相關商品
商品簡介
作者簡介
名人/編輯推薦
目次
商品簡介
知識圖譜是較為典型的多學科交叉領域，涉及知識工程、自然語言處理、機器學習、圖數據庫等多個領域。《知識圖譜：方法、實踐與應用》系統地介紹知識圖譜涉及的關鍵技術，如知識建模、關係抽取、圖存儲、自動推理、圖譜表示學習、語義搜索、知識問答、圖挖掘分析等。此外，本書還嘗試將學術前沿和實戰結合，讓讀者在掌握實際應用能力的同時對前沿技術發展有所瞭解。
《知識圖譜：方法、實踐與應用》既適合計算機和人工智能相關的研究人員閱讀，又適合在企業一線從事技術和應用開發的人員學習，還可作為高等院校計算機或人工智能專業師生的參考教材。
《知識圖譜：方法、實踐與應用》既適合計算機和人工智能相關的研究人員閱讀，又適合在企業一線從事技術和應用開發的人員學習，還可作為高等院校計算機或人工智能專業師生的參考教材。
作者簡介
王昊奮，上海交通大學計算機博士。中文知識圖譜zhishi.me創始人、OpenKG發起人之一、CCF理事、CCF術語審定工委主任、CCF TF執委、中文信息學會語言與知識計算專委會副秘書長、上海交通大學校友會AI分會秘書長。在知識圖譜、問答系統和聊天機器人等諸多領域有豐富的研發經驗。
漆桂林，東南大學計算機學院教授、東南大學認知智能研究所所長、南京柯基數據科技有限公司首席科學家、OpenKG發起人之一、中國中文信息學會語言與知識計算專業委員會副主任、中國科學技術情報學會知識組織專業委員會副主任、愛思唯爾（Elsevier）數據管理顧問委員會顧問、國際期刊 Journal of Data Intelligence 執行主編。科研成果在電力故障智能檢測和知識推送、醫藥知識問答及網絡安全態勢感知系統等領域得到了實際應用。
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佳論文獎。
漆桂林，東南大學計算機學院教授、東南大學認知智能研究所所長、南京柯基數據科技有限公司首席科學家、OpenKG發起人之一、中國中文信息學會語言與知識計算專業委員會副主任、中國科學技術情報學會知識組織專業委員會副主任、愛思唯爾（Elsevier）數據管理顧問委員會顧問、國際期刊 Journal of Data Intelligence 執行主編。科研成果在電力故障智能檢測和知識推送、醫藥知識問答及網絡安全態勢感知系統等領域得到了實際應用。
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佳論文獎。
名人/編輯推薦
知識圖譜方法。系統闡述知識圖譜的發展歷史與基本概念，梳理知識圖譜全生命週期技術，建立方法論思維。
知識圖譜實踐。囊括知識表示與建模、知識存儲、知識抽取與挖掘、知識融合、知識推理、語義搜索、知識問答等，系統性介紹知識圖譜技術。各章節提供典型開源工具實踐案例，提供相關工具、實驗數據及完整的操作說明。
知識圖譜應用。結合電商、圖情、生活娛樂、企業商業、創投、中醫臨床、金融等實際應用場景，詳細介紹領域知識圖譜的構建方法。
這是一本系統性介紹知識圖譜發展歷史、技術體系與應用實踐的書籍，無論是對於研究學者還是相關企業的工程師，都是一本不錯的參考書。本質而言，知識圖譜旨在從數據中識別、發現和推斷事物之間的複雜關係，是事物關係的可計算模型。知識圖譜代表萬維網發展的一種理想，也是人工智能與互聯網深度融合的產物。書中的內容基本上涵蓋了目前知識圖譜的各方面研究和工程進展，非常適合從事這個領域工作的年輕人閱讀。
周明
國際計算語言學學會（ACL）會長，微軟亞洲研究院副院長
人類已進入人工智能時代。所謂“智”指的是智慧，表現為知識；“能”指的是解決問題的能力，主要表現為基於知識的推理能力和運用知識解決問題的能力。因此，知識是智能的基礎和核心，知識的建模、表示、獲取、融合、推理、賦能等是人工智能及其相關應用的核心科學問題，知識圖譜是其有效的技術實現手段。三位青年學者在知識圖譜領域耕耘多年，無論是在科學研究，還是在技術開發和產業落地方面，都做了大量的工作，有著豐富的實戰經驗和心得體會。在本書中，三位青年學者將知識圖譜涉及的各個技術方面做了詳細的總結、介紹和展望，涵蓋了知識圖譜全生命週期中的各個環節和各項細節。
在人工智能時代，這是一本非常實用的有關知識圖譜的技術參考書，也可作為高年級本科生和研究生的教科書。
張民
蘇州大學特聘教授，國家傑出青年基金獲得者，人類語言技術研究所所長
知識圖譜有很多落地場景，包括語義搜索、個性化推薦、內容理解、個人助理、智能問答，並在諸如金融、醫療、客服、教育和政務等垂直領域都有工業級應用。從工業界的角度來看，我們更關注知識圖譜技術在落地的時候能否滿足用戶需求，是否有比較良好的用戶體驗。本書的內容不僅有理論和算法，還包括了很多技術落地方面的實踐和應用案例，可以幫助工程師在進行技術選型、嘗試技術實現過程中少走彎路，快速上手。此外，本書的主要作者都是OpenKG的發起人和核心參與人員，具有豐富的理論知識和一線實踐經驗。同時，開放域知識圖譜的構建對於推動各個領域的圖譜應用都具有重要意義。因此，我非常高興能將這本書以及OpenKG介紹給更多來自工業界的朋友們。
崔寶秋
小米集團副總裁，集團技術委員會主席
知識圖譜實踐。囊括知識表示與建模、知識存儲、知識抽取與挖掘、知識融合、知識推理、語義搜索、知識問答等，系統性介紹知識圖譜技術。各章節提供典型開源工具實踐案例，提供相關工具、實驗數據及完整的操作說明。
知識圖譜應用。結合電商、圖情、生活娛樂、企業商業、創投、中醫臨床、金融等實際應用場景，詳細介紹領域知識圖譜的構建方法。
這是一本系統性介紹知識圖譜發展歷史、技術體系與應用實踐的書籍，無論是對於研究學者還是相關企業的工程師，都是一本不錯的參考書。本質而言，知識圖譜旨在從數據中識別、發現和推斷事物之間的複雜關係，是事物關係的可計算模型。知識圖譜代表萬維網發展的一種理想，也是人工智能與互聯網深度融合的產物。書中的內容基本上涵蓋了目前知識圖譜的各方面研究和工程進展，非常適合從事這個領域工作的年輕人閱讀。
周明
國際計算語言學學會（ACL）會長，微軟亞洲研究院副院長
人類已進入人工智能時代。所謂“智”指的是智慧，表現為知識；“能”指的是解決問題的能力，主要表現為基於知識的推理能力和運用知識解決問題的能力。因此，知識是智能的基礎和核心，知識的建模、表示、獲取、融合、推理、賦能等是人工智能及其相關應用的核心科學問題，知識圖譜是其有效的技術實現手段。三位青年學者在知識圖譜領域耕耘多年，無論是在科學研究，還是在技術開發和產業落地方面，都做了大量的工作，有著豐富的實戰經驗和心得體會。在本書中，三位青年學者將知識圖譜涉及的各個技術方面做了詳細的總結、介紹和展望，涵蓋了知識圖譜全生命週期中的各個環節和各項細節。
在人工智能時代，這是一本非常實用的有關知識圖譜的技術參考書，也可作為高年級本科生和研究生的教科書。
張民
蘇州大學特聘教授，國家傑出青年基金獲得者，人類語言技術研究所所長
知識圖譜有很多落地場景，包括語義搜索、個性化推薦、內容理解、個人助理、智能問答，並在諸如金融、醫療、客服、教育和政務等垂直領域都有工業級應用。從工業界的角度來看，我們更關注知識圖譜技術在落地的時候能否滿足用戶需求，是否有比較良好的用戶體驗。本書的內容不僅有理論和算法，還包括了很多技術落地方面的實踐和應用案例，可以幫助工程師在進行技術選型、嘗試技術實現過程中少走彎路，快速上手。此外，本書的主要作者都是OpenKG的發起人和核心參與人員，具有豐富的理論知識和一線實踐經驗。同時，開放域知識圖譜的構建對於推動各個領域的圖譜應用都具有重要意義。因此，我非常高興能將這本書以及OpenKG介紹給更多來自工業界的朋友們。
崔寶秋
小米集團副總裁，集團技術委員會主席
目次
第1章 知識圖譜概述 1
1.1 什麼是知識圖譜 1
1.2 知識圖譜的發展歷史 2
1.3 知識圖譜的價值 5
1.4 國內外典型的知識圖譜項目 9
1.4.1 早期的知識庫項目 9
1.4.2 互聯網時代的知識圖譜 9
1.4.3 中文開放知識圖譜 12
1.4.4 垂直領域知識圖譜 13
1.5 知識圖譜的技術流程 15
1.6 知識圖譜的相關技術 19
1.6.1 知識圖譜與數據庫系統 19
1.6.2 知識圖譜與智能問答 23
1.6.3 知識圖譜與機器推理 25
1.6.4 知識圖譜與推薦系統 28
1.6.5 區塊鏈與去中心化的知識圖譜 29
1.7 本章小結 30
參考文獻 31
第2章 知識圖譜表示與建模 40
2.1 什麼是知識表示 40
2.2 人工智能早期的知識表示方法 43
2.2.1 一階謂詞邏輯 43
2.2.2 霍恩子句和霍恩邏輯 43
2.2.3 語義網絡 44
2.2.4 框架 45
2.2.5 描述邏輯 47
2.3 互聯網時代的語義網知識表示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知識圖譜查詢語言的表示 59
2.3.4 語義Markup表示語言 62
2.4 常見開放域知識圖譜的知識表示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知識圖譜的向量表示方法 68
2.5.1 知識圖譜表示的挑戰 68
2.5.2 詞的向量表示方法 68
2.5.3 知識圖譜嵌入的概念 71
2.5.4 知識圖譜嵌入的優點 72
2.5.5 知識圖譜嵌入的主要方法 72
2.5.6 知識圖譜嵌入的應用 75
2.6 開源工具實踐：基於Protégé的本體知識建模 77
2.6.1 簡介 77
2.6.2 環境準備 78
2.6.3 Protégé實踐主要功能演示 78
2.7 本章小結 80
參考文獻 80
第3章 知識存儲 82
3.1 知識圖譜數據庫基本知識 82
3.1.1 知識圖譜數據模型 82
3.1.2 知識圖譜查詢語言 85
3.2 常見知識圖譜存儲方法 91
3.2.1 基於關系數據庫的存儲方案 91
3.2.2 面向RDF的三元組數據庫 101
3.2.3 原生圖數據庫 115
3.2.4 知識圖譜數據庫比較 120
3.3 知識存儲關鍵技術 121
3.3.1 知識圖譜數據庫的存儲：以Neo4j為例 121
3.3.2 知識圖譜數據庫的索引 124
3.4 開源工具實踐 126
3.4.1 三元組數據庫Apache Jena 126
3.4.2 面向RDF的三元組數據庫gStore 128
參考文獻 131
第4章 知識抽取與知識挖掘 133
4.1 知識抽取任務及相關競賽 133
4.1.1 知識抽取任務定義 133
4.1.2 知識抽取相關競賽 134
4.2 面向非結構化數據的知識抽取 136
4.2.1 實體抽取 137
4.2.2 關係抽取 142
4.2.3 事件抽取 150
4.3 面向結構化數據的知識抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相關工具 159
4.4 面向半結構化數據的知識抽取 161
4.4.1 面向百科類數據的知識抽取 161
4.4.2 面向Web網頁的知識抽取 165
4.5 知識挖掘 168
4.5.1 知識內容挖掘：實體鏈接 168
4.5.2 知識結構挖掘：規則挖掘 174
4.6 開源工具實踐：基於DeepDive的關係抽取實踐 178
4.6.1 開源工具的技術架構 178
4.6.2 其他類似工具 180
參考文獻 180
第5章 知識圖譜融合 184
5.1 什麼是知識圖譜融合 184
5.2 知識圖譜中的異構問題 185
5.2.1 語言層不匹配 186
5.2.2 模型層不匹配 187
5.3 本體概念層的融合方法與技術 190
5.3.1 本體映射與本體集成 190
5.3.2 本體映射分類 192
5.3.3 本體映射方法和工具 195
5.3.4 本體映射管理 232
5.3.5 本體映射應用 235
5.4 實例層的融合與匹配 236
5.4.1 知識圖譜中的實例匹配問題分析 236
5.4.2 基於快速相似度計算的實例匹配方法 240
5.4.3 基於規則的實例匹配方法 241
5.4.4 基於分治的實例匹配方法 244
5.4.5 基於學習的實例匹配方法 260
5.4.6 實例匹配中的分布式並行處理 266
5.5 開源工具實踐：實體關係發現框架LIMES 266
5.5.1 簡介 266
5.5.2 開源工具的技術架構 267
5.5.3 其他類似工具 269
5.6 本章小結 269
參考文獻 269
第6章 知識圖譜推理 279
6.1 推理概述 279
6.1.1 什麼是推理 279
6.1.2 面向知識圖譜的推理 282
6.2 基於演繹的知識圖譜推理 283
6.2.1 本體推理 283
6.2.2 基於邏輯編程的推理方法 288
6.2.3 基於查詢重寫的方法 295
6.2.4 基於產生式規則的方法 301
6.3 基於歸納的知識圖譜推理 306
6.3.1 基於圖結構的推理 306
6.3.2 基於規則學習的推理 313
6.3.3 基於表示學習的推理 318
6.4 知識圖譜推理新進展 324
6.4.1 時序預測推理 324
6.4.2 基於強化學習的知識圖譜推理 325
6.4.3 基於元學習的少樣本知識圖譜推理 326
6.4.4 圖神經網絡與知識圖譜推理 326
6.5 開源工具實踐：基於Jena和Drools的知識推理實踐 327
6.5.1 開源工具簡介 327
6.5.2 開源工具的技術架構 327
6.5.3 開發軟件版本及其下載地址 328
6.5.4 基於Jena的知識推理實踐 328
6.5.5 基於Drools的知識推理實踐 329
6.6 本章小結 329
參考文獻 330
第7章 語義搜索 334
7.1 語義搜索簡介 334
7.2 結構化的查詢語言 336
7.2.1 數據查詢 338
7.2.2 數據插入 341
7.2.3 數據刪除 341
7.3 語義數據搜索 342
7.4 語義搜索的交互範式 348
7.4.1 基於關鍵詞的知識圖譜語義搜索方法 348
7.4.2 基於分面的知識圖譜語義搜索 350
7.4.3 基於表示學習的知識圖譜語義搜索 352
7.5 開源工具實踐 355
7.5.1 功能介紹 355
7.5.2 環境搭建及數據準備 357
7.5.3 數據準備 357
7.5.4 導入Elasticsearch 360
7.5.5 功能實現 361
7.5.6 執行查詢 363
參考文獻 364
第8章 知識問答 366
8.1 知識問答概述 366
8.1.1 知識問答的基本要素 366
8.1.2 知識問答的相關工作 367
8.1.3 知識問答應用場景 369
8.2 知識問答的分類體系 371
8.2.1 問題類型與答案類型 371
8.2.2 知識庫類型 374
8.2.3 智能體類型 375
8.3 知識問答系統 376
8.3.1 NLIDB：早期的問答系統 376
8.3.2 IRQA：基於信息檢索的問答系統 380
8.3.3 KBQA：基於知識庫的問答系統 380
8.3.4 CommunityQA/FAQ-QA：基於問答對匹配的問答系統 381
8.3.5 Hybrid QA Framework 混合問答系統框架 382
8.4 知識問答的評價方法 386
8.4.1 問答系統的評價指標 386
8.4.2 問答系統的評價數據集 387
8.5 KBQA前沿技術 392
8.5.1 KBQA面臨的挑戰 392
8.5.2 基於模板的方法 394
8.5.3 基於語義解析的方法 398
8.5.4 基於深度學習的傳統問答模塊優化 401
8.5.5 基於深度學習的端到端問答模型 405
8.6 開源工具實踐 406
8.6.1 使用Elasticsearch搭建簡單知識問答系統 406
8.6.2 基於gAnswer構建中英文知識問答系統 410
8.7 本章小結 415
參考文獻 416
第9章 知識圖譜應用案例 420
9.1 領域知識圖譜構建的技術流程 420
9.1.1 領域知識建模 421
9.1.2 知識存儲 422
9.1.3 知識抽取 422
9.1.4 知識融合 423
9.1.5 知識計算 423
9.1.6 知識應用 424
9.2 領域知識圖譜構建的基本方法 425
9.2.1 自頂向下的構建方法 425
9.2.2 自底向上的構建方法 426
9.3 領域知識圖譜的應用案例 428
9.3.1 電商知識圖譜的構建與應用 428
9.3.2 圖情知識圖譜的構建與應用 431
9.3.3 生活娛樂知識圖譜的構建與應用：以美團為例 435
9.3.4 企業商業知識圖譜的構建與應用 440
9.3.5 創投知識圖譜的構建與應用 443
9.3.6 中醫臨床領域知識圖譜的構建與應用 448
9.3.7 金融證券行業知識圖譜應用實踐 452
9.4 本章小結 460
參考文獻 461
1.1 什麼是知識圖譜 1
1.2 知識圖譜的發展歷史 2
1.3 知識圖譜的價值 5
1.4 國內外典型的知識圖譜項目 9
1.4.1 早期的知識庫項目 9
1.4.2 互聯網時代的知識圖譜 9
1.4.3 中文開放知識圖譜 12
1.4.4 垂直領域知識圖譜 13
1.5 知識圖譜的技術流程 15
1.6 知識圖譜的相關技術 19
1.6.1 知識圖譜與數據庫系統 19
1.6.2 知識圖譜與智能問答 23
1.6.3 知識圖譜與機器推理 25
1.6.4 知識圖譜與推薦系統 28
1.6.5 區塊鏈與去中心化的知識圖譜 29
1.7 本章小結 30
參考文獻 31
第2章 知識圖譜表示與建模 40
2.1 什麼是知識表示 40
2.2 人工智能早期的知識表示方法 43
2.2.1 一階謂詞邏輯 43
2.2.2 霍恩子句和霍恩邏輯 43
2.2.3 語義網絡 44
2.2.4 框架 45
2.2.5 描述邏輯 47
2.3 互聯網時代的語義網知識表示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知識圖譜查詢語言的表示 59
2.3.4 語義Markup表示語言 62
2.4 常見開放域知識圖譜的知識表示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知識圖譜的向量表示方法 68
2.5.1 知識圖譜表示的挑戰 68
2.5.2 詞的向量表示方法 68
2.5.3 知識圖譜嵌入的概念 71
2.5.4 知識圖譜嵌入的優點 72
2.5.5 知識圖譜嵌入的主要方法 72
2.5.6 知識圖譜嵌入的應用 75
2.6 開源工具實踐：基於Protégé的本體知識建模 77
2.6.1 簡介 77
2.6.2 環境準備 78
2.6.3 Protégé實踐主要功能演示 78
2.7 本章小結 80
參考文獻 80
第3章 知識存儲 82
3.1 知識圖譜數據庫基本知識 82
3.1.1 知識圖譜數據模型 82
3.1.2 知識圖譜查詢語言 85
3.2 常見知識圖譜存儲方法 91
3.2.1 基於關系數據庫的存儲方案 91
3.2.2 面向RDF的三元組數據庫 101
3.2.3 原生圖數據庫 115
3.2.4 知識圖譜數據庫比較 120
3.3 知識存儲關鍵技術 121
3.3.1 知識圖譜數據庫的存儲：以Neo4j為例 121
3.3.2 知識圖譜數據庫的索引 124
3.4 開源工具實踐 126
3.4.1 三元組數據庫Apache Jena 126
3.4.2 面向RDF的三元組數據庫gStore 128
參考文獻 131
第4章 知識抽取與知識挖掘 133
4.1 知識抽取任務及相關競賽 133
4.1.1 知識抽取任務定義 133
4.1.2 知識抽取相關競賽 134
4.2 面向非結構化數據的知識抽取 136
4.2.1 實體抽取 137
4.2.2 關係抽取 142
4.2.3 事件抽取 150
4.3 面向結構化數據的知識抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相關工具 159
4.4 面向半結構化數據的知識抽取 161
4.4.1 面向百科類數據的知識抽取 161
4.4.2 面向Web網頁的知識抽取 165
4.5 知識挖掘 168
4.5.1 知識內容挖掘：實體鏈接 168
4.5.2 知識結構挖掘：規則挖掘 174
4.6 開源工具實踐：基於DeepDive的關係抽取實踐 178
4.6.1 開源工具的技術架構 178
4.6.2 其他類似工具 180
參考文獻 180
第5章 知識圖譜融合 184
5.1 什麼是知識圖譜融合 184
5.2 知識圖譜中的異構問題 185
5.2.1 語言層不匹配 186
5.2.2 模型層不匹配 187
5.3 本體概念層的融合方法與技術 190
5.3.1 本體映射與本體集成 190
5.3.2 本體映射分類 192
5.3.3 本體映射方法和工具 195
5.3.4 本體映射管理 232
5.3.5 本體映射應用 235
5.4 實例層的融合與匹配 236
5.4.1 知識圖譜中的實例匹配問題分析 236
5.4.2 基於快速相似度計算的實例匹配方法 240
5.4.3 基於規則的實例匹配方法 241
5.4.4 基於分治的實例匹配方法 244
5.4.5 基於學習的實例匹配方法 260
5.4.6 實例匹配中的分布式並行處理 266
5.5 開源工具實踐：實體關係發現框架LIMES 266
5.5.1 簡介 266
5.5.2 開源工具的技術架構 267
5.5.3 其他類似工具 269
5.6 本章小結 269
參考文獻 269
第6章 知識圖譜推理 279
6.1 推理概述 279
6.1.1 什麼是推理 279
6.1.2 面向知識圖譜的推理 282
6.2 基於演繹的知識圖譜推理 283
6.2.1 本體推理 283
6.2.2 基於邏輯編程的推理方法 288
6.2.3 基於查詢重寫的方法 295
6.2.4 基於產生式規則的方法 301
6.3 基於歸納的知識圖譜推理 306
6.3.1 基於圖結構的推理 306
6.3.2 基於規則學習的推理 313
6.3.3 基於表示學習的推理 318
6.4 知識圖譜推理新進展 324
6.4.1 時序預測推理 324
6.4.2 基於強化學習的知識圖譜推理 325
6.4.3 基於元學習的少樣本知識圖譜推理 326
6.4.4 圖神經網絡與知識圖譜推理 326
6.5 開源工具實踐：基於Jena和Drools的知識推理實踐 327
6.5.1 開源工具簡介 327
6.5.2 開源工具的技術架構 327
6.5.3 開發軟件版本及其下載地址 328
6.5.4 基於Jena的知識推理實踐 328
6.5.5 基於Drools的知識推理實踐 329
6.6 本章小結 329
參考文獻 330
第7章 語義搜索 334
7.1 語義搜索簡介 334
7.2 結構化的查詢語言 336
7.2.1 數據查詢 338
7.2.2 數據插入 341
7.2.3 數據刪除 341
7.3 語義數據搜索 342
7.4 語義搜索的交互範式 348
7.4.1 基於關鍵詞的知識圖譜語義搜索方法 348
7.4.2 基於分面的知識圖譜語義搜索 350
7.4.3 基於表示學習的知識圖譜語義搜索 352
7.5 開源工具實踐 355
7.5.1 功能介紹 355
7.5.2 環境搭建及數據準備 357
7.5.3 數據準備 357
7.5.4 導入Elasticsearch 360
7.5.5 功能實現 361
7.5.6 執行查詢 363
參考文獻 364
第8章 知識問答 366
8.1 知識問答概述 366
8.1.1 知識問答的基本要素 366
8.1.2 知識問答的相關工作 367
8.1.3 知識問答應用場景 369
8.2 知識問答的分類體系 371
8.2.1 問題類型與答案類型 371
8.2.2 知識庫類型 374
8.2.3 智能體類型 375
8.3 知識問答系統 376
8.3.1 NLIDB：早期的問答系統 376
8.3.2 IRQA：基於信息檢索的問答系統 380
8.3.3 KBQA：基於知識庫的問答系統 380
8.3.4 CommunityQA/FAQ-QA：基於問答對匹配的問答系統 381
8.3.5 Hybrid QA Framework 混合問答系統框架 382
8.4 知識問答的評價方法 386
8.4.1 問答系統的評價指標 386
8.4.2 問答系統的評價數據集 387
8.5 KBQA前沿技術 392
8.5.1 KBQA面臨的挑戰 392
8.5.2 基於模板的方法 394
8.5.3 基於語義解析的方法 398
8.5.4 基於深度學習的傳統問答模塊優化 401
8.5.5 基於深度學習的端到端問答模型 405
8.6 開源工具實踐 406
8.6.1 使用Elasticsearch搭建簡單知識問答系統 406
8.6.2 基於gAnswer構建中英文知識問答系統 410
8.7 本章小結 415
參考文獻 416
第9章 知識圖譜應用案例 420
9.1 領域知識圖譜構建的技術流程 420
9.1.1 領域知識建模 421
9.1.2 知識存儲 422
9.1.3 知識抽取 422
9.1.4 知識融合 423
9.1.5 知識計算 423
9.1.6 知識應用 424
9.2 領域知識圖譜構建的基本方法 425
9.2.1 自頂向下的構建方法 425
9.2.2 自底向上的構建方法 426
9.3 領域知識圖譜的應用案例 428
9.3.1 電商知識圖譜的構建與應用 428
9.3.2 圖情知識圖譜的構建與應用 431
9.3.3 生活娛樂知識圖譜的構建與應用：以美團為例 435
9.3.4 企業商業知識圖譜的構建與應用 440
9.3.5 創投知識圖譜的構建與應用 443
9.3.6 中醫臨床領域知識圖譜的構建與應用 448
9.3.7 金融證券行業知識圖譜應用實踐 452
9.4 本章小結 460
參考文獻 461
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。