知识图谱 方法、实践与应用

知识图谱是较为典型的多学科交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域。本书系统地介绍知识图谱涉及的关键技术，如知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、知识问答、图挖掘分析等。此外，本书还尝试将学术前沿和实战结合，让读者在掌握实际应用能力的同时对前沿技术发展有所了解。本书既适合计算机和人工智能相关的研究人员阅读，又适合在企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机或人工智能专业师生的参考教材。

漆桂林，东南大学计算机科学与工程学院教授，获英国贝尔法斯特女皇大学计算机科学博士学位。曾于德国Karlsruhe大学AIFB研究所从事博士后研究，指导教授是语义Web创始人之一Rudi Studer教授。长期从事人工智能中知识表示和推理、语义Web和本体管理技术的教学和科研工作，主持两项国家自然科学基金项目和多项省部级项目，主持欧盟第七研究框架计划SerriData中高效推理工作组的研究。发表学术论文百余篇。曾担任多个国际重要学术会议的程序委员会委员及负责多个国际学术会议的组织工作。

第1章知识图谱概述1
1.1什么是知识图谱1
1.2知识图谱的发展历史2
1.3知识图谱的价值5
1.4国内外典型的知识图谱项目9
1.4.1早期的知识库项目9
1.4.2互联网时代的知识图谱9
1.4.3中文开放知识图谱12
1.4.4垂直领域知识图谱13
1.5知识图谱的技术流程15
1.6知识图谱的相关技术19
1.6.1知识图谱与数据库系统19
1.6.2知识图谱与智能问答23
1.6.3知识图谱与机器推理25
1.6.4知识图谱与推荐系统28
1.6.5区块链与去中心化的知识图谱29
1.7本章小结30
参考文献31
第2章知识图谱表示与建模40
2.1什么是知识表示40
2.2人工智能早期的知识表示方法43
2.2.1一阶谓词逻辑43
2.2.2霍恩子句和霍恩逻辑43
2.2.3语义网络44
2.2.4框架45
2.2.5描述逻辑47
2.3互联网时代的语义网知识表示框架48
2.3.1RDF和RDFS48
2.3.2OWL和OWL2Fragments53
2.3.3知识图谱查询语言的表示59
2.3.4语义Markup表示语言62
2.4常见开放域知识图谱的知识表示方法64
2.4.1Freebase64
2.4.2Wikidata65
2.4.3ConceptNet566
2.5知识图谱的向量表示方法68
2.5.1知识图谱表示的挑战68
2.5.2词的向量表示方法68
2.5.3知识图谱嵌入的概念71
2.5.4知识图谱嵌入的优点72
2.5.5知识图谱嵌入的主要方法72
2.5.6知识图谱嵌入的应用75
2.6开源工具实践：基于Protégé的本体知识建模77
2.6.1简介77
2.6.2环境准备78
2.6.3Protégé实践主要功能演示78
2.7本章小结80
参考文献80
第3章知识存储82
3.1知识图谱数据库基本知识82
3.1.1知识图谱数据模型82
3.1.2知识图谱查询语言85
3.2常见知识图谱存储方法91
3.2.1基于关系数据库的存储方案91
3.2.2面向RDF的三元组数据库101
3.2.3原生图数据库115
3.2.4知识图谱数据库比较120
3.3知识存储关键技术121
3.3.1知识图谱数据库的存储：以Neo4j为例121
3.3.2知识图谱数据库的索引124
3.4开源工具实践126
3.4.1三元组数据库ApacheJena126
3.4.2Tutorial：面向RDF的三元组数据库gStore128
参考文献131
第4章知识抽取与知识挖掘133
4.1知识抽取任务及相关竞赛133
4.1.1知识抽取任务定义133
4.1.2知识抽取相关竞赛134
4.2面向非结构化数据的知识抽取136
4.2.1实体抽取137
4.2.2关系抽取142
4.2.3事件抽取150
4.3面向结构化数据的知识抽取154
4.3.1直接映射154
4.3.2R2RML156
4.3.3相关工具159
4.4面向半结构化数据的知识抽取161
4.4.1面向百科类数据的知识抽取161
4.4.2面向Web网页的知识抽取165
4.5知识挖掘168
4.5.1知识内容挖掘：实体链接168
4.5.2知识结构挖掘：规则挖掘174
4.6开源工具实践：基于DeepDive的关系抽取实践178
4.6.1开源工具的技术架构178
4.6.2其他类似工具180
参考文献180
第5章知识图谱的融合184
5.1什么是知识图谱融合184
5.2知识图谱中的异构问题185
5.2.1语言层不匹配186
5.2.2模型层不匹配187
5.3本体概念层的融合方法与技术190
5.3.1本体映射与本体集成190
5.3.2本体映射分类192
5.3.3本体映射方法和工具195
5.3.4本体映射管理232
5.3.5本体映射应用235
5.4实例层的融合与匹配236
5.4.1知识图谱中的实例匹配问题分析236
5.4.2基于快速相似度计算的实例匹配方法240
5.4.3基于规则的实例匹配方法241
5.4.4基于分治的实例匹配方法244
5.4.5基于学习的实例匹配方法260
5.4.6实例匹配中的分布式并行处理266
5.5开源工具实践：实体关系发现框架LIMES266
5.5.1简介266
5.5.2开源工具的技术架构267
5.5.3其他类似工具269
5.6本章小结269
参考文献270
第6章知识图谱推理279
6.1推理概述279
6.1.1什么是推理279
6.1.2面向知识图谱的推理282
6.2基于演绎的知识图谱推理283
6.2.1本体推理283
6.2.2基于逻辑编程的推理方法288
6.2.3基于查询重写的方法295
6.2.4基于产生式规则的方法301
6.3基于归纳的知识图谱推理306
6.3.1基于图结构的推理306
6.3.2基于规则学习的推理313
6.3.3基于表示学习的推理318
6.4知识图谱推理新进展324
6.4.1时序预测推理324
6.4.2基于强化学习的知识图谱推理325
6.4.3基于元学习的少样本知识图谱推理326
6.4.4图神经网络与知识图谱推理326
6.5开源工具实践：基于Jena和Drools的知识推理实践327
6.5.1开源工具简介327
6.5.2开源工具的技术架构327
6.5.3开发软件版本及其下载地址328
6.5.4基于Jena的知识推理实践328
6.5.5基于Drools的知识推理实践329
6.6本章小结329
参考文献330
第7章语义搜索334
7.1语义搜索简介334
7.2结构化的查询语言336
7.2.1数据查询338
7.2.2数据插入341
7.2.3数据删除341
7.3语义数据搜索342
7.4语义搜索的交互范式348
7.4.1基于关键词的知识图谱语义搜索方法348
7.4.2基于分面的知识图谱语义搜索350
7.4.3基于表示学习的知识图谱语义搜索352
7.5开源工具实践355
7.5.1功能介绍355
7.5.2环境搭建及数据准备357
7.5.3数据准备357
7.5.4导入Elasticsearch360
7.5.5功能实现(views.py)361
7.5.6执行查询363
参考文献364
第8章知识问答366
8.1知识问答概述366
8.1.1知识问答的基本要素366
8.1.2知识问答的相关工作367
8.1.3知识问答应用场景369
8.2知识问答的分类体系371
8.2.1问题类型与答案类型371
8.2.2知识库类型374
8.2.3智能体类型375
8.3知识问答系统376
8.3.1NLIDB：早期的问答系统376
8.3.2IRQA：基于信息检索的问答系统380
8.3.3KBQA：基于知识库的问答系统380
8.3.4CommunityQA/FAQ-QA：基于问答对匹配的问答系统381
8.3.5HybridQAFramework混合问答系统框架382
8.4知识问答的评价方法386
8.4.1问答系统的评价指标386
8.4.2问答系统的评价数据集387
8.5KBQA前沿技术392
8.5.1KBQA面临的挑战392
8.5.2基于模板的方法394
8.5.3基于语义解析的方法398
8.5.4基于深度学习的传统问答模块优化401
8.5.5基于深度学习的端到端问答模型405
8.6开源工具实践406
8.6.1使用Elasticsearch搭建简单知识问答系统406
8.6.2基于gAnswer构建中英文知识问答系统410
8.7本章小结415
参考文献416
第9章知识图谱应用案例420
9.1领域知识图谱构建的技术流程420
9.1.1领域知识建模421
9.1.2知识存储422
9.1.3知识抽取422
9.1.4知识融合423
9.1.5知识计算423
9.1.6知识应用424
9.2领域知识图谱构建的基本方法425
9.2.1自顶向下的构建方法425
9.2.2自顶向下的构建方法426
9.3领域知识图谱的应用案例428
9.3.1电商知识图谱的构建与应用428
9.3.2图情知识图谱的构建与应用431
9.3.3生活娱乐知识图谱构建与应用：以美团为例435
9.3.4企业商业知识图谱的构建与应用440
9.3.5创投知识图谱的构建与应用443
9.3.6中医临床领域知识图谱的构建与应用448
9.3.7金融证券行业知识图谱应用实践452
9.4本章小结460
参考文献461