知识图谱及应用案例

中国水利水电出版社

【作者】张善文黄文准于长青陈明淑

【I S B N 】978-7-5170-9844-7

【责任编辑】张玉玲

【适用读者群】本专通用

【出版时间】2025-06-12

【开本】16开

【装帧信息】平装（光膜）

【版次】第1版第1次印刷

【页数】256

【千字数】399

【印张】16

【定价】￥88

【丛书】普通高等教育人工智能专业系列教材

【备注信息】

图书详情

简介

本书特色

前言

章节列表

精彩阅读

下载资源

相关图书

近年来，大规模KG库的研究和应用在学术界和工业界已经引起了广泛的重视。本书系统介绍KG的基本概念和关键技术，包括知识建模、关系抽取、存储、自动推理、表示学习、语义搜索、知识问答、挖掘分析等内容，以可视化形式描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及其之间的相互联系，尝试将学术前沿和实践结合，让读者在掌握实际应用能力的同时对前沿技术发展有所了解。

本书既适合计算机和人工智能相关的研究人员阅读，也适合在企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机或人工智能专业师生的参考资料。

知识图谱通过数据挖掘、分析、加工、整合、构建、绘制、知识计量和图形绘制等过程，从错综复杂的多源异构数据中揭示知识领域的动态发展规律，以可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构，形成多学科融合目的的现代理论，为学科研究提供切实的、有价值的参考。

近年来，知识图谱越来越引起科研人员和工程人员的关注，在自然语言处理、机器学习、图数据库、知识工程等多个领域得到广泛应用。随着智能信息服务应用的不断发展，知识图谱已被广泛应用于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域。如何利用知识图谱现有理论知识构建知识图谱并应用于工程实践，这就需要专业人员对当前知识图谱理论知识和技术研究成果进行系统性梳理，编写一本理论与实际相结合的知识图谱专著，以期对热衷于知识图谱的学习者提供理论和实践依据。因此，我们团队在进行了大量调研、资料整理、实践和实验后编写此书。本书得到国家自然基金项目（62072378、62172338）的资助。

本书包含了很多专家、教师和学者网上提供有关知识图谱的理论、方法和案例，在此表示衷心感谢。由于知识图谱为典型的多学科交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多领域的理论和方法，以及作者水平有限，书中难免存在疏漏和不足之处，恳请广大同行和读者批评指正，以便在再版时补充和修改。

作者

2021年6月

第1章基础知识 1
1.1 大数据 1
1.1.1 基本概念 1
1.1.2 大数据价值 2
1.1.3 大数据来源 4
1.1.4 大数据可视化 8
1.1.5 大数据发展趋势 11
1.2 知识图谱 12
1.2.1 KG基础 12
1.2.2 KG与各学科之间的关系 17
1.2.3 KG优势 19
1.2.4 KG可视化 22
1.2.5 KG常见的应用场景 23
1.2.6 KG面临的困难和挑战 27
第2章知识抽取与存储 29
2.1 概述 29
2.1.1 知识抽取基本概念 29
2.1.2 知识抽取基础问题 35
2.2 实体抽取 38
2.2.1 基本问题 38
2.2.2 实体抽取方法 38
2.2.3 语义类抽取 42
2.2.4 属性提取 42
2.2.5 汉语实体抽取 44
2.2.6 实体抽取标准库和评估标准 45
2.3 关系抽取 47
2.3.1 基本问题 47
2.3.2 关系抽取方法 47
2.3.3 评测数据集和评测标注 53
2.3.4 关系抽取发展趋势 54
2.4 事件抽取 55
2.4.1 基本概念 55
2.4.2 基本方法 58
2.4.3 效果评估 61
2.4.4 研究趋势 62
2.5 知识抽取 62
2.5.1 知识抽取方法 64
2.5.2 基于自然语言处理的知识抽取方法 66
2.5.3 基于NLP的知识抽取系统架构 69
2.5.4 知识抽取系统的评价 70
2.5.5 知识抽取工具 70
2.5.6 知识抽取应用 72
2.5.7 发展趋势 73
2.6 知识存储 73
2.6.1 知识存储方式 73
2.6.2 数据库管理系统 74
2.6.3 数据标记语言 77
2.7 开放知识库和KG 78
第3章知识表示、推理和融合 82
3.1 知识表示 82
3.1.1 基本概念 82
3.1.2 知识表示方法 84
3.2 知识建模 96
3.3 知识推理 96
3.4 知识融合 101
3.4.1 基本概念 101
3.4.2 知识融合方法分类和融合流程 104
3.4.3 框架融合 105
3.4.4 实体对齐 106
3.4.5 实体消歧 110
3.4.6 冲突检测与消解 115
3.4.7 知识加工、更新、推理、计算、存储 116
3.5 知识表示学习 118
3.5.1 基础知识 118
3.5.2 知识表示学习方法 120
3.6 知识体系 129
3.6.1 构建方法 131
3.6.2 知识体系学习模型 133
第4章 KG技术架构 136
4.1 KG构建 136
4.1.1 构建KG的思路 136
4.1.2 KG技术架构 140
4.1.3 KG中的基本算法 149
4.2 KG构建方法 151
4.3 基于深度学习的KG构建方法 153
4.4 医疗KG构建和应用简单介绍 155
4.4.1 医疗知识图谱构建 155
4.4.2 医学知识图谱应用 157
4.5 KG的应用 158
4.6 KG资源 160
第5章基于KG的搜索、问答和推荐系统 165
5.1 概述 165
5.2 语义搜索 166
5.2.1 基础知识 166
5.2.2 搜索方法 170
5.3 推荐系统 174
5.3.1 概述 175
5.3.2 推荐系统架构 180
5.3.3 典型推荐算法 190
5.3.4 基于KG的推荐系统 194
5.4 知识问答 198
5.4.1 概述 198
5.4.2 传统FAQ 201
5.4.3 基于神经网络的方法 203
5.4.4 知识问答系统 205
5.4.5 基于KG的问答 208
5.4.6 典型的智能问答产品 212
第6章 KG应用 216
6.1 图数据库 216
6.1.1 Neo4j介绍 216
6.1.2 Neo4j安装 219
6.1.3 Cypher查询语言 226
6.1.4 Neo4j的图形操作界面和基本操作 229
6.2 Neo4j创建KG 232
6.2.1 创建KG的三种方式 232
6.2.2 人物关系KG 232
6.2.3 社交网络KG 237
6.2.4 电影KG 240
6.2.5 医疗KG 242
6.2.6 药材供应链KG 243
6.3 开源KG框架SmartKG 245
参考文献 249

关闭

打印