更新时间：2024-01-25 17:33:23
封面
版权信息
作者简介
内容简介
其他
推荐语
序一
序二
前言
第1章 知识图谱概述
1.1 从李白的《静夜思》开始
1.2 什么是知识图谱
1.3 DIKW模型
1.4 从DIKW模型到知识图谱
1.5 知识图谱技术体系
1.5.1 知识图谱模式设计与管理
1.5.2 知识图谱构建技术
1.5.3 知识图谱存储技术
1.5.4 知识图谱应用技术
1.5.5 用户接口与界面
1.6 知识图谱辨析
1.6.1 知识图谱与自然语言处理
1.6.2 知识图谱与图数据库
1.6.3 知识图谱与语义网络
1.6.4 知识图谱与搜索引擎
1.6.5 知识图谱与深度学习
1.7 知识图谱是人工智能进步的阶梯
1.7.1 明鉴历史
1.7.2 预见未来
1.8 本章小结
第2章 知识图谱模式设计
2.1 知识图谱模式
2.2 模式与本体
2.2.1 本体
2.2.2 模式与本体辨析
2.3 本体概论
2.3.1 本体的构成要素
2.3.2 本体分类
2.3.3 资源描述框架RDF
2.3.4 网络本体语言OWL
2.3.5 知名本体介绍
2.4 模式设计的三大基本原则
2.4.1 赋予一类事物合适的名字
2.4.2 建立事物间清晰的联系
2.4.3 明确、正式的语义表达
2.5 六韬法
2.5.1 场景
2.5.2 复用
2.5.3 事物
2.5.4 联系
2.5.5 约束
2.5.6 评价
2.6 模式设计的工程模型
2.6.1 瀑布模型
2.6.2 螺旋模型
2.7 本章小结
第3章 实体抽取
3.1 实体、命名实体和实体抽取
3.2 基于规则的实体抽取
3.2.1 基于词典匹配的实体抽取方法
3.2.2 编写正则表达式抽取实体
3.2.3 基于模板的实体抽取方法
3.3 如何评价实体抽取的效果
3.4 传统机器学习方法
3.4.1 概率图模型
3.4.2 朴素贝叶斯模型
3.4.3 最大熵模型
3.4.4 隐马尔可夫模型
3.4.5 条件随机场
3.4.6 标记方法
3.4.7 用CRF++进行实体抽取
3.5 深度学习方法
3.5.1 基于深度学习的通用实体抽取框架
3.5.2 BiLSTM-CRF模型
3.5.3 预训练模型用于实体抽取
3.6 弱监督学习方法
3.7 本章小结
第4章 关系抽取
4.1 关系和关系抽取
4.2 基于规则的关系抽取方法
4.2.1 词法分析与依存句法分析
4.2.2 基于语法结构的关系抽取
4.3 基于深度学习的关系抽取方法
4.3.1 关系分类
4.3.2 基于BERT的关系分类
4.4 实体-关系联合抽取的方法
4.4.1 实体-关系联合抽取方法
4.4.2 基于片段预测的实体-关系联合抽取
4.5 弱监督学习与关系抽取
4.5.1 引导法
4.5.2 远程监督
4.5.3 弱监督学习与Snorkel
4.5.4 Snorkel用于关系抽取
4.6 本章小结
第5章 知识存储
5.1 数据与知识存储
5.1.1 数据存储模型
5.1.2 知识存储极简史
5.2 图数据库模型
5.2.1 属性图模型
