目录
第一章
典型知识图谱项目:
Freebase、WikiData、Schema.org、dbpedia、yago
中文领域开放知识图谱:OpenKG.CN
知识图谱的应用:
语义搜索、知识问答、辅助推荐、辅助大数据分析、辅助语言理解、辅助视觉理解
垂直领域应用:
医疗健康、金融、农业、电商、通信
第二章 知识图谱的表示
1.符号表示:
属性图、RDF(向上对接OWL等更丰富的语义表示和推理能力, 向下对接简化后的属性图数据库以及图计算引擎)、RDFS、OWL
2.向量表示
第三章 知识图谱的存储和构建
1.基于关系型数据库的存储:
三元组表、属性表存储、二元表存储(垂直划分表)、全索引结构
2.基于原生图数据库的存储:
RDF图模型、属性图模型
区分原生图存储和非原生图存储:
原生图存储在复杂关联查询和图计算方面有性能优势,非原生图存储兼容已有工具集通常学习和协调成本会低。
区分RDF图存储和属性图存储:
RDF存储一般支持推理,属性图存储通常具有更好的图分析性能优势。
Tbox,是有关概念和关系的蕴涵断言集合,描述概念和关系的一般属性
Abox,是有关个体的实例断言集合,断言一个个体是某个概念的实例,或者两个个体之间存在某种关系。
第四章 知识图谱的抽取和构建
1.知识获取的方式
从关系数据库获取、从视觉图像获取、从文本获取
2.实体识别的方法:
基于模板和规则、
基于序列标注(序列标注模型:HMM,序列预测模型:CRF)、
基于预训练语言模型
3.关系抽取的方法:
基于模板、基于监督学习、基于机器学习、基于预训练语言模型、
4.属性补全的方法:
抽取式(输入文本中出现过的):基于模板、基于机器学习模型
生成式:基于机器学习模型
5.概念抽取的方法:
基于模板、基于百科、基于机器学习
6.事件抽取的方法:
模式匹配、机器学习、弱监督
第五章 知识图谱推理
1.推理类型:
演绎推理、归纳推理、溯因推理、类比推理
2.基于符号逻辑的推理
基于OWL的本体推理
基于Datalog的规则推理(产生式规则)
3.基于表示学习的推理
1.基于嵌入学习:嵌入模型:TransE、TransH、TransR、TransD、DistMult
2.基于规则学习:PRA(图结构)、AMIE、NeuraILP
第六章 知识图谱融合
1.本体匹配
方法:术语匹配(基于字符串、基于语言)、结构匹配
2.实体对齐
基于Embedding(合并预先匹配好的实体,把两个网络合并为一个网络,用单一网络的嵌入表 示进行嵌入。)
3.知识融合工具:Silk、OpenEA、EAKit
第七章 知识图谱问答
1.基于模板的问答
流程:模板生成、模板实例化、查询排序、获取结果
2.基于语义解析的问答
步骤:短语检测、资源映射、语义组合、逻辑表达式生成
3.基于检索排序的问答
排序模型:基于特征、基于子图匹配、基于向量表示、基于记忆网络
4.基于深度学习的问答