人工智能：知识图谱前沿技术

　　知识图谱作为当前人工智能的重要方向之一，不仅被实验室的研究者关注，更被各行各业的商业应用所关注。知识图谱是一个古老而又崭新的课题，是知识工程在新时代的新形态。智能离不开知识。知识始终是人工智能的核心之一。本书按照知识表示、知识库构建、知识推理和知识应用的基本脉络，全面介绍有关知识图谱的前沿技术。为便于理解和融会贯通，本书也对相关 NLP与机器学习的基本知识与知识图谱的经典传统方法进行了适当描述。本书既可作为人工智能领域研究人员的技术参考书，也可作为高等院校相关专业师生的教学参考书。

　　朱小燕，清华大学计算机系教授，智能技术与系统国家重点实验室主任，曾任清华大学计算机系副主任。位列 “人工智能全球女性榜单” “2019年度中国人工智能100人榜单”。从事人工智能领域相关工作30余年，主要研究领域为智能信息处理，包括人工神经网络、机器学习、自然语言处理、智能信息提取、智能问答系统等。获得国家发明专利十余项，在国际刊物和会议上发表论文100余篇。近几年研究工作主要集中于新一代智能信息获取与人机对话/交互的研究，所研究的原型系统曾应用于多家知名企业。

第1章绪论
1.1什么是知识
1.2知识类型与知识金字塔
1.3什么是知识图谱
1.4知识图谱的发展历史
1.5知识图谱研究的主要内容
1.5.1知识表示
1.5.2构建知识库
1.5.3知识推理
1.5.4知识应用
1.6本书内容安排
第2章传统知识表示与建模
2.1知识表示的基本概念
2.2基于逻辑的知识表示
2.2.1逻辑的基本概念
2.2.2命题逻辑
2.2.3谓词逻辑
2.2.4归结原理
2.3产生式表示方法
2.3.1事实与规则的表示
2.3.2产生式系统的结构
2.3.3产生式系统的推理
2.4语义网络表示方法
2.4.1语义网络的历史
2.4.2语义网络的结构
2.4.3语义网络的实例
2.4.4基本的语义关系
2.4.5语义网络的推理
2.5框架表示方法
2.5.1框架理论的概念
2.5.2框架的结构和框架的推理
2.6其他表示方法
2.6.1脚本知识表示方法
2.6.2过程性知识表示方法
2.7本章小结
第3章现代文本表示学习基础
3.1文本表示学习的基础模型
3.1.1单词的分布表示
3.1.2句子的分布表示
3.1.3文档的分布表示
3.2文本表示学习的进阶模型
3.2.1ELMo
3.2.2GPT
3.2.3BERT
3.3文本表示与知识表示
3.4本章小结
第4章现代知识表示与学习
4.1基于几何变换的知识图谱表示学习
4.1.1基于平移原则的知识图谱表示学习
4.1.2基于混合几何变换的知识图谱表示学习
4.1.3基于流形原则的知识图谱表示学习
4.2基于神经网络的知识图谱表示模型
4.2.1距离模型
4.2.2简单网络模型
4.2.3复杂网络模型
4.3结合文本的知识图谱表示方法SSP
4.3.1研究背景
4.3.2模型描述
4.4本章小结
第5章知识图谱的构建
5.1命名实体识别
5.1.1什么是命名实体
5.1.2任务概述
5.1.3传统的命名实体识别方法
5.1.4基于深度学习的命名实体识别方法
5.1.5基于深度学习的命名实体识别新模型及新思路
5.2命名实体链接
5.2.1任务概述
5.2.2传统的命名实体链接方法
5.2.3基于深度学习的命名实体链接方法
5.3命名实体关系抽取
5.3.1任务概述
5.3.2传统的命名实体关系抽取方法
5.3.3基于深度学习的命名实体关系抽取方法
5.4本章小结
第6章知识推理
6.1什么是知识推理
6.2基于符号的知识推理
6.3基于随机游走的路径排序算法
6.4基于增强学习的路径推理
6.4.1DeepPath
6.4.2MINERVA
6.5基于深度神经网络的路径推理
6.5.1Path-RNN
6.5.2扩展的Path-RNN
6.6本章小结
第7章知识图谱的应用
7.1知识库问答
7.1.1基于信息抽取的知识库问答
7.1.2基于语义解析的知识库问答
7.1.3基于嵌入表示的知识库问答
7.2知识图谱在文本生成中的应用
7.2.1常识知识驱动的对话生成模型
7.2.2常识知识驱动的故事结局生成模型
7.3知识图谱在情感挖掘中的应用
7.3.1语言学知识驱动的情感分类
7.3.2知识图谱驱动的情感分析
7.4本章小结
第8章知识图谱资源
8.1通用的知识图谱资源
8.1.1Freebase
8.1.2DBpedia
8.1.3OpenKG
8.1.4NELL
8.2领域相关的知识图谱资源
8.2.1电子商务知识图谱
8.2.2中医药知识图谱
8.3本章小结
参考文献