博客來
知識圖譜的發展歷史源遠流長，從經典人工智能的核心命題——知識工程，到互聯網時代的語義Web，再到當下很多領域構建的數千億級別的現代知識圖譜。知識圖譜兼具人工智能、大資料和互聯網的多重技術基因，是知識表示、表示學習、自然語言處理、圖資料庫和圖計算等多個領域技術的綜合集成。
本書全面覆蓋了知識圖譜的表示、存儲、獲取、推理、融合、問答和分析等七大方面，一百多個基礎知識點的內容，同時囊括多模態知識圖譜、知識圖譜與圖神經網路的融合、本體表示學習、事理知識圖譜，以及知識增強的語言預訓練模型等新熱點、新發展。作為一本導論性質的書，本書希望幫助初學者梳理知識圖譜的基本知識點和關鍵技術要素，也希望幫助技術決策者建立知識圖譜的整體視圖和系統工程觀，為前沿科研人員拓展創新視野和研究方向。
本書在技術廣度和深度上兼具極強的參考性，適合高等院校的電腦專業師生閱讀，也可供電腦相關行業的管理者和研發人員參考。
| FindBook |
有 1 項符合
知識圖譜導論的圖書 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：知識圖譜導論
內容簡介
作者介紹
陳華鈞
浙江大學電腦科學與技術學院教授。主要研究方向為知識圖譜、自然語言處理、大資料系統等。在WWW/IJCAI/AAAI/ACL/VLDB/ICDE, IEEE CIM, IEEE IS, TKDE, Briefings in Bioinformatics 等國際頂級會議和期刊上發表多篇論文。曾獲國際語義網會議ISWC最佳論文獎、教育部技術發明一等獎、國家科技進步二等獎、中國中文資訊學會錢偉長科技獎一等獎、阿里巴巴優秀學術合作獎、中國工信出版傳媒集團優秀出版物一等獎等獎勵。牽頭發起OpenKG，浙江大學阿裡巴巴知識引擎聯合實驗室主任、浙江省大資料智慧計算重點實驗室副主任、中國人工智慧學會知識工程專委會副主任、中國中文資訊學會語言與知識計算專委會副主任、全國知識圖譜大會CCKS2020 大會主席、國際語義技術聯合會議JIST2019大會主席、Elsevier Journal of Big Data Research Editor in Chief。
浙江大學電腦科學與技術學院教授。主要研究方向為知識圖譜、自然語言處理、大資料系統等。在WWW/IJCAI/AAAI/ACL/VLDB/ICDE, IEEE CIM, IEEE IS, TKDE, Briefings in Bioinformatics 等國際頂級會議和期刊上發表多篇論文。曾獲國際語義網會議ISWC最佳論文獎、教育部技術發明一等獎、國家科技進步二等獎、中國中文資訊學會錢偉長科技獎一等獎、阿里巴巴優秀學術合作獎、中國工信出版傳媒集團優秀出版物一等獎等獎勵。牽頭發起OpenKG，浙江大學阿裡巴巴知識引擎聯合實驗室主任、浙江省大資料智慧計算重點實驗室副主任、中國人工智慧學會知識工程專委會副主任、中國中文資訊學會語言與知識計算專委會副主任、全國知識圖譜大會CCKS2020 大會主席、國際語義技術聯合會議JIST2019大會主席、Elsevier Journal of Big Data Research Editor in Chief。
目錄
第1章 知識圖譜概述 1
1.1 語言與知識 2
1.2 知識圖譜的起源 7
1.3 知識圖譜的價值 12
1.4 知識圖譜的技術內涵 16
1.5 建立知識圖譜的系統工程觀 20
第2章 知識圖譜的表示 21
2.1 什麼是知識表示 22
2.2 人工智慧歷史發展長河中的知識表示 24
2.3 知識圖譜的符號表示方法 28
2.4 知識圖譜的向量表示方法 32
2.5 總結 38
第3章 知識圖譜的存儲與查詢 39
3.1 基於關係型數據庫的知識圖譜存儲 40
3.2 基於原生圖資料庫的知識圖譜存儲 44
3.3 原生圖資料庫實現原理淺析 52
3.4 總結 55
第4章 知識圖譜的獲取與構建 57
4.1 重新理解知識工程與知識獲取 58
4.2 實體識別 62
4.3 關係抽取 71
4.4 屬性補全 81
4.5 概念抽取 83
4.6 事件識別與抽取 87
4.7 知識抽取技術前沿 91
4.8 總結 95
第5章 知識圖譜推理 96
5.1 推理簡述 97
5.2 知識圖譜推理簡介 101
5.3 基於符號邏輯的知識圖譜推理 108
5.4 基於表示學習的知識圖譜推理 117
5.5 總結 144
第6章 知識圖譜融合 146
6.1 知識圖譜融合概述 147
6.2 概念層融合——本體匹配 150
6.3 實例層的融合——實體對齊 155
6.4 知識融合技術前沿 159
6.5 總結 162
第7章 知識圖譜問答 163
7.1 智能問答概述 164
7.2 基於問句範本的知識圖譜問答 172
7.3 基於語義解析的知識圖譜問答 178
7.4 基於檢索排序的知識圖譜問答 185
7.5 基於深度學習的知識圖譜問答 188
7.6 總結 195
第8章 圖演算法與圖資料分析 196
8.1 圖的基本知識 197
8.2 基礎圖演算法 204
8.3 圖表示學習與圖神經網路 211
8.4 知識圖譜與圖神經網路 224
8.5 總結 232
第9章 知識圖譜技術發展 233
9.1 多模態知識圖譜 234
9.2 知識圖譜與語言預訓練 248
9.3 事理知識圖譜 255
9.4 知識圖譜與低資源學習 261
9.5 結構化知識預訓練 276
9.6 知識圖譜與區塊鏈 293
1.1 語言與知識 2
1.2 知識圖譜的起源 7
1.3 知識圖譜的價值 12
1.4 知識圖譜的技術內涵 16
1.5 建立知識圖譜的系統工程觀 20
第2章 知識圖譜的表示 21
2.1 什麼是知識表示 22
2.2 人工智慧歷史發展長河中的知識表示 24
2.3 知識圖譜的符號表示方法 28
2.4 知識圖譜的向量表示方法 32
2.5 總結 38
第3章 知識圖譜的存儲與查詢 39
3.1 基於關係型數據庫的知識圖譜存儲 40
3.2 基於原生圖資料庫的知識圖譜存儲 44
3.3 原生圖資料庫實現原理淺析 52
3.4 總結 55
第4章 知識圖譜的獲取與構建 57
4.1 重新理解知識工程與知識獲取 58
4.2 實體識別 62
4.3 關係抽取 71
4.4 屬性補全 81
4.5 概念抽取 83
4.6 事件識別與抽取 87
4.7 知識抽取技術前沿 91
4.8 總結 95
第5章 知識圖譜推理 96
5.1 推理簡述 97
5.2 知識圖譜推理簡介 101
5.3 基於符號邏輯的知識圖譜推理 108
5.4 基於表示學習的知識圖譜推理 117
5.5 總結 144
第6章 知識圖譜融合 146
6.1 知識圖譜融合概述 147
6.2 概念層融合——本體匹配 150
6.3 實例層的融合——實體對齊 155
6.4 知識融合技術前沿 159
6.5 總結 162
第7章 知識圖譜問答 163
7.1 智能問答概述 164
7.2 基於問句範本的知識圖譜問答 172
7.3 基於語義解析的知識圖譜問答 178
7.4 基於檢索排序的知識圖譜問答 185
7.5 基於深度學習的知識圖譜問答 188
7.6 總結 195
第8章 圖演算法與圖資料分析 196
8.1 圖的基本知識 197
8.2 基礎圖演算法 204
8.3 圖表示學習與圖神經網路 211
8.4 知識圖譜與圖神經網路 224
8.5 總結 232
第9章 知識圖譜技術發展 233
9.1 多模態知識圖譜 234
9.2 知識圖譜與語言預訓練 248
9.3 事理知識圖譜 255
9.4 知識圖譜與低資源學習 261
9.5 結構化知識預訓練 276
9.6 知識圖譜與區塊鏈 293
|
