知识图谱进阶UP!UP!
知识图谱一、知识图谱概论1.1知识图谱始于20世纪50年代，至今大致分为三个发展阶段：• 第一阶段 （1955年—1977年）是知识图谱的起源阶段，在这一阶段中引文网络分析 开始成为一种研究当代科学发展脉络的常用方法；• 第二阶段（1977年-2012 年）是知识图谱的发展阶段，语义网得到快速发展，“知识本体”的研究 开始成为计算机科学的一个重要领域，知识图谱吸收了语义网、本体在知识组织和表达方面的理念，使得知识更易于在计算机之间和计算机与人之间交换、流通和加工；• 第三阶段（2012年—至今）是知识图谱繁荣阶段，2012年谷歌提出Google Knowledge Graph，知识图谱正式得名，谷歌通过知识图谱技术改善了搜索引擎性能。在人工智能的蓬勃发展下，知识图谱涉及到的知识抽取、表示、融合、推理、问答等关键问题得到一定程度的解决和突破，知识图谱成为知识服务领域的一个新热点，受到国内外学者和工业界广泛关注。知识图谱具体的发展历程如下图所示。https://www.mesbbs.com/media/images/814c85f763091a9feb0c23fc62c9e11a.jpg1.2知识图谱的价值知识图谱用节点和关系所组成的图谱，为真实世界的各个场景直观地建模，运用“图”这种基础性、通用性的“语言”，“高保真”地表达这个多姿多彩世界的各种关系，并且非常直观、自然、直接和高效，不需要中间过程的转换和处理——这种中间过程的转换和处理，往往把问题复杂化，或者遗漏掉很多有价值的信息。在风控领域中，知识图谱产品为精准揭露“欺诈环”、“窝案”、“中介造假”、“洗钱”和其他复杂的欺诈手法，提供了新的方法和工具。尽管没有完美的反欺诈措施，但通过超越单个数据点并让多个节点进行联系，仍能发现一些隐藏信息，找到欺诈者的漏洞，通常这些看似正常不过的联系（关系），常常被我们忽视，但又是最有价值的反欺诈线索和风险突破口。尽管各个风险场景的业务风险不同，其欺诈方式也不同，但都有一个非常重要的共同点——欺诈依赖于信息不对称和间接层，且它们可以通过知识图谱的关联分析被揭示出来，高级欺诈也难以“隐身”。凡是有关系的地方都可以用到知识图谱，事实上，知识图谱已经成功俘获了大量客户，且客户数量和应用领域还在不断增长中，包括沃尔玛、领英、阿迪达斯、惠普、FT金融时报等知名企业和机构。目前知识图谱产品的客户行业，分类主要集中在：社交网络、人力资源与招聘、金融、保险、零售、广告、物流、通信、IT、制造业、传媒、医疗、电子商务和物流等领域。在风控领域中，知识图谱类产品主要应用于反欺诈、反洗钱、互联网授信、保险欺诈、银行欺诈、电商欺诈、项目审计作假、企业关系分析、罪犯追踪等场景中。那相比传统数据存储和计算方式，知识图谱的优势显现在哪里呢？（1）关系的表达能力强传统数据库通常通过表格、字段等方式进行读取，而关系的层级及表达方式多种多样，且基于图论和概率图模型，可以处理复杂多样的关联分析，满足企业各种角色关系的分析和管理需要。（2）像人类思考一样去做分析基于知识图谱的交互探索式分析，可以模拟人的思考过程去发现、求证、推理，业务人员自己就可以完成全部过程，不需要专业人员的协助。（3）知识学习利用交互式机器学习技术，支持根据推理、纠错、标注等交互动作的学习功能，不断沉淀知识逻辑和模型，提高系统智能性，将知识沉淀在企业内部，降低对经验的依赖。（4）高速反馈图式的数据存储方式，相比传统存储方式，数据调取速度更快，图库可计算超过百万潜在的实体的属性分布，可实现秒级返回结果，真正实现人机互动的实时响应，让用户可以做到即时决策。
一、知识图谱概论1.1知识图谱的起源和历史1.2知识图谱的发展史——从框架、本体论、语义网、链接数据到知识图谱1.3知识图谱的本质和价值1.4知识图谱VS传统知识库VS关系数据库1.5经典的知识图谱1.5.1经典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知识库1.5.2行业知识图谱：Google知识图谱，微软实体图，阿里知识图谱，医学知识图谱，基因知识图谱等知识图谱项目
二、知识图谱应用2.1知识图谱应用场景2.2知识图谱应用简介2.2.1知识图谱在数字图书馆上的应用 2.2.2知识图谱在国防、情报、公安上的应用2.2.3知识图谱在金融上的应用 2.2.4知识图谱在电子商务中的应用2.2.5知识图谱在农业、医学、法律等领域的应用2.2.6知识图谱在制造行业的应用2.2.7知识图谱在大数据融合中的应用 2.2.8知识图谱在人机交互（智能问答）中的应用
三、知识表示与知识建模3.1知识表示概念3.2 知识表示方法a.语义网络 b.产生式规则 c.框架系统 d.描述逻辑 e.本体 f.RDF和RDFSg.OWL和OWL2 Fragments h.SPARQL查询语言i.Json-LD、RDFa、HTML5 MicroData等新型知识表示3.3典型知识库项目的知识表示3.4知识建模方法学3.5知识表示和知识建模实践1.三国演义知识图谱的表示和建模实践案例2.学术知识图谱等
四、知识抽取与挖掘4.1知识抽取基本问题a.实体识别 b.关系抽取 c.事件抽取4.2数据采集和获取4.3面向结构化数据的知识抽取a.D2RQ b.R2RML4.4面向半结构化数据的知识抽取a.基于正则表达式的方法b.基于包装器的方法4.5.面向非结构化数据的知识抽取a.实体识别技术（基于规则、机器学习、深度学习、半监督学习、预训练等方法）b.关系抽取技术（基于模板、监督、远程监督、深度学习等方法）c.事件抽取技术（基于规则、深度学习、强化学习等方法）4.6.知识挖掘a.实体消歧b.实体链接c.类型推断 d.知识表示学习4.7知识抽取上机实践A.面向半结构化数据的三国演义知识抽取B.面向文本的三国演义知识抽取C.人物关系抽取
五、知识融合5.1知识融合背景5.2知识异构原因分析5.3知识融合解决方案分析5.4.本体对齐基本流程和常用方法a.基于文本的匹配 b.基于图结构的匹配 c.基于外部知识库的匹配e.不平衡本体匹配 d.跨语言本体匹配 f.弱信息本体匹配5.5实体匹配基本流程和常用方法a.基于相似度的实例匹配 b.基于规则或推理的实体匹配c.基于机器学习的实例匹配 d.大规模知识图谱的实例匹配(1)基于分块的实例匹配(2)无需分块的实例匹配(3)大规模实例匹配的分布式处理5.6 知识融合上机实践1.百科知识融合2.OAEI知识融合任务
六、存储与检索6.1.知识图谱的存储与检索概述6.2.知识图谱的存储a.基于表结构的存储 b.基于图结构的存储6.3.知识图谱的检索a.关系数据库查询：SQL语言b数据库查询：SPARQL语言 6.4.上机实践案例：利用GraphDB完成知识图谱的存储与检索
七、知识推理7.1.知识图谱中的推理技术概述7.2.归纳推理：学习推理规则a.归纳逻辑程设计Øb.关联规则挖掘c.路径排序算法上机实践案例：利用AMIE+算法完成Freebase数据上的关联规则挖掘7.3.演绎推理：推理具体事实Øa.马尔可夫逻辑网 b.概率软逻辑7.4.基于分布式表示的推理a. TransE模型及其变种 b.RESCAL模型及其变种c.（深度）神经网络模型介绍 d.表示学习模型训练7.5.上机实践案例：利用分布式知识表示技术完成Freebase上的链接预测
八、语义搜索8.1.语义搜索概述8.2.搜索关键技术a.索引技术：倒排索引 b.排序算法：BM25及其扩展8.3.知识图谱搜索a.实体搜索b.关联搜索8.4.知识可视化a.摘要技术8.5.上机实践案例：SPARQL搜索
九、知识问答9.1.知识问答概述 9.2.知识问答基本流程9.3.相关测试集：QALD、WebQuestions等9.4.知识问答关键技术 a.基于模板的方法 b.语义解析 c.基于深度学习的方法9.5.上机实践案例：DeepQA、TemplateQAhttps://www.mesbbs.com/media/images/a423d5d7155e7acff999c742670058ee.jpg搜索关注公众号：人工智能技术与咨询
页:
[1]