知识图谱 课程导读

文章目录

• 知识图谱 课程导读
• 0课程介绍
• 1下载地址
• 2课程大纲：
• • 第一课： 知识图谱概论
  • 第二课： 知识表示与知识建模
  • 第三课： 知识抽取与挖掘I
  • 第四课： 知识抽取与挖掘II
  • 第五课： 知识存储
  • 第六课： 知识融合
  • 第七课： 知识推理
  • 第八课： 语义搜索
  • 第九课： 知识问答I
  • 第十课： 知识问答II
  • 第十一课： 行业知识图谱应用

0课程介绍

本文为小象学院 王昊奋 的知识图谱课程笔记。

课程主要包括三大部分：

• 1）知识图谱的工程方法论。指导学员了解并掌握知识图谱的基本概念和发展历史，梳理清知识图谱的技术体系，掌握知识图谱的核心技术原理，建立知识图谱工程的方法论思维。

• 2）知识图谱的实战技术。从实战出发，围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术，使得学员具备研发知识图谱相关应用的基础能力。

• 3）知识图谱的典型应用。结合医疗、金融、电商等实际应用场景，介绍知识图谱各个技术点的实际应用落地方式，使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

1下载地址

课程下载链接：https://pan.baidu.com/s/10c2HPyX0Mtd7fLHnXL5FFQ
密码：ufj3

2课程大纲：

第一课： 知识图谱概论

1. 知识图谱的起源和历史
2. 典型知识库项目简介
3. 知识图谱应用简介
4. 本次课程覆盖的主要范围：知识表示与建模、知识抽取与挖掘、知识存储、知识融合、知识推理、语义搜索、知识问答和行业知识图谱应用剖析等内容。

第二课： 知识表示与知识建模

1. 早期知识表示简介
2. 基于语义网的知识表示框架
   • a. RDF和RDFS
   • b. OWL和OWL2 Fragments
   • c. SPARQL查询语言
   • d. Json-LD、RDFa、HTML5 MicroData等新型知识表示
3. 典型知识库项目的知识表示
4. 基于本体工具（Protege）的知识建模最佳实践

第三课： 知识抽取与挖掘I

1. 知识抽取任务定义和相关比赛：实体识别、关系抽取和事件抽取
2. 面向结构化数据（关系数据库）的知识抽取，包括D2RQ和R2RML等转换与映射规范与技术介绍
3. 面向半结构化数据（Web tables, 百科站点等）的知识抽取
   • a. 基于正则表达式的方法
   • b. Bootstrapping和Wrapper – Induction介绍
4. 实践展示：基于百科数据的知识抽取

第四课： 知识抽取与挖掘II

1. 面向非结构化数据（文本）的知识抽取
   • a. 基于本体的知识抽取，包括NELL和DeepDive系统介绍
   • b. 开放知识抽取，包括TextRunner、Reverb和OLLIE等系统介绍
2. 知识挖掘
   • a. 知识内容挖掘：实体消歧与链接
   • b. 知识结构挖掘：关联规则挖掘与社区发现
   • c. 知识表示学习与链接预测，包括TransE和PRA等算法介绍

第五课： 知识存储

1. 基于关系数据库的存储设计，包括各种表设计和索引建立策略
2. 基于RDF的图数据库介绍
   • a. 开源数据库介绍：Apache Jena、Sesame、gStore、RDF-3X等
   • b. 商业数据库介绍：Virtuoso、AllegroGraph、BlazeGraph等
3. 原生图数据库介绍，包括Neo4j、OrientDB、Titan和Cayley等
4. 实践展示：使用Apache Jena存储百科知识，并使用Fuseki构建图谱查询服务

第六课： 知识融合

1. 知识融合任务定义和相关竞赛：本体对齐和实体匹配
2. 本体对齐基本流程和常用方法
   • a. 基于Linguistic的匹配
   • b. 基于图结构的匹配
   • c. 基于外部知识库的匹配
3. 实体匹配基本流程和常用方法
   • a. 基于分块的多阶段匹配
   • b. 基于规则（配置或通过学习）的实体匹配
4. 知识融合工具介绍：包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault
5. 实践展示：使用Falcon-AO融合百度百科与维基百科中的知识

第七课： 知识推理

1. 本体知识推理简介与任务分类，包括概念可满足性、概念包含、实例分类和一致性检测等
2. 本体推理方法与工具介绍
   • a. 基于Tableaux运算的方法：Fact++、Racer、Pellet和Hermit等
   • b. 基于一阶查询重写的方法：Ontology-based Data Access的Ontop等
   • c. 基于产生式规则的方法（如Rete)：Jena、Sesame和OWLIM等
   • d. 基于逻辑编程（如Datalog）改写的方法：KAON2和RDFox等
3. 实践展示：使用Jena完成百科知识上的上下位推理、缺失类别补全和一致性检测等

第八课： 语义搜索

1. 语义搜索概述，包括Knowledge Card、Rich Snippet、Facebook Graph Search等
2. 基于语义标注的网页搜索
   • a. Web Data Commons项目介绍
   • b. 排序算法介绍，扩展BM25
3. 基于图谱的知识搜索
   • a. 本体搜索（ontology lookup）
   • b. 探索式知识检索，包括查询构造、结果排序和分面（facets）推荐
4. 知识可视化，包括本体、查询、结果等的展现方式和可视化分析
5. 实践展示：使用ElasticSearch实现百科数据的语义搜索

第九课： 知识问答I

1. 知识问答概述和相关数据集（QALD和WebQuestions）
2. 知识问答基本流程
3. 知识问答主流方法介绍
   • a. 基于模板的方法，包括模板定义、模板生成和模板匹配等步骤
   • b. 基于语义解析的方法，包括资源映射，逻辑表达式候选生成与排序等
   • c. 基于深度学习的方法

第十课： 知识问答II

1. IBM Watson问答系统及核心组件详细解读
   • a. 问句理解
   • b. 候选答案生成
   • c. 基于证据的答案排序
2. 实践展示：面向百科知识的问答baseline实现

第十一课： 行业知识图谱应用

1. 行业知识图谱特点
2. 行业知识图谱应用，包括金融、医疗、数字图书馆等领域应用
3. 行业知识图谱构建与应用的挑战
4. 行业知识图谱生命周期定义和关键组件

原文链接：https://lookme.blog.csdn.net/article/details/87901083

本站声明:网站内容来源于网络,如有侵权,请联系我们,我们将及时处理。