博客來
以ChatGPT和DeepSeek為代表的大模型，標誌著人工智能在理解和處理世界知識方面取得了顯著的進展。知識增強（Knowledge Augmentation）是指在大模型訓練或推理過程中，通過引入外部結構化知識或符號化知識，提升大模型在理解、推理與生成等任務中的準確性、可靠性、專業性和可解釋性。
本書聚焦於“大模型+知識庫（LLM+KB）”框架下的大模型知識增強機制與方法，特別是系統探討大模型與知識圖譜互補增強的核心技術與實現路徑。具體內容涵蓋：大模型知識增強概述、知識增強預訓練基礎、知識增強提示指令、知識輔助檢索增強、知識增強大模型查詢問答、知識增強推理、大模型幻覺抑制、知識編輯、知識增強多模態學習，以及知識智能體與世界模型等主題。各章由淺入深，先提供背景知識，再逐步深入介紹技術原理和最新學術進展，注重系統性、整體性與章節間的有機銜接。
針對實踐應用，本書部分章節挑選了來自企業真實案例與開源工具的示範，便於讀者動手實踐，實現理論與實踐的結合。
本書可作為計算機及相關專業的高年級本科生、研究生教材，也可作為從事大模型相關工作的技術管理者與研發人員的參考書。
| FindBook |
有 1 項符合
大模型知識增強：概念、方法與技術的圖書 |
 |
大模型知識增強：概念、方法與技術 作者：陳華鈞 出版社：電子工業出版社 出版日期：2025-05-01 語言：簡體中文 規格：平裝 / 307頁 / 19 x 26 x 1.54 cm / 普通級/ 1-1 |
| 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：大模型知識增強：概念、方法與技術
內容簡介
作者介紹
陳華鈞，浙江大學計算機科學與技術學院教授。浙江大學阿裡巴巴知識引擎聯合實驗室負責人、浙江省大數據智能計算重點實驗室副主任、中國人工智能學會知識工程與分佈智能專業委員會副主任委員、中國中文信息學會語言與知識計算專業委員會副主任委員、OpenKG發起人。曾獲國際語義網會議ISWC最佳論文獎。
目錄
第1章 大模型知識增強概述
1.1 大模型時代的通用人工智能
1.1.1 人類語言與世界知識
1.1.2 大模型是處理世界知識的通用人工智能系統
1.1.3 通用人工智能的特徵
1.2 大模型的知識力
1.2.1 什麼是知識
1.2.2 知識的表示形式
1.2.3 大模型中的世界知識
1.3 知識圖譜與語言模型
1.3.1 知識表示與知識規模
1.3.2 為什麼仍然需要符號知識圖譜
1.3.3 語言模型與知識圖譜都是表示和處理知識的手段
1.4 大模型知識增強
1.4.1 大模型知識增強的分類
1.4.2 大模型知識增強的典型方法及核心概念
1.5 本章小結
第2章 知識增強預訓練基礎
2.1 知識增強預訓練概述
2.2 預訓練語言模型
2.2.1 語言模型
2.2.2 詞向量與分布式語義表示
2.2.3 注意力機制：增強詞的交互關係
2.2.4 預訓練語言模型
2.2.5 ChatGPT
2.3 知識增強的預訓練
2.3.1 常見知識增強語料
2.3.2 知識增強詞向量
2.3.3 知識注入
2.3.4 結構增強
2.4 應用與實踐
2.4.1 知識增強電信預訓練模型
2.4.2 知識增強電商預訓練模型
2.4.3 知識增強蛋白質預訓練模型
2.5 本章小結
第3章 知識增強提示指令
3.1 知識增強提示指令概述
3.2 提示學習與指令精調
3.2.1 提示學習
3.2.2 指令精調
3.2.3 思維鏈
3.2.4 提示的本質
3.3 知識增強提示學習
3.3.1 傳統提示學習的局限性
3.3.2 知識增強提示模板
3.3.3 知識增強標簽詞集構建
3.3.4 面向圖數據的提示學習
3.4 結構增強思維鏈
3.4.1 傳統思維鏈的局限性
3.4.2 結構化思維鏈
3.4.3 知識圖譜思維鏈
3.5 結構增強指令精調
3.5.1 傳統指令精調的局限性
3.5.2 知識抽取指令
3.5.3 圖學習指令
3.5.4 知識圖譜指令
3.6 本章小結
第4章 知識輔助檢索增強
4.1 知識輔助檢索增強概述
4.2 檢索增強生成
4.2.1 什麼是檢索增強生成
4.2.2 RAG的典型架構
4.2.3 RAG的訓練機制
4.2.4 RAG的優化
4.2.5 RAG的局限性
4.3 知識圖譜與RAG
4.3.1 向量RAG與KG-RAG
4.3.2 知識圖譜對於RAG的價值
4.3.3 知識圖譜增強RAG的不同階段
4.4 KG-RAG的幾種典型架構
4.4.1 Tree-RAG：構建實體或主題概念樹增強RAG
4.4.2 KE-RAG：利用知識抽取增強RAG
4.4.3 利用外部知識圖譜增強的KG-RAG
4.4.4 融合思維鏈的多模態KG-RAG
4.5 本章小結
第5章 知識增強大模型查詢問答
5.1 知識增強大模型查詢問答概述
5.2 查詢問答背景知識
5.2.1 結構化知識表示
5.2.2 結構化知識查詢
5.2.3 查詢問答方法
5.3 大模型查詢問答能力分析
5.4 知識增強查詢問答方法
5.4.1 基於大模型微調的查詢問答
5.4.2 基於檢索生成的查詢問答
5.4.3 基於統一表示的查詢問答
5.5 本章小結
第6章 知識增強大模型推理
6.1 知識增強大模型推理概述
6.2 知識推理背景介紹
6.2.1 什麼是知識推理
6.2.2 語言模型推理
6.2.3 知識圖譜推理
6.2.4 知識增強大模型推理的目標
6.3 知識圖譜增強語言模型推理
6.3.1 知識圖譜引導多跳推理鏈
6.3.2 符號規則引導大模型推理
6.3.3 知識圖譜過程監督
6.4 語言模型增強知識圖譜推理
6.4.1 語言模型增強知識圖譜查詢推理
6.4.2 語言模型增強知識圖譜關係推理
6.4.3 語言模型增強知識圖譜規則推理
6.5 知識圖譜基礎模型
6.5.1 知識圖譜預訓練方法
6.5.2 知識圖譜基礎模型初探
6.6 本章小結
第7章 知識增強幻覺抑制
7.1 知識增強幻覺抑制概述
7.2 大模型幻覺背景
7.2.1 大模型幻覺問題定義
7.2.2 大模型幻覺成因
7.2.3 大模型幻覺檢測與抑制意義
7.2.4 知識增強與幻覺抑制
7.3 大模型幻覺檢測與抑制
7.3.1 幻覺問題檢測方法
7.3.2 知識增強幻覺抑制
7.4 本章小結
第8章 大模型知識編輯
8.1 大模型知識編輯概述
8.2 大模型知識編輯問題
8.2.1 什麼是大模型知識編輯
8.2.2 大模型知識分析方法
8.2.3 大模型知識存儲機制
8.3 模型知識編輯方法
8.3.1 基於外部幹預的知識編輯方法
8.3.2 基於內部更新的知識編輯方法
8.4 模型編輯影響分析
8.4.1 知識能力影響
8.4.2 通用能力影響
8.5 應用與實踐
8.5.1 EasyEdit開源知識編輯工具實踐
8.5.2 OneEdit知識編輯框架
8.5.3 大模型知識編輯應用
8.6 本章小結
第9章 知識增強多模態學習
9.1 知識增強多模態概述
9.1.1 人類認知系統
9.1.2 融合兩種記憶
……
1.1 大模型時代的通用人工智能
1.1.1 人類語言與世界知識
1.1.2 大模型是處理世界知識的通用人工智能系統
1.1.3 通用人工智能的特徵
1.2 大模型的知識力
1.2.1 什麼是知識
1.2.2 知識的表示形式
1.2.3 大模型中的世界知識
1.3 知識圖譜與語言模型
1.3.1 知識表示與知識規模
1.3.2 為什麼仍然需要符號知識圖譜
1.3.3 語言模型與知識圖譜都是表示和處理知識的手段
1.4 大模型知識增強
1.4.1 大模型知識增強的分類
1.4.2 大模型知識增強的典型方法及核心概念
1.5 本章小結
第2章 知識增強預訓練基礎
2.1 知識增強預訓練概述
2.2 預訓練語言模型
2.2.1 語言模型
2.2.2 詞向量與分布式語義表示
2.2.3 注意力機制：增強詞的交互關係
2.2.4 預訓練語言模型
2.2.5 ChatGPT
2.3 知識增強的預訓練
2.3.1 常見知識增強語料
2.3.2 知識增強詞向量
2.3.3 知識注入
2.3.4 結構增強
2.4 應用與實踐
2.4.1 知識增強電信預訓練模型
2.4.2 知識增強電商預訓練模型
2.4.3 知識增強蛋白質預訓練模型
2.5 本章小結
第3章 知識增強提示指令
3.1 知識增強提示指令概述
3.2 提示學習與指令精調
3.2.1 提示學習
3.2.2 指令精調
3.2.3 思維鏈
3.2.4 提示的本質
3.3 知識增強提示學習
3.3.1 傳統提示學習的局限性
3.3.2 知識增強提示模板
3.3.3 知識增強標簽詞集構建
3.3.4 面向圖數據的提示學習
3.4 結構增強思維鏈
3.4.1 傳統思維鏈的局限性
3.4.2 結構化思維鏈
3.4.3 知識圖譜思維鏈
3.5 結構增強指令精調
3.5.1 傳統指令精調的局限性
3.5.2 知識抽取指令
3.5.3 圖學習指令
3.5.4 知識圖譜指令
3.6 本章小結
第4章 知識輔助檢索增強
4.1 知識輔助檢索增強概述
4.2 檢索增強生成
4.2.1 什麼是檢索增強生成
4.2.2 RAG的典型架構
4.2.3 RAG的訓練機制
4.2.4 RAG的優化
4.2.5 RAG的局限性
4.3 知識圖譜與RAG
4.3.1 向量RAG與KG-RAG
4.3.2 知識圖譜對於RAG的價值
4.3.3 知識圖譜增強RAG的不同階段
4.4 KG-RAG的幾種典型架構
4.4.1 Tree-RAG：構建實體或主題概念樹增強RAG
4.4.2 KE-RAG：利用知識抽取增強RAG
4.4.3 利用外部知識圖譜增強的KG-RAG
4.4.4 融合思維鏈的多模態KG-RAG
4.5 本章小結
第5章 知識增強大模型查詢問答
5.1 知識增強大模型查詢問答概述
5.2 查詢問答背景知識
5.2.1 結構化知識表示
5.2.2 結構化知識查詢
5.2.3 查詢問答方法
5.3 大模型查詢問答能力分析
5.4 知識增強查詢問答方法
5.4.1 基於大模型微調的查詢問答
5.4.2 基於檢索生成的查詢問答
5.4.3 基於統一表示的查詢問答
5.5 本章小結
第6章 知識增強大模型推理
6.1 知識增強大模型推理概述
6.2 知識推理背景介紹
6.2.1 什麼是知識推理
6.2.2 語言模型推理
6.2.3 知識圖譜推理
6.2.4 知識增強大模型推理的目標
6.3 知識圖譜增強語言模型推理
6.3.1 知識圖譜引導多跳推理鏈
6.3.2 符號規則引導大模型推理
6.3.3 知識圖譜過程監督
6.4 語言模型增強知識圖譜推理
6.4.1 語言模型增強知識圖譜查詢推理
6.4.2 語言模型增強知識圖譜關係推理
6.4.3 語言模型增強知識圖譜規則推理
6.5 知識圖譜基礎模型
6.5.1 知識圖譜預訓練方法
6.5.2 知識圖譜基礎模型初探
6.6 本章小結
第7章 知識增強幻覺抑制
7.1 知識增強幻覺抑制概述
7.2 大模型幻覺背景
7.2.1 大模型幻覺問題定義
7.2.2 大模型幻覺成因
7.2.3 大模型幻覺檢測與抑制意義
7.2.4 知識增強與幻覺抑制
7.3 大模型幻覺檢測與抑制
7.3.1 幻覺問題檢測方法
7.3.2 知識增強幻覺抑制
7.4 本章小結
第8章 大模型知識編輯
8.1 大模型知識編輯概述
8.2 大模型知識編輯問題
8.2.1 什麼是大模型知識編輯
8.2.2 大模型知識分析方法
8.2.3 大模型知識存儲機制
8.3 模型知識編輯方法
8.3.1 基於外部幹預的知識編輯方法
8.3.2 基於內部更新的知識編輯方法
8.4 模型編輯影響分析
8.4.1 知識能力影響
8.4.2 通用能力影響
8.5 應用與實踐
8.5.1 EasyEdit開源知識編輯工具實踐
8.5.2 OneEdit知識編輯框架
8.5.3 大模型知識編輯應用
8.6 本章小結
第9章 知識增強多模態學習
9.1 知識增強多模態概述
9.1.1 人類認知系統
9.1.2 融合兩種記憶
……
|
