知識圖譜：認知智能理論與實戰

知識圖譜作為認知智慧的核心技術正蓬勃發展。本書系統全面地介紹了知識圖譜的核心技術，既有宏觀整體的技術體系，也有關鍵技術和演算法細節，內容包括：知識圖譜模式設計的方法論——六韜法；知識圖譜構建中的實體抽取和關係抽取；知識存儲中的屬性圖模型及圖數據庫，重點介紹了JanusGraph分散式圖數據庫；知識計算中的圖論基礎，以及中心性、社區檢測等經典圖計算演算法；知識推理中的邏輯推理、幾何變換推理和深度學習推理，及其編程實例。

本書以金融、醫療和智慧製造三大行業的應用場景為例，梳理了知識圖譜的應用價值和應用程式形態。 《知識圖譜：認知智慧理論與實戰》既適合人工智慧行業從業者和研究人員系統學習知識圖譜，也適合一線工程師和技術人員參考使用，並可作為企業管理人員、政府人員、政策制定人員、公共政策學者的參考材料，以及高等院校計算機、金融和人工智慧等相關專業師生的參考資料和培訓學校的教材。

第1章 知識圖譜概述 0
1.1 從李白的《靜夜思》開始 2
1.2 什麼是知識圖譜 3
1.3 DIKW模型 6
1.4 從DIKW模型到知識圖譜 8
1.5 知識圖譜技術體系 9
1.5.1 知識圖譜模式設計與管理 11
1.5.2 知識圖譜構建技術 11
1.5.3 知識圖譜存儲技術 13
1.5.4 知識圖譜應用技術 14
1.5.5 使用者介面與介面 17
1.6 知識圖譜辨析 17
1.6.1 知識圖譜與自然語言處理 18
1.6.2 知識圖譜與圖數據庫 20
1.6.3 知識圖譜與語義網路 20
1.6.4 知識圖譜與搜尋引擎 21
1.6.5 知識圖譜與深度學習 21
1.7 知識圖譜是人工智慧進步的階梯 22
1.7.1 明鑒歷史 23
1.7.2 預見未來 26
1.8 本章小結 27

第2章 知識圖譜模式設計 30
2.1 知識圖譜模式 32
2.2 模式與本體 35
2.2.1 本體 35
2.2.2 模式與本體辨析 37
2.3 本體概論 38
2.3.1 本體的構成要素 39
2.3.2 本體分類 40
2.3.3 資源描述架構RDF 41
2.3.4 網路本體語言OWL 42
2.3.5 知名本體介紹 44
2.4 模式設計的三大基本原則 52
2.4.1 賦予一類事物合適的名字 53
2.4.2 建立事物間清晰的聯繫 54
2.4.3 明確、正式的語義表達 55
2.5 六韜法 56
2.5.1 場景 58
2.5.2 複用 59
2.5.3 事物 63
2.5.4 聯繫 65
2.5.5 約束 67
2.5.6 評價 71
2.6 模式設計的工程模型 72
2.6.1 瀑布模型 72
2.6.2 螺旋模型 74
2.7 本章小結 76

第3章 實體抽取 78
3.1 實體、命名實體和實體抽取 80
3.2 基於規則的實體抽取 82
3.2.1 基於詞典匹配的實體抽取方法 83
3.2.2 編寫規則運算式抽取實體 84
3.2.3 基於範本的實體抽取方法 85
3.3 如何評價實體抽取的效果 88
3.4 傳統機器學習方法 91
3.4.1 概率圖模型 92
3.4.2 樸素貝葉斯模型 93
3.4.3 熵模型 95
3.4.4 隱瑪律可夫模型 100
3.4.5 條件隨機場 102
3.4.6 標記方法 106
3.4.7 用CRF++進行實體抽取 108
3.5 深度學習方法 114
3.5.1 基於深度學習的通用實體抽取框架 114
3.5.2 BiLSTM-CRF模型 117
3.5.3 預訓練模型用於實體抽取 122
3.6 弱監督學習方法 134
3.7 本章小結 136

第4章 關係抽取 138
4.1 關係和關係抽取 140
4.2 基於規則的關係抽取方法 145
4.2.1 詞法分析與依存句法分析 146
4.2.2 基於語法結構的關係抽取 149
4.3 基於深度學習的關係抽取方法 154
4.3.1 關係分類 154
4.3.2 基於BERT的關係分類 158
4.4 實體-關係聯合抽取的方法 161
4.4.1 實體-關係聯合抽取方法 162
4.4.2 基於片段預測的實體-關係聯合抽取 165
4.5 弱監督學習與關係抽取 171
4.5.1 引導法 171
4.5.2 遠程監督 174
4.5.3 弱監督學習與Snorkel 176
4.5.4 Snorkel用於關係抽取 179
4.6 本章小結 184

第5章 知識存儲 186
5.1 數據與知識存儲 188
5.1.1 數據存儲模型 188
5.1.2 知識存儲極簡史 189
5.2 圖數據庫模型 193
5.2.1 屬性圖模型 193
5.2.2 完整性約束 196
5.2.3 事務、ACID與BASE 200
5.2.4 查詢語言 202
5.3 JanusGraph分散式圖數據庫 202
5.3.1 JanusGraph的存儲模型 205
5.3.2 JanusGraph的屬性圖模式 209
5.3.3 事務和故障恢復 220
5.3.4 圖查詢語言Gremlin 221
5.3.5 JanusGraph和Gremlin入門指南 222
5.4 其他圖數據庫介紹 235
5.4.1 Neo4j 236
5.4.2 Dgraph 239
5.4.3 NebulaGraph 243
5.4.4 圖數據對比一覽表 246
5.5 本章小結 248

第6章 知識計算 250
6.1 知識計算及其數學基礎 252
6.1.1 知識圖譜與圖 252
6.1.2 圖論 253
6.1.3 鄰接矩陣 256
6.1.4 譜圖理論 257
6.2 遍歷與 短路徑演算法 258
6.2.1 廣度優先搜索 258
6.2.2 深度優先搜索 260
6.2.3 Dijkstra單源 短路徑 262
6.2.4 短路徑快速演算法 265
6.2.5 Floyd演算法 268
6.3 中心性 270
6.3.1 度中心性 270
6.3.2 親密中心性 272
6.3.3 仲介中心性 274
6.3.4 特徵向量中心性 279
6.3.5 PageRank 281
6.4 社區檢測 284
6.4.1 模組度 286
6.4.2 GN社區檢測演算法 290
6.4.3 Louvain社區檢測演算法 291
6.5 知識計算工具與系統 297
6.5.1 圖數據庫計算框架 297
6.5.2 分散式圖計算引擎 298
6.5.3 圖分析工具包 298
6.6 本章小結 299

第7章 知識推理 300
7.1 知識的表示與推理 302
7.1.1 因果推理 303
7.1.2 演繹推理 303
7.1.3 歸納推理 304
7.1.4 概率推理 305
7.1.5 知識圖譜的推理技術 306
7.2 基於規則和邏輯的知識推理方法 308
7.2.1 基於規則的方法 308
7.2.2 基於邏輯的方法 311
7.2.3 定性時空推理 313
7.3 幾何空間嵌入的知識推理方法 316
7.3.1 歐幾裡得空間的平移變換方法 317
7.3.2 複數向量空間的RotatE模型 330
7.3.3 雙曲空間嵌入的知識推理方法 334
7.4 知識推理的深度學習方法 353
7.4.1 卷積神經網路的知識推理方法 353
7.4.2 圖神經網路模型 358
7.5 本章小結 368

第8章 知識圖譜行業應用 370
8.1 行業知識圖譜 372
8.1.1 行業知識圖譜的特點 372
8.1.2 行業知識圖譜的應用價值 376
8.2 知識圖譜行業應用範式 382
8.3 共通的應用程式 385
8.3.1 數據與知識中台 385
8.3.2 視覺化與互動式分析 388
8.3.3 智能問答 391
8.3.4 認知 396
8.3.5 輔助決策模型 400
8.4 金融 400
8.4.1 反洗錢和反恐怖融資 400
8.4.2 個人信用評估與風險控制 402
8.4.3 企業風險識別、控制與管理 404
8.4.4 系統性金融風險 406
8.4.5 審計 407
8.4.6 證券分析與投資研究 408
8.4.7 保險 410
8.5 醫療、生物醫藥和衛生健康 411
8.5.1 基因知識圖譜 411
8.5.2 生物醫藥 412
8.5.3 智慧醫療 414
8.5.4 公共衛生 416
8.5.5 中醫藥知識圖譜 418
8.6 智慧製造 418
8.6.1 設計研發 419
8.6.2 品質與可靠性工程 420
8.6.3 設備的管理、維護與維修 422
8.6.4 BOM物料清單管理 425
8.6.5 供應鏈管理 427
8.6.6 售後服務 428
8.7 本章小結 429

王文廣
 
浙江大學電腦科學與技術碩士，工程師，知識圖譜與認知智慧領域知名專家。現任達觀數據副總裁，專注于自然語言處理、知識圖譜、圖像與語音分析、認知智慧、大數據和圖分析等方向的技術研究、產品開發和產業應用，為金融、智慧製造、醫療與生物醫藥、半導體等行業提供認知智慧產品和技術服務。現為上海市人工智慧技術標準化委員會委員，上海市科學技術委員會評審專家、人工智慧領域標準編制專家，CCF會員，CIPS語言與知識計算專委會委員，CAAI深度學習專委會委員。或參與過百餘個人工智慧科學研究和產業應用專案，曾獲得、多個演算法競賽獎項，申請人工智慧領域發明專利數十項，並參與編制人工智慧領域的多個標準、行業標準和團體標準。