文章目录

  • 第一章 概述
    • 1.1 什么是知识图谱
    • 1.2 知识图谱发展历程
    • 1.3 知识图谱类型
    • 1.4 知识图谱生命周期
      • 1.4.1 知识体系构建
      • 1.4.2 知识获取
      • 1.4.3 知识融合
      • 1.4.4 知识存储
      • 1.4.5 知识推理
      • 1.4.6 知识应用
    • 1.5 知识图谱与深度学习
    • 1.6 小结
  • 第二章 知识表示
    • 2.1 经典知识表示理论
      • 2.1.1 逻辑
      • 2.1.2 语义网络
      • 2.1.3 框架
      • 2.1.4 脚本
    • 2.2 语义网络中的知识表示方法
      • 2.2.1 语义网表示方法
      • 2.2.2 语义网知识描述体系
        • 2.2.2.1 XML
        • 2.2.2.2 RDF
        • 2.2.2.3 OWL
    • 2.3 知识图谱中的知识表示方法
      • 2.3.1 表示框架
      • 2.3.2 Freebase中的知识框架
    • 2.4 知识图谱的数值化表示方法
      • 2.4.1 符号的数值化表示
      • 2.4.2 文本的数值化表示
      • 2.4.3 知识图谱的数值化表示
        • 2.4.3.1 基于张量分解的表示学习方法
        • 2.4.3.2 基于能量函数的表示学习方法
    • 2.5 小结
  • 第三章 知识体系的构建和知识融合
    • 3.1 知识体系构建
      • 3.1.1 人工构建方法
      • 3.1.2 自动构建方法
      • 3.1.3 典型知识体系
    • 3.2 知识融合
      • 3.2.1 框架匹配
      • 3.2.2 实体对齐
      • 3.2.3 冲突检测与消解
      • 3.2.4 典型知识融合系统
    • 3.3 小结
  • 第四章 实体识别和扩展
    • 4.1 实体识别
      • 4.1.1 任务概述
      • 4.1.2 基于规则的实体识别方法
      • 4.1.3 基于机器学习的实体识别--基于特征的方法
      • 4.1.4 基于机器学习的实体识别--基于神经网络的方法
    • 4.2 细粒度实体识别
      • 4.2.1 任务概述
      • 4.2.2 细粒度实体识别方法
    • 4.3 实体扩展
      • 4.3.1 任务概述
      • 4.3.2 实体扩展方法
    • 4.4 小结
  • 第五章 实体消歧
    • 5.1 任务概述
      • 5.1.1 任务定义
      • 5.1.2 任务分类
      • 5.1.3 相关评测
    • 5.2 基于聚类的实体消歧方法
      • 5.2.1 基于表层特征的实体指称项相似度计算
      • 5.2.2 基于扩展特征的实体指称项相似度计算
      • 5.2.3 基于社会化网络的实体指称项相似度计算
    • 5.3 基于实体链接的实体消歧方法
      • 5.3.1 链接候选过滤方法
      • 5.3.2 实体链接方法
    • 5.4 面向结构化文本的实体消歧方法
    • 5.5 小结
  • 第六章 关系抽取
    • 6.1 任务概述
      • 6.1.1 任务定义
      • 6.1.2 任务分类
      • 6.1.3 任务难点
      • 6.1.4 相关评测
    • 6.2 限定域关系抽取
      • 6.2.1 基于模板的关系抽取方法
      • 6.2.2 基于机器学习的关系抽取方法
        • 6.2.2.1 有监督的关系抽取方法
        • 6.2.2.2 弱监督的关系抽取方法
    • 6.3 开放域关系抽取
    • 6.4 小结
  • 第七章 事件抽取
    • 7.1 任务概述
    • 7.2 限定域事件抽取
      • 7.2.1 基于模式匹配的事件抽取方法
        • 7.2.1.1 有监督的事件模式匹配
        • 7.2.1.2 弱监督的事件模式匹配
      • 7.2.2 基于机器学习的事件抽取方法
        • 7.2.2.1 有监督事件抽取方法
        • 7.2.2.2 弱监督事件抽取方法
    • 7.3 开放域事件抽取
      • 7.3.1 基于内容特征的事件抽取方法
      • 7.3.2 基于异常检测的事件抽取方法
    • 7.4 事件关系抽取
      • 7.4.1 事件共指关系抽取
      • 7.4.2 事件因果关系抽取
      • 7.4.3 子事件关系抽取
      • 7.4.4 事件时序关系抽取
    • 7.5 小结
  • 第八章 知识存储和检索
    • 8.1 知识图谱的存储
      • 8.1.1 基于表结构的存储
        • 8.1.1.1 三元组表
        • 8.1.1.2 类型表
        • 8.1.1.3 关系数据库
      • 8.1.2 基于图结构的存储
        • 8.1.2.1 基于图结构的存储模型
        • 8.1.2.2 常用图数据库介绍
    • 8.2 知识图谱的检索
      • 8.2.1 常见形式化查询语言
        • 8.2.1.1 SQL语言
        • 8.2.1.2 SPARQL语言
      • 8.2.2 图检索技术
        • 8.2.2.1 子图筛选
        • 8.2.2.2 子图同构判定
    • 8.3 小结
  • 第九章 知识推理
    • 9.1 知识图谱中的典型推理任务
      • 9.1.1 知识补全
      • 9.1.2 知识问答
    • 9.2 知识推理分类
      • 9.2.1 归纳推理和演绎推理
        • 9.2.1.1 归纳推理
        • 9.2.1.2 演绎推理
      • 9.2.2 确定性推理与不确定性推理
        • 9.2.2.1 确定性推理
        • 9.2.2.2 不确定性推理
    • 9.3 基于符号演算的推理
      • 9.3.1 归纳推理：学习推理规则
        • 9.3.1.1 频繁子图挖掘
        • 9.3.1.2 归纳逻辑编程
        • 9.3.1.3 结构学习方法
      • 9.3.2 演绎推理：推理具体事实
        • 9.3.2.1 确定性推理：λ演算
        • 9.3.2.2 不确定性推理：马尔科夫逻辑网和概率软逻辑
    • 9.4 基于数值计算的推理
      • 9.4.1 基于张量分解的方法
      • 9.4.2 基于能量函数的方法
    • 9.5 符号演算和数值计算的融合推理
    • 9.6 常识知识推理
    • 9.7 小结
  • 第十章 知识问答与对话
    • 10.1 自动问答概述
    • 10.2 知识问答
      • 10.2.1 知识问答技术概述
      • 10.2.2 基于语义解析的方法
        • 10.2.2.1 有监督方法
        • 10.2.2.2 无监督方法
      • 10.2.3 基于搜索排序的方法
        • 10.2.3.1 基于特征工程的方法
        • 10.2.3.2 基于表示学习的神经网络方法
      • 10.2.4 常用评测数据及各方法性能比较
    • 10.3 知识对话
      • 10.3.1 知识对话技术概述
      • 10.3.2 任务导向型对话模型
        • 10.3.2.1 自然语言理解
        • 10.3.2.2. 对话管理
        • 10.3.2.3 自然语言生成
      • 10.3.3 通用对话模型
        • 10.3.3.1 基于模板的方法
        • 10.3.3.2 端到端的方法
      • 10.3.4 评价方法
    • 10.4 小结
  • 参考文献

第一章 概述

1.1 什么是知识图谱

1.2 知识图谱发展历程

1.3 知识图谱类型

1.4 知识图谱生命周期

1.4.1 知识体系构建

1.4.2 知识获取

1.4.3 知识融合

1.4.4 知识存储

1.4.5 知识推理

1.4.6 知识应用

1.5 知识图谱与深度学习

1.6 小结

第二章 知识表示

2.1 经典知识表示理论

2.1.1 逻辑

2.1.2 语义网络

2.1.3 框架

2.1.4 脚本

2.2 语义网络中的知识表示方法

2.2.1 语义网表示方法

2.2.2 语义网知识描述体系

2.2.2.1 XML

2.2.2.2 RDF

2.2.2.3 OWL

2.3 知识图谱中的知识表示方法

2.3.1 表示框架

2.3.2 Freebase中的知识框架

2.4 知识图谱的数值化表示方法

2.4.1 符号的数值化表示

2.4.2 文本的数值化表示

2.4.3 知识图谱的数值化表示

2.4.3.1 基于张量分解的表示学习方法

2.4.3.2 基于能量函数的表示学习方法

2.5 小结

第三章 知识体系的构建和知识融合

3.1 知识体系构建

3.1.1 人工构建方法

3.1.2 自动构建方法

3.1.3 典型知识体系

3.2 知识融合

3.2.1 框架匹配

3.2.2 实体对齐

3.2.3 冲突检测与消解

3.2.4 典型知识融合系统

3.3 小结

第四章 实体识别和扩展

4.1 实体识别

4.1.1 任务概述

4.1.2 基于规则的实体识别方法

4.1.3 基于机器学习的实体识别–基于特征的方法

4.1.4 基于机器学习的实体识别–基于神经网络的方法

4.2 细粒度实体识别

4.2.1 任务概述

4.2.2 细粒度实体识别方法

4.3 实体扩展

4.3.1 任务概述

4.3.2 实体扩展方法

4.4 小结

第五章 实体消歧

5.1 任务概述

5.1.1 任务定义

5.1.2 任务分类

5.1.3 相关评测

5.2 基于聚类的实体消歧方法

5.2.1 基于表层特征的实体指称项相似度计算

5.2.2 基于扩展特征的实体指称项相似度计算

5.2.3 基于社会化网络的实体指称项相似度计算

5.3 基于实体链接的实体消歧方法

5.3.1 链接候选过滤方法

5.3.2 实体链接方法

5.4 面向结构化文本的实体消歧方法

5.5 小结

第六章 关系抽取

6.1 任务概述

6.1.1 任务定义

6.1.2 任务分类

6.1.3 任务难点

6.1.4 相关评测

6.2 限定域关系抽取

6.2.1 基于模板的关系抽取方法

6.2.2 基于机器学习的关系抽取方法

6.2.2.1 有监督的关系抽取方法

6.2.2.2 弱监督的关系抽取方法

6.3 开放域关系抽取

6.4 小结

第七章 事件抽取

7.1 任务概述

7.2 限定域事件抽取

7.2.1 基于模式匹配的事件抽取方法

7.2.1.1 有监督的事件模式匹配

7.2.1.2 弱监督的事件模式匹配

7.2.2 基于机器学习的事件抽取方法

7.2.2.1 有监督事件抽取方法

7.2.2.2 弱监督事件抽取方法

7.3 开放域事件抽取

7.3.1 基于内容特征的事件抽取方法

7.3.2 基于异常检测的事件抽取方法

7.4 事件关系抽取

7.4.1 事件共指关系抽取

7.4.2 事件因果关系抽取

7.4.3 子事件关系抽取

7.4.4 事件时序关系抽取

7.5 小结

第八章 知识存储和检索

8.1 知识图谱的存储

8.1.1 基于表结构的存储

8.1.1.1 三元组表

8.1.1.2 类型表

8.1.1.3 关系数据库

8.1.2 基于图结构的存储

8.1.2.1 基于图结构的存储模型

8.1.2.2 常用图数据库介绍

8.2 知识图谱的检索

8.2.1 常见形式化查询语言

8.2.1.1 SQL语言

8.2.1.2 SPARQL语言

8.2.2 图检索技术

8.2.2.1 子图筛选

8.2.2.2 子图同构判定

8.3 小结

第九章 知识推理

9.1 知识图谱中的典型推理任务

9.1.1 知识补全

9.1.2 知识问答

9.2 知识推理分类

9.2.1 归纳推理和演绎推理

9.2.1.1 归纳推理

9.2.1.2 演绎推理

9.2.2 确定性推理与不确定性推理

9.2.2.1 确定性推理

9.2.2.2 不确定性推理

9.3 基于符号演算的推理

9.3.1 归纳推理：学习推理规则

9.3.1.1 频繁子图挖掘

9.3.1.2 归纳逻辑编程

9.3.1.3 结构学习方法

9.3.2 演绎推理：推理具体事实

9.3.2.1 确定性推理：λ演算

9.3.2.2 不确定性推理：马尔科夫逻辑网和概率软逻辑

9.4 基于数值计算的推理

9.4.1 基于张量分解的方法

9.4.2 基于能量函数的方法

9.5 符号演算和数值计算的融合推理

9.6 常识知识推理

9.7 小结

第十章 知识问答与对话

10.1 自动问答概述

10.2 知识问答

10.2.1 知识问答技术概述

10.2.2 基于语义解析的方法

10.2.2.1 有监督方法

10.2.2.2 无监督方法

10.2.3 基于搜索排序的方法

10.2.3.1 基于特征工程的方法

10.2.3.2 基于表示学习的神经网络方法

10.2.4 常用评测数据及各方法性能比较

10.3 知识对话

10.3.1 知识对话技术概述

10.3.2 任务导向型对话模型

10.3.2.1 自然语言理解

10.3.2.2. 对话管理

10.3.2.3 自然语言生成

10.3.3 通用对话模型

10.3.3.1 基于模板的方法

10.3.3.2 端到端的方法

10.3.4 评价方法

10.4 小结

参考文献

《知识图谱》赵军 目录相关推荐

  1. 知识图谱赵军学习笔记（十）--知识问答与对话

    知识问答与对话 知识图谱最直接和最重要的任务是满足用户的精确信息需求,提供个性化知识服务. 目前的问答只能事实型问题,不能很好地处理复杂问题.例如:为什么天是蓝色的.关注回答事实型问题的相关技术. 自 ...

  2. 【知识图谱 赵军 学习笔记】第十章 知识问答与对话

    第十章 知识问答与对话 自动问答概述 知识问答 知识问答技术概述 基于语义解析的方法 有监督方法 语义组合模型 语义辞典构造 组合消歧模型 无监督方法 基于搜索排序的方法 基于特征工程的方法 问句特征 ...

  3. 知识图谱赵军学习笔记（一）--概论

    什么是知识图谱 知识的种类 陈述性知识(描述性知识) 描述客观事物的性状等静态信息 分为事物,概念,命题3个层次 事物是特定的事或物 概念是对一类事物本质特性的反映 命题是对事物之间关系的陈述 概括性 ...

  4. Elasticsearch核心知识图谱

    本文记录下Elasticsearch核心知识图谱. 文章目录 Elasticsearch核心知识图谱 Elasticsearch核心知识图谱 总图 原理 索引 搜索 聚合 运维 扩展

  5. SHU语义网与知识图谱

    SHU语义网与知识图谱 文章目录 SHU语义网与知识图谱 前言 课程笔记 第一讲:语义网概述 第二讲:RDF和RDFs RDF部分 RDFs及其形式语义 第三讲:本体论与OWL语言 本体论 OWL语言 ...

  6. 【推荐视频】中科院赵军：知识图谱关键技术及其在推荐系统中的应用

             导读:今天给大家分享中科院赵军老师在"AI未来说·青年学术论坛"第九期"个性化内容推荐"专场中所做的分享<知识图谱关键技术及其在推荐系统 ...

  7. 中科院赵军：知识图谱关键技术及其在推荐系统中的应用

    不到现场,照样看最干货的学术报告! 嗨,大家好.这里是学术报告专栏,读芯术小编不定期挑选并亲自跑会,为大家奉献科技领域最优秀的学术报告,为同学们记录报告干货,并想方设法搞到一手的PPT和现场视频--足 ...

  8. 《知识图谱》赵军 学习笔记

    知识图谱读书笔记 文章目录 知识图谱读书笔记 一. 概述 1.1 什么是知识图谱 1.2 知识图谱发展历程 1.3 知识图谱类型 1.4 知识图谱生命周期 知识体系构建 知识获取 知识融合 知识存储 ...

  9. 人工智能之知识图谱概述（一）

    文章目录 碎碎念 第一章 概念 一.知识图谱概念和分类 1.知识图谱的概念 2.知识图谱的分类 二.知识工程发展历程 三.知识图谱的知识图谱 第二章 技术人才篇 1.知识表示与建模 (1)知识表示模型 ...

最新文章

  1. Thinkphp5创建控制器
  2. C# 文本输入限制类型，datagridview单元格输入验证
  3. 百度语音识别demo：去掉离线识别功能
  4. 项目 cmdb(一)
  5. Linux 系统上出现^H
  6. csv逗号分隔符转换_机器学习Python实践——数据导入（CSV）
  7. Windows Server 2012虚拟桌面分辨率支持列表
  8. 安装blocksci mac出错_你的Mac与Big Sur兼容吗？
  9. Unity3D实战【一】Create Project 创建项目导入素材
  10. EI/scopus推荐-智能交通与智慧城市会议
  11. 衷心感谢各位给我投的票！
  12. 展望 2017年商业智能BI发展的趋势分析
  13. 第一次毕业设计任务书
  14. WPF编程--地图控件GMap使用
  15. 华为hcie认证-QOS 流量整形双速率的概念
  16. 搞清这几个答案在恋爱吧
  17. 静态数码管显示数字及字母
  18. 可变滤波效果器-Pulsar Modular P565 Filter Set v1.2.0 macOS-MORiA
  19. spring boot设置session超时时长（自定义spring boot session超时时长）
  20. 炒股技术——指数，K线形态，分时，消息，行业板块，打板

热门文章

  1. 一文搞定哈希(六种构建、四种冲突解决方法、查找算法总结)
  2. python field readonly_Python serializers.ReadOnlyField方法代码示例
  3. java 钉钉获取用户信息,JAVA maven项目如何使用钉钉SDK来获取token、用户
  4. just函数 python_在python里写Monad
  5. arthas 查看哪个方法调用最耗时_Arthas实战
  6. oracle ORA-12526: TNS: 监听程序: 所有适用例程都处于受限 无法使用sqlplus / as SYSDBA
  7. 数据集特征提取_基于PCA算法实现鸢尾花数据集的特征提取任务
  8. php微信撤回消息,78行Python代码实现现微信撤回消息功能
  9. java mcrypt encrypt_PHP mcrypt_encrypt加密，使用java解密
  10. mysql db compare_数据传输 | mysqldiff/mysqldbcompare 实现 DTLE 自动化测试