2.1 統(tǒng)一大語(yǔ)言模型與知識(shí)圖譜 234
8.2.2 大語(yǔ)言模型與知識(shí)圖譜前景 251