知识图谱的发展历史源远流长，从经典人工智能的核心命题——知识工程，到互联网时代的语义Web，再到当下很多领域构建的数千亿级别的现代知识图谱。知识图谱兼具人工智能、大数据和互联网的多重技术基因，是知识表示、表示学习、自然语言处理、图数据库和图计算等多个领域技术的综合集成。本书全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答和分析等七大方面，100多个基础知识点的内容，同时囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱，以及知识增强的语言预训练模型等新热点、新发展。作为一本导论性质的书，本书希望帮助初学者梳理知识图谱的基本知识点和关键技术要素，也希望帮助技术决策者建立知识图谱的整体视图和系统工程观，为前沿科研人员拓展创新视野和研究方向。本书在技术广度和深度上兼具极强的参考性，适合高等院校的计算机专业师生阅读，也可供计算机相关行业的管理者和研发人员参考。
陈华钧，浙江大学计算机科学与技术学院教授。主要研究方向为知识图谱、自然语言处理、大数据系统等。在WWW/IJCAI/AAAI/ACL/VLDB/ICDE, IEEE CIM, IEEE IS, TKDE, Briefings in Bioinformatics 等国际顶级会议或期刊上发表多篇论文。作为负责人主持2项国家自然科学基金重点类项目，以及国家重点研发计划课题、国家重大科技专项项目及企业合作项目等二十余项。曾获国际语义网会议ISWC最佳论文奖（一作）、教育部技术发明一等奖、国家科技进步二等奖、中国中文信息学会钱伟长科技奖一等奖、阿里巴巴优秀学术合作奖、博文视点图书奖等奖励。担任浙江大学阿里巴巴知识引擎联合实验室主任、浙江省大数据智能计算重点实验室副主任、中国人工智能学会知识工程专委会副主任、中国中文信息学会语言与知识计算专委会副主任、全国知识图谱大会CCKS2020 大会主席、国际语义技术联合会议JIST2019大会主席、Elsevier Big Data Research Journal Editor in Chief。
目录
第1章 知识图谱概述 1
1.1 语言与知识 2
1.1.1 构建有学识的人工智能 2
1.1.2 知识的承载与表示方式 3
1.1.3 知识图谱是一种世界模型 5
1.2 知识图谱的起源 7
1.2.1 知识图谱的互联网基因 7
1.2.2 数据的互联网—Semantic Web 9
1.2.3 Things, Not Strings 10
1.2.4 典型的知识图谱项目 10
1.2.5 知识图谱的概念演进 11
1.3 知识图谱的价值 12
1.3.1 知识图谱支持语义搜索 12
1.3.2 知识图谱支持智能问答 12
1.3.3 知识图谱支持下的推荐系统 13
1.3.4 知识图谱辅助语言语义理解 13
1.3.5 知识图谱扩展视觉理解的深度和广度 14
1.3.6 知识图谱辅助IoT设备互联 14
1.3.7 知识图谱支持下的大数据分析 15
1.4 知识图谱的技术内涵 16
1.4.1 知识图谱是交叉技术领域 16
1.4.2 知识图谱的两个核心技术维度 17
1.4.3 知识图谱的技术栈 17
1.5 建立知识图谱的系统工程观 20
第2章 知识图谱的表示 21
2.1 什么是知识表示 22
2.1.1 知识表示的五个用途 22
2.1.2 符号表示与向量表示 23
2.2 人工智能历史发展长河中的知识表示 24
2.2.1 描述逻辑 25
2.2.2 霍恩规则逻辑 25
2.2.3 产生式系统 26
2.2.4 框架系统 26
2.2.5 语义网络 27
2.3 知识图谱的符号表示方法 28
2.3.1 基于图的知识表示方法 28
2.3.2 属性图 29
2.3.3 RDF图模型 30
2.3.4 OWL Web本体语言 31
2.4 知识图谱的向量表示方法 32
2.4.1 从词向量讲起 33
2.4.2 从词向量到实体向量 35
2.4.3 知识图谱向量表示学习模型 35
2.4.4 知识图谱向量表示的局限性 37
2.5 总结 38
第3章 知识图谱的存储与查询 39
3.1 基于关系型数据库的知识图谱存储 40
3.1.1 图数据存储的特点 40
3.1.2 基于三元组表的图谱存储 41
3.1.3 基于属性表的图谱存储 41
3.1.4 基于垂直划分表的知识图谱存储 42
3.1.5 基于全索引结构的知识图谱存储 43
3.2 基于原生图数据库的知识图谱存储 44
3.2.1 关系数据库的局限性 44
3.2.2 原生图数据库的优点 47
3.2.3 原生图数据库使用举例 49
3.2.4 什么时候使用原生图数据库 50
3.3 原生图数据库实现原理浅析 52
3.3.1 免索引邻接 52
3.3.2 原生图数据库的物理存储设计 52
3.3.3 节点和关系边的存储处理 53
3.3.4 图遍历查询的物理实现 54
3.3.5 属性数据的物理存储处理 54
3.3.6 属性图与RDF图存储的比较 55
3.4 总结 55
第4章 知识图谱的获取与构建 57
4.1 重新理解知识工程与知识获取 58
4.1.1 知识工程发展历史简介 58
4.1.2 知识获取的瓶颈问题 59
4.1.3 知识图谱工程 60
4.1.4 知识图谱与传统知识工程的差异 61
4.2 实体识别 62
4.2.1 实体识别任务简介 62
4.2.2 基于HMM的实体识别 63
4.2.3 基于CRF的实体识别 69
4.2.4 基于深度学习的实体识别 70
4.3 关系抽取 71
4.3.1 关系抽取任务定义 71
4.3.2 基于模板的关系抽取 72
4.3.3 基于特征工程的关系抽取 73
4.3.4 基于核函数的关系抽取 74
4.3.5 基于深度学习模型的关系抽取 75
4.3.6 实体关系联合抽取 78
4.3.7 基于远程监督的关系抽取 79
4.3.8 基于Bootstrapping的半监督关系抽取 80
4.4 属性补全 81
4.5 概念抽取 83
4.5.1 概念图谱简介 83
4.5.2 概念抽取的方法 84
4.5.3 概念图谱的应用场景 86
4.6 事件识别与抽取 87
4.6.1 事件抽取概述 87
4.6.2 事件抽取的方法 88
4.7 知识抽取技术前沿 91
4.7.1 知识抽取发展趋势 91
4.7.2 少样本知识抽取 91
4.7.3 零样本知识抽取 93
4.7.4 终生知识抽取 94
4.8 总结 95
第5章 知识图谱推理 96
5.1 推理简述 97
5.1.1 什么是推理 97
5.1.2 机器推理举例 99
5.2 知识图谱推理简介 101
5.2.1 知识图谱上的推理实现 101
5.2.2 基于本体公理的知识图谱推理 103
5.2.3 基于图结构与规则学习的知识图谱推理 104
5.2.4 基于表示学习的知识图谱推理 105
5.2.5 基于图神经网络的知识图谱推理 106
5.2.6 符号推理与表示学习的融合 107
5.3 基于符号逻辑的知识图谱推理 108
5.3.1 基于本体的推理 108
5.3.2 基于Datalog的知识图谱推理 113
5.3.3 基于产生式规则的推理 114
5.3.4 符号知识图谱推理总结 117
5.4 基于表示学习的知识图谱推理 117
5.4.1 利用机器学习实现知识图谱归纳推理 117
5.4.2 基于嵌入学习的知识图谱推理 118
5.4.3 基于规则学习的知识图谱推理 127
5.4.4 本体嵌入 136
5.5 知识图谱推理总结 144
第6章 知识图谱融合 146
6.1 知识图谱融合概述 147
6.1.1 知识异构性 147
6.1.2 知识异构的原因分析 147
6.1.3 不同层次的知识图谱融合 148
6.2 概念层融合——本体匹配 150
6.2.1 基于术语匹配的本体层融合 151
6.2.2 基于结构特征的本体层融合 153
6.2.3 基于知识分块的大规模本体匹配 154
6.3 实例层的融合——实体对齐 155
6.3.1 实体对齐方法概述 155
6.3.2 基于表示学习的实体对齐 156
6.3.3 实体融合工具简介 158
6.4 知识融合技术前沿 159
6.5 总结 162
第7章 知识图谱问答 163
7.1 智能问答概述 164
7.1.1 智能问答系统的发展历史 164
7.1.2 智能问答系统的分类 166
7.1.3 实现知识图谱问答的主要技术方法 169
7.1.4 知识图谱问答的主要评测数据集 170
7.2 基于问句模板的知识图谱问答 172
7.2.1 模板问答概述 172
7.2.2 模板问答实现举例 173
7.2.3 模板的自动化生成 175
7.3 基于语义解析的知识图谱问答 178
7.3.1 语义解析问答概述 178
7.3.2 逻辑表达语言 179
7.3.3 语义解析举例 181
7.3.4 桥接与短语重写 183
7.3.5 语义解析总结 184
7.4 基于检索排序的知识图谱问答 185
7.4.1 检索排序知识图谱问答概述 185
7.4.2 实体链接技术 186
7.4.3 检索排序模型 188
7.5 基于深度学习的知识图谱问答 188
7.5.1 深度学习在知识图谱问答中的两种用法 188
7.5.2 利用深度学习增强语义解析 189
7.5.3 基于端到端神经网络模型的知识图谱问答 192
7.6 知识图谱问答总结 195
第8章 图算法与图数据分析 196
8.1 图的基本知识 197
8.1.1 图与网络科学 197
8.1.2 图的基本概念 198
8.1.3 图的基本模型 201
8.2 基础图算法 204
8.2.1 图算法概述 204
8.2.2 路径与图搜索算法 205
8.2.3 中心度算法 207
8.2.4 社区发现算法 209
8.3 图表示学习与图神经网络 211
8.3.1 图表示学习概述 211
8.3.2 随机游走序列模型 213
8.3.3 图神经网络模型 216
8.4 知识图谱与图神经网络 224
8.4.1 在知识图谱表示学习与推理中的应用 224
8.4.2 在知识图谱构建中的应用 227
8.4.3 知识图谱+图神经网络 229
8.5 总结 232
第9章 知识图谱技术发展 233
9.1 多模态知识图谱 234
9.1.1 多模态简介 234
9.1.2 多模态的价值与作用 237
9.1.3 多模态知识图谱举例 239
9.1.4 多模态知识图谱研究 242
9.1.5 多模态知识图谱总结 247
9.2 知识图谱与语言预训练 248
9.2.1 知识图谱与语言预训练 248
9.2.2 语言预训练简介 248
9.2.3 知识图谱增强的语言预训练模型举例 250
9.2.4 知识驱动的语言预训练总结 255
9.3 事理知识图谱 255
9.3.1 事理知识图谱的定义 256
9.3.2 事理图谱与知识图谱 257
9.3.3 事理逻辑关系 258
9.3.4 事理图谱的应用 260
9.3.5 事理图谱总结 261
9.4 知识图谱与低资源学习 261
9.4.1 知识图谱与低资源学习 261
9.4.2 低资源条件下的知识图谱构建 263
9.4.3 基于知识图谱的低资源学习 271
9.4.4 知识图谱与低资源学习总结 276
9.5 结构化知识预训练 276
9.5.1 结构化知识预训练概述 276
9.5.2 知识图谱结构化上下文 277
9.5.3 知识图谱静态预训练模型 278
9.5.4 知识图谱动态预训练模型 283
9.5.5 应用实践及实验结果 289
9.5.6 结构化知识预训练总结 293
9.6 知识图谱与区块链 293
9.6.1 知识图谱的价值联邦 293
9.6.2 联邦知识图谱 297
9.6.3 知识图谱与区块链 297
9.6.4 开放知识图谱与区块链 299
9.6.5 知识图谱与区块链总结 300
书单推荐
