知识图谱

第一章 概述
1．1 什么是知识图谱
1．2 知识图谱发展历程
1．3 知识图谱类型
1．4 知识图谱生命周期
1．4．1 知识体系构建
1．4．2 知识获取
1．4．3 知识融合
1．4．4 知识存储
1．4．5 知识推理
1．4．6 知识应用
1．5 知识图谱与深度学习
1．6 小结
第二章 知识表示
2．1 经典知识表示理论
2．1．1 逻辑
2．1．2 语义网络
2．1．3 框架
2．1．4 脚本
2．2 语义网中的知识表示方法
2．2．1 语义网表示方法
2．2．2 语义网知识描述体系
2．3 知识图谱中的知识表示方法
2．3．1 表示框架
2．3．2 Freebase中的知识框架
2．4 知识图谱的数值化表示方法
2．4．1 符号的数值化表示
2．4．2 文本的数值化表示
2．4．3 知识图谱的数值化表示
2．5 小结
第三章 知识体系构建和知识融合
3．1 知识体系构建
3．1．1 人工构建方法
3．1．2 自动构建方法
3．1．3 典型知识体系
3．2 知识融合
3．2．1 框架匹配
3．2．2 实体对齐
3．2．3 冲突检测与消解
3．2．4 典型知识融合系统
3．3 小结
第四章 实体识别和扩展
4．1 实体识别
4．1．1 任务概述
4．1．2 基于规则的实体识别方法
4．1．3 基于机器学习的实体识别——基于特征的方法
4．1．4 基于机器学习的实体识别——基于神经网络的方法
4．2 细粒度实体识别
4．2．1 任务概述
4．2．2 细粒度实体识别方法
4．3 实体扩展
4．3．1 任务概述
4．3．2 实体扩展方法
4．4 小结
第五章 实体消歧
5．1 任务概述
5．1．1 任务定义
5．1．2 任务分类
5．1．3 相关评测
5．2 基于聚类的实体消歧方法
5．2．1 基于表层特征的实体指称项相似度计算
5．2．2 基于扩展特征的实体指称项相似度计算
5．2．3 基于社会化网络的实体指称项相似度计算
5．3 基于实体链接的实体消歧方法
5．3．1 链接候选过滤方法
5．3．2 实体链接方法
5．4 面向结构化文本的实体消歧方法
5．5 小结
第六章 关系抽取
6．1 任务概述
6．1．1 任务定义
6．1．2 任务分类
6．1．3 任务难点
6．1．4 相关评测
6．2 限定域关系抽取
6．2．1 基于模板的关系抽取方法
6．2．2 基于机器学习的关系抽取方法
6．3 开放域关系抽取
6．4 小结
第七章 事件抽取
7．1 任务概述
7．2 限定域事件抽取
7．2．1 基于模式匹配的事件抽取方法
7．2．2 基于机器学习的事件抽取方法
7．3 开放域事件抽取
7．3．1 基于内容特征的事件抽取方法
7．3．2 基于异常检测的事件抽取方法
7．4 事件关系抽取
7．4．1 事件共指关系抽取
7．4．2 事件因果关系抽取
7．4．3 子事件关系抽取
7．4．4 事件时序关系抽取
7．5 小结
第八章 知识存储和检索
8．1 知识图谱的存储
8．1．1 基于表结构的存储
8．1．2 基于图结构的存储
8．2 知识图谱的检索
8．2．1 常见形式化查询语言
8．2．2 图检索技术
8．3 小结
第九章 知识推理
9．1 知识图谱中的典型推理任务
9．1．1 知识补全
9．1．2 知识问答
9．2 知识推理分类
9．2．1 归纳推理和演绎推理
9．2．2 确定性推理与不确定性推理
9．2．3 符号推理和数值推理
9．3 基于符号演算的推理
9．3．1 归纳推理：学习推理规则
9．3．2 演绎推理：推理具体事实
9．4 基于数值计算的推理
9．4．1 基于张量分解的方法
9．4．2 基于能量函数的方法
9．5 符号演算和数值计算的融合推理
9．6 常识知识推理
9．7 小结
第十章 知识问答与对话
10．1 自动问答概述
10．2 知识问答
10．2．1 知识问答技术概述
10．2．2 基于语义解析的方法
10．2．3 基于搜索排序的方法
10．2．4 常用评测数据及各方法性能比较
10．3 知识对话
10．3．1 知识对话技术概述
10．3．2 任务导向型对话模型
10．3．3 通用对话模型
10．3．4 评价方法
10．4 小结
参考文献