舉報
會員
知識圖譜導論
最新章節:
9.7 總結
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、大數據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、圖數據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絡的融合、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,適合高等院校的計算機專業師生閱讀,也可供計算機相關行業的管理者和研發人員參考。
目錄(65章)
倒序
- 封面
- 作者簡介
- 版權信息
- 內容簡介
- 推薦序 知識圖譜向何處去?
- 前言
- 第1章 知識圖譜概述
- 1.1 語言與知識
- 1.2 知識圖譜的起源
- 1.3 知識圖譜的價值
- 1.4 知識圖譜的技術內涵
- 1.5 建立知識圖譜的系統工程觀
- 第2章 知識圖譜的表示
- 2.1 什么是知識表示
- 2.2 人工智能歷史發展長河中的知識表示
- 2.3 知識圖譜的符號表示方法
- 2.4 知識圖譜的向量表示方法
- 2.5 總結
- 第3章 知識圖譜的存儲與查詢
- 3.1 基于關系數據庫的知識圖譜存儲
- 3.2 基于原生圖數據庫的知識圖譜存儲
- 3.3 原生圖數據庫實現原理淺析
- 3.4 總結
- 第4章 知識圖譜的獲取與構建
- 4.1 重新理解知識工程與知識獲取
- 4.2 實體識別
- 4.3 關系抽取
- 4.4 屬性補全
- 4.5 概念抽取
- 4.6 事件識別與抽取
- 4.7 知識抽取技術前沿
- 4.8 總結
- 第5章 知識圖譜推理
- 5.1 推理概述
- 5.2 知識圖譜推理簡介
- 5.3 基于符號邏輯的知識圖譜推理
- 5.4 基于表示學習的知識圖譜推理
- 5.5 總結
- 第6章 知識圖譜融合
- 6.1 知識圖譜融合概述
- 6.2 概念層融合——本體匹配
- 6.3 實例層的融合——實體對齊
- 6.4 知識融合技術前沿
- 6.5 總結
- 第7章 知識圖譜問答
- 7.1 智能問答概述
- 7.2 基于問句模板的知識圖譜問答
- 7.3 基于語義解析的知識圖譜問答
- 7.4 基于檢索排序的知識圖譜問答
- 7.5 基于深度學習的知識圖譜問答
- 7.6 總結
- 第8章 圖算法與圖數據分析
- 8.1 圖的基本知識
- 8.2 基礎圖算法
- 8.3 圖表示學習與圖神經網絡
- 8.4 知識圖譜與圖神經網絡
- 8.5 總結
- 第9章 知識圖譜技術發展
- 9.1 多模態知識圖譜
- 9.2 知識圖譜與語言預訓練
- 9.3 事理知識圖譜
- 9.4 知識圖譜與低資源學習
- 9.5 結構化知識預訓練
- 9.6 知識圖譜與區塊鏈
- 9.7 總結 更新時間:2021-06-10 20:09:57
推薦閱讀
- 知識圖譜從0到1:原理與Python實戰
- 智能制造系統中的建模與仿真:系統工程與仿真的融合
- 成為提問工程師
- 智能控制與強化學習:先進值迭代評判設計
- 風火少年戰AI:人工智能從編程到實踐
- 人工智能不會做什么:100億人類與100億機器人共存的未來
- 虛擬現實與增強現實技術
- 生活難題一鍵解:豆包實用全攻略
- C#神經網絡編程
- 人工智能視域下機器學習在教育研究中的應用
- 豆包:人人都能上手的AI工具
- RPA智能機器人:實施方法和行業解決方案
- 機器人SLAM導航:核心技術與實戰
- 深度學習與圖像識別:原理與實踐
- 智能化變革:人工智能技術進化與價值創造
- AI智能寫作:巧用AI大模型讓新媒體變現插上翅膀
- 人工智能:數據與模型安全
- 深度學習應用與實戰
- AI到來
- OpenCV深度學習應用與性能優化實踐
- 超有趣的GPT:AI公子逆襲記
- AI訓練師手冊:算法與模型訓練從入門到精通
- ABB工業機器人應用技術
- 人工智能在商業銀行的應用與實踐
- 為人文賦理(通用人工智能的中國藍圖系列)
- 智慧家庭終端開發教程
- 來,主動和chatGPT交朋友吧!
- 中小學AI通識課
- PyTorch 2.0深度學習從零開始學
- 自動駕駛算法與芯片設計
