知识图谱导论

　　知识图谱的发展历史源远流长，从经典人工智能的核心命题——知识工程，到互联网时代的语义Web，再到当下很多领域构建的数千亿级别的现代知识图谱。知识图谱兼具人工智能、大数据和互联网的多重技术基因，是知识表示、表示学习、自然语言处理、图数据库和图计算等多个领域技术的综合集成。本书全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答和分析等七大方面，一百多个基础知识点的内容，同时囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱，以及知识增强的语言预训练模型等新热点、新发展。作为一本导论性质的书，本书希望帮助初学者梳理知识图谱的基本知识点和关键技术要素，也希望帮助技术决策者建立知识图谱的整体视图和系统工程观，为前沿科研人员拓展创新视野和研究方向。 本书在技术广度和深度上兼具极强的参考性，适合高等院校的计算机专业师生阅读，也可供计算机相关行业的管理者和研发人员参考。

　　陈华钧，浙江大学计算机科学与技术学院教授。主要研究方向为知识图谱、自然语言处理、大数据系统等。在WWW/IJCAI/AAAI/ACL/VLDB/ICDE，IEEE CIM， IEEE IS， TKDE， Briefings in Bioinformatics 等国际顶级会议和期刊上发表多篇论文。曾获国际语义网会议ISWC最佳论文奖、教育部技术发明一等奖、国家科技进步二等奖、中国中文信息学会钱伟长科技奖一等奖、阿里巴巴优秀学术合作奖、中国工信出版传媒集团优秀出版物一等奖等奖励。牵头发起OpenKG，浙江大学阿里巴巴知识引擎联合实验室主任、浙江省大数据智能计算重点实验室副主任、中国人工智能学会知识工程专委会副主任、中国中文信息学会语言与知识计算专委会副主任、全国知识图谱大会CCKS2020 大会主席、国际语义技术联合会议JIST2019大会主席、Elsevier Journal of Big Data Research Editor in Chief。

目录
第1章 知识图谱概述 1
1.1 语言与知识 2
1.2 知识图谱的起源 7
1.3 知识图谱的价值 12
1.4 知识图谱的技术内涵 16
1.5 建立知识图谱的系统工程观 20

第2章 知识图谱的表示 21
2.1 什么是知识表示 22
2.2 人工智能历史发展长河中的知识表示 24
2.3 知识图谱的符号表示方法 28
2.4 知识图谱的向量表示方法 32
2.5 总结 38

第3章 知识图谱的存储与查询 39
3.1 基于关系型数据库的知识图谱存储 40
3.2 基于原生图数据库的知识图谱存储 44
3.3 原生图数据库实现原理浅析 52
3.4 总结 55

第4章 知识图谱的获取与构建 57
4.1 重新理解知识工程与知识获取 58
4.2 实体识别 62
4.3 关系抽取 71
4.4 属性补全 81
4.5 概念抽取 83
4.6 事件识别与抽取 87
4.7 知识抽取技术前沿 91
4.8 总结 95

第5章 知识图谱推理 96
5.1 推理简述 97
5.2 知识图谱推理简介 101
5.3 基于符号逻辑的知识图谱推理 108
5.4 基于表示学习的知识图谱推理 117
5.5 总结 144

第6章 知识图谱融合 146
6.1 知识图谱融合概述 147
6.2 概念层融合——本体匹配 150
6.3 实例层的融合——实体对齐 155
6.4 知识融合技术前沿 159
6.5 总结 162

第7章 知识图谱问答 163
7.1 智能问答概述 164
7.2 基于问句模板的知识图谱问答 172
7.3 基于语义解析的知识图谱问答 178
7.4 基于检索排序的知识图谱问答 185
7.5 基于深度学习的知识图谱问答 188
7.6 总结 195

第8章 图算法与图数据分析 196
8.1 图的基本知识 197
8.2 基础图算法 204
8.3 图表示学习与图神经网络 211
8.4 知识图谱与图神经网络 224
8.5 总结 232

第9章 知识图谱技术发展 233
9.1 多模态知识图谱 234
9.2 知识图谱与语言预训练 248
9.3 事理知识图谱 255
9.4 知识图谱与低资源学习 261
9.5 结构化知识预训练 276
9.6 知识图谱与区块链 293