文章目錄

• 第一章 概述
• • 1.1 什么是知識圖譜
  • 1.2 知識圖譜發展歷程
  • 1.3 知識圖譜類型
  • 1.4 知識圖譜生命周期
  • • 1.4.1 知識體系構建
    • 1.4.2 知識獲取
    • 1.4.3 知識融合
    • 1.4.4 知識存儲
    • 1.4.5 知識推理
    • 1.4.6 知識應用
  • 1.5 知識圖譜與深度學習
  • 1.6 小結
• 第二章 知識表示
• • 2.1 經典知識表示理論
  • • 2.1.1 邏輯
    • 2.1.2 語義網絡
    • 2.1.3 框架
    • 2.1.4 腳本
  • 2.2 語義網絡中的知識表示方法
  • • 2.2.1 語義網表示方法
    • 2.2.2 語義網知識描述體系
    • • 2.2.2.1 XML
      • 2.2.2.2 RDF
      • 2.2.2.3 OWL
  • 2.3 知識圖譜中的知識表示方法
  • • 2.3.1 表示框架
    • 2.3.2 Freebase中的知識框架
  • 2.4 知識圖譜的數值化表示方法
  • • 2.4.1 符號的數值化表示
    • 2.4.2 文本的數值化表示
    • 2.4.3 知識圖譜的數值化表示
    • • 2.4.3.1 基于張量分解的表示學習方法
      • 2.4.3.2 基于能量函數的表示學習方法
  • 2.5 小結
• 第三章 知識體系的構建和知識融合
• • 3.1 知識體系構建
  • • 3.1.1 人工構建方法
    • 3.1.2 自動構建方法
    • 3.1.3 典型知識體系
  • 3.2 知識融合
  • • 3.2.1 框架匹配
    • 3.2.2 實體對齊
    • 3.2.3 沖突檢測與消解
    • 3.2.4 典型知識融合系統
  • 3.3 小結
• 第四章 實體識別和擴展
• • 4.1 實體識別
  • • 4.1.1 任務概述
    • 4.1.2 基于規則的實體識別方法
    • 4.1.3 基于機器學習的實體識別--基于特征的方法
    • 4.1.4 基于機器學習的實體識別--基于神經網絡的方法
  • 4.2 細粒度實體識別
  • • 4.2.1 任務概述
    • 4.2.2 細粒度實體識別方法
  • 4.3 實體擴展
  • • 4.3.1 任務概述
    • 4.3.2 實體擴展方法
  • 4.4 小結
• 第五章 實體消歧
• • 5.1 任務概述
  • • 5.1.1 任務定義
    • 5.1.2 任務分類
    • 5.1.3 相關評測
  • 5.2 基于聚類的實體消歧方法
  • • 5.2.1 基于表層特征的實體指稱項相似度計算
    • 5.2.2 基于擴展特征的實體指稱項相似度計算
    • 5.2.3 基于社會化網絡的實體指稱項相似度計算
  • 5.3 基于實體鏈接的實體消歧方法
  • • 5.3.1 鏈接候選過濾方法
    • 5.3.2 實體鏈接方法
  • 5.4 面向結構化文本的實體消歧方法
  • 5.5 小結
• 第六章 關系抽取
• • 6.1 任務概述
  • • 6.1.1 任務定義
    • 6.1.2 任務分類
    • 6.1.3 任務難點
    • 6.1.4 相關評測
  • 6.2 限定域關系抽取
  • • 6.2.1 基于模板的關系抽取方法
    • 6.2.2 基于機器學習的關系抽取方法
    • • 6.2.2.1 有監督的關系抽取方法
      • 6.2.2.2 弱監督的關系抽取方法
  • 6.3 開放域關系抽取
  • 6.4 小結
• 第七章 事件抽取
• • 7.1 任務概述
  • 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
    • • 7.2.1.1 有監督的事件模式匹配
      • 7.2.1.2 弱監督的事件模式匹配
    • 7.2.2 基于機器學習的事件抽取方法
    • • 7.2.2.1 有監督事件抽取方法
      • 7.2.2.2 弱監督事件抽取方法
  • 7.3 開放域事件抽取
  • • 7.3.1 基于內容特征的事件抽取方法
    • 7.3.2 基于異常檢測的事件抽取方法
  • 7.4 事件關系抽取
  • • 7.4.1 事件共指關系抽取
    • 7.4.2 事件因果關系抽取
    • 7.4.3 子事件關系抽取
    • 7.4.4 事件時序關系抽取
  • 7.5 小結
• 第八章 知識存儲和檢索
• • 8.1 知識圖譜的存儲
  • • 8.1.1 基于表結構的存儲
    • • 8.1.1.1 三元組表
      • 8.1.1.2 類型表
      • 8.1.1.3 關系數據庫
    • 8.1.2 基于圖結構的存儲
    • • 8.1.2.1 基于圖結構的存儲模型
      • 8.1.2.2 常用圖數據庫介紹
  • 8.2 知識圖譜的檢索
  • • 8.2.1 常見形式化查詢語言
    • • 8.2.1.1 SQL語言
      • 8.2.1.2 SPARQL語言
    • 8.2.2 圖檢索技術
    • • 8.2.2.1 子圖篩選
      • 8.2.2.2 子圖同構判定
  • 8.3 小結
• 第九章 知識推理
• • 9.1 知識圖譜中的典型推理任務
  • • 9.1.1 知識補全
    • 9.1.2 知識問答
  • 9.2 知識推理分類
  • • 9.2.1 歸納推理和演繹推理
    • • 9.2.1.1 歸納推理
      • 9.2.1.2 演繹推理
    • 9.2.2 確定性推理與不確定性推理
    • • 9.2.2.1 確定性推理
      • 9.2.2.2 不確定性推理
  • 9.3 基于符號演算的推理
  • • 9.3.1 歸納推理：學習推理規則
    • • 9.3.1.1 頻繁子圖挖掘
      • 9.3.1.2 歸納邏輯編程
      • 9.3.1.3 結構學習方法
    • 9.3.2 演繹推理：推理具體事實
    • • 9.3.2.1 確定性推理：λ演算
      • 9.3.2.2 不確定性推理：馬爾科夫邏輯網和概率軟邏輯
  • 9.4 基于數值計算的推理
  • • 9.4.1 基于張量分解的方法
    • 9.4.2 基于能量函數的方法
  • 9.5 符號演算和數值計算的融合推理
  • 9.6 常識知識推理
  • 9.7 小結
• 第十章 知識問答與對話
• • 10.1 自動問答概述
  • 10.2 知識問答
  • • 10.2.1 知識問答技術概述
    • 10.2.2 基于語義解析的方法
    • • 10.2.2.1 有監督方法
      • 10.2.2.2 無監督方法
    • 10.2.3 基于搜索排序的方法
    • • 10.2.3.1 基于特征工程的方法
      • 10.2.3.2 基于表示學習的神經網絡方法
    • 10.2.4 常用評測數據及各方法性能比較
  • 10.3 知識對話
  • • 10.3.1 知識對話技術概述
    • 10.3.2 任務導向型對話模型
    • • 10.3.2.1 自然語言理解
      • 10.3.2.2. 對話管理
      • 10.3.2.3 自然語言生成
    • 10.3.3 通用對話模型
    • • 10.3.3.1 基于模板的方法
      • 10.3.3.2 端到端的方法
    • 10.3.4 評價方法
  • 10.4 小結
• 參考文獻

第一章 概述

1.1 什么是知識圖譜

1.2 知識圖譜發展歷程

1.3 知識圖譜類型

1.4 知識圖譜生命周期

1.4.1 知識體系構建

1.4.2 知識獲取

1.4.3 知識融合

1.4.4 知識存儲

1.4.5 知識推理

1.4.6 知識應用

1.5 知識圖譜與深度學習

1.6 小結

第二章 知識表示

2.1 經典知識表示理論

2.1.1 邏輯

2.1.2 語義網絡

2.1.3 框架

2.1.4 腳本

2.2 語義網絡中的知識表示方法

2.2.1 語義網表示方法

2.2.2 語義網知識描述體系

2.2.2.1 XML

2.2.2.2 RDF

2.2.2.3 OWL

2.3 知識圖譜中的知識表示方法

2.3.1 表示框架

2.3.2 Freebase中的知識框架

2.4 知識圖譜的數值化表示方法

2.4.1 符號的數值化表示

2.4.2 文本的數值化表示

2.4.3 知識圖譜的數值化表示

2.4.3.1 基于張量分解的表示學習方法

2.4.3.2 基于能量函數的表示學習方法

2.5 小結

第三章 知識體系的構建和知識融合

3.1 知識體系構建

3.1.1 人工構建方法

3.1.2 自動構建方法

3.1.3 典型知識體系

3.2 知識融合

3.2.1 框架匹配

3.2.2 實體對齊

3.2.3 沖突檢測與消解

3.2.4 典型知識融合系統

3.3 小結

第四章 實體識別和擴展

4.1 實體識別

4.1.1 任務概述

4.1.2 基于規則的實體識別方法

4.1.3 基于機器學習的實體識別–基于特征的方法

4.1.4 基于機器學習的實體識別–基于神經網絡的方法

4.2 細粒度實體識別

4.2.1 任務概述

4.2.2 細粒度實體識別方法

4.3 實體擴展

4.3.1 任務概述

4.3.2 實體擴展方法

4.4 小結

第五章 實體消歧

5.1 任務概述

5.1.1 任務定義

5.1.2 任務分類

5.1.3 相關評測

5.2 基于聚類的實體消歧方法

5.2.1 基于表層特征的實體指稱項相似度計算

5.2.2 基于擴展特征的實體指稱項相似度計算

5.2.3 基于社會化網絡的實體指稱項相似度計算

5.3 基于實體鏈接的實體消歧方法

5.3.1 鏈接候選過濾方法

5.3.2 實體鏈接方法

5.4 面向結構化文本的實體消歧方法

5.5 小結

第六章 關系抽取

6.1 任務概述

6.1.1 任務定義

6.1.2 任務分類

6.1.3 任務難點

6.1.4 相關評測

6.2 限定域關系抽取

6.2.1 基于模板的關系抽取方法

6.2.2 基于機器學習的關系抽取方法

6.2.2.1 有監督的關系抽取方法

6.2.2.2 弱監督的關系抽取方法

6.3 開放域關系抽取

6.4 小結

第七章 事件抽取

7.1 任務概述

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

7.2.1.1 有監督的事件模式匹配

7.2.1.2 弱監督的事件模式匹配

7.2.2 基于機器學習的事件抽取方法

7.2.2.1 有監督事件抽取方法

7.2.2.2 弱監督事件抽取方法

7.3 開放域事件抽取

7.3.1 基于內容特征的事件抽取方法

7.3.2 基于異常檢測的事件抽取方法

7.4 事件關系抽取

7.4.1 事件共指關系抽取

7.4.2 事件因果關系抽取

7.4.3 子事件關系抽取

7.4.4 事件時序關系抽取

7.5 小結

第八章 知識存儲和檢索

8.1 知識圖譜的存儲

8.1.1 基于表結構的存儲

8.1.1.1 三元組表

8.1.1.2 類型表

8.1.1.3 關系數據庫

8.1.2 基于圖結構的存儲

8.1.2.1 基于圖結構的存儲模型

8.1.2.2 常用圖數據庫介紹

8.2 知識圖譜的檢索

8.2.1 常見形式化查詢語言

8.2.1.1 SQL語言

8.2.1.2 SPARQL語言

8.2.2 圖檢索技術

8.2.2.1 子圖篩選

8.2.2.2 子圖同構判定

8.3 小結

第九章 知識推理

9.1 知識圖譜中的典型推理任務

9.1.1 知識補全

9.1.2 知識問答

9.2 知識推理分類

9.2.1 歸納推理和演繹推理

9.2.1.1 歸納推理

9.2.1.2 演繹推理

9.2.2 確定性推理與不確定性推理

9.2.2.1 確定性推理

9.2.2.2 不確定性推理

9.3 基于符號演算的推理

9.3.1 歸納推理：學習推理規則

9.3.1.1 頻繁子圖挖掘

9.3.1.2 歸納邏輯編程

9.3.1.3 結構學習方法

9.3.2 演繹推理：推理具體事實

9.3.2.1 確定性推理：λ演算

9.3.2.2 不確定性推理：馬爾科夫邏輯網和概率軟邏輯

9.4 基于數值計算的推理

9.4.1 基于張量分解的方法

9.4.2 基于能量函數的方法

9.5 符號演算和數值計算的融合推理

9.6 常識知識推理

9.7 小結

第十章 知識問答與對話

10.1 自動問答概述

10.2 知識問答

10.2.1 知識問答技術概述

10.2.2 基于語義解析的方法

10.2.2.1 有監督方法

10.2.2.2 無監督方法

10.2.3 基于搜索排序的方法

10.2.3.1 基于特征工程的方法

10.2.3.2 基于表示學習的神經網絡方法

10.2.4 常用評測數據及各方法性能比較

10.3 知識對話

10.3.1 知識對話技術概述

10.3.2 任務導向型對話模型

10.3.2.1 自然語言理解

10.3.2.2. 對話管理

10.3.2.3 自然語言生成

10.3.3 通用對話模型

10.3.3.1 基于模板的方法

10.3.3.2 端到端的方法

10.3.4 評價方法

10.4 小結

參考文獻

總結

以上是生活随笔為你收集整理的《知识图谱》赵军 目录的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。