知识表示与推理

（1）每章对多个相关研究方向的发展进程进行系统的、多维度的梳理。 （2）注重介绍传统知识工程的思想和理论，以及机器学习和深度学习在知识表示与推理各个环节中应用的技术和方法。 （3）学习本书，读者除了能够了解知识表示与推理的发展脉络，还能激发研究兴趣，思考核心问题，领悟发展方向 （4）本书在重点章节配有教学视频二维码资源，读者扫描二维码，即可在线观看。

本书聚焦于知识表示与推理，围绕经典知识表示、知识图谱、知识体系构建和知识融合、实体识别和扩展、实体消歧、关系抽取、事件抽取、知识存储和检索、经典知识推理、确定性推理与不确定性推理、数值推理、知识问答与对话等展开介绍。每章对多个相关研究方向的发展进程进行系统的、多维度的梳理，注重介绍传统知识工程的思想和理论，以及机器学习和深度学习在知识表示与推理各个环节中应用的技术和方法，从而使读者能够了解知识表示与推理的发展脉络，激发研究兴趣，思考核心问题，领悟发展方向。本书既可作为高等院校人工智能、数据科学与大数据技术等专业本科生的必修课教材，也可作为计算机科学与技术、电子信息等专业硕士研究生的选修课教材，还可作为人工智能、数据科学等相关领域从业者的参考用书。

李玉洁 ---------------------------- 李玉洁，博士，副教授，副院长，硕士研究生导师，桂林电子科技大学，广西高校人工智能算法工程重点实验室主任，主要研究方向为人工智能、机器学习等。近五年内，累积发表论文40余篇。2019年入选广西高校海外高层次人才“百人计划”。2021年获得教育部华为智能基座“栋梁之师”。

第1章  概述 1 1.1  知识表示的概念 2 1.2  知识表示与推理的发展历史 5 1.3  本书的内容安排 7 本章习题 8 第2章  经典知识表示 9 2.1  概念表示 9 2.1.1  数理逻辑 10 2.1.2  集合论 12 2.1.3  概念的现代表示 13 2.2  产生式表示法 14 2.2.1  产生式 14 2.2.2  产生式系统 15 2.3  框架表示法 17 2.4  脚本表示法 20 2.5  状态空间表示法 21 2.6  语义网表示法 23 2.6.1  语义网络 23 2.6.2  语义网知识描述体系 25 2.7  数值化表示 31 2.7.1  符号的数值化表示 31 2.7.2  文本的数值化表示 32 本章小结 32 本章习题 33 第3章  知识图谱 34 3.1  知识图谱的概念 34 3.2  知识图谱类型 36 3.3  知识图谱生命周期 42 3.3.1  知识体系构建 42 3.3.2  知识获取 43 3.3.3  知识融合 46 3.3.4  知识存储 47 3.3.5  知识推理 47 3.3.6  知识应用 48 3.4  知识图谱中的知识表示方法 50 3.4.1  表示框架 50 3.4.2  Freebase 52 3.4.3  知识图谱的数值化表示 53 3.5  知识图谱与深度学习 54 本章小结 57 本章习题 57 第4章  知识体系构建和知识融合 58 4.1  知识体系构建 58 4.1.1  人工构建方法 59 4.1.2  自动构建方法 62 4.1.3  典型知识体系 64 4.2  知识融合 66 4.2.1  框架匹配 66 4.2.2  实体对齐 68 4.2.3  冲突检测与消解 69 4.2.4  典型知识融合系统 70 本章小结 72 本章习题 72 第5章  实体识别和扩展 73 5.1  实体识别 73 5.1.1  任务概述 73 5.1.2  基于规则的实体识别方法 76 5.1.3  基于机器学习的实体识别——基于特征的方法 77 5.1.4  基于机器学习的实体识别——基于神经网络的方法 83 5.2  细粒度实体识别 84 5.2.1  任务概述 84 5.2.2  细粒度实体类别的制定 85 5.2.3  细粒度实体识别方法 86 5.3  实体扩展 86 5.3.1  任务概述 86 5.3.2  实体扩展方法 87 本章小结 91 本章习题 91 第6章  实体消歧 92 6.1  任务概述 92 6.1.1  任务定义 92 6.1.2  任务分类 93 6.1.3  相关评测 94 6.2  基于聚类的实体消歧方法 97 6.2.1  基于表层特征的实体指称项相似度计算 97 6.2.2  基于扩展特征的实体指称项相似度计算 98 6.2.3  基于社会化网络的实体指称项相似度计算 98 6.3  基于实体链接的实体消歧方法 100 6.3.1  链接候选过滤方法 100 6.3.2  实体链接方法 101 6.4  面向结构化文本的实体消歧方法 104 本章小结 105 本章习题 105 第7章  关系抽取 106 7.1  任务概述 106 7.1.1  任务定义 106 7.1.2  任务分类 107 7.1.3  任务难点 108 7.1.4  相关评测 108 7.2  限定域关系抽取 109 7.2.1  基于模板的关系抽取方法 110 7.2.2  基于机器学习的关系抽取方法 111 7.3  开放域关系抽取 120 本章小结 122 本章习题 122 第8章  事件抽取 123 8.1  概述 123 8.2  限定域事件抽取 130 8.2.1  基于模式匹配的事件抽取方法 130 8.2.2  基于机器学习的事件抽取方法 132 8.3  开放域事件抽取 136 8.3.1  基于内容特征的事件抽取方法 137 8.3.2  基于异常检测的事件抽取方法 138 8.4  事件关系抽取 138 8.4.1  事件共指关系抽取 139 8.4.2  事件因果关系抽取 139 8.4.3  子事件关系抽取 140 8.4.4  事件时序关系抽取 140 本章小结 141 本章习题 141 第9章  知识存储和检索 142 9.1  知识图谱的存储 143 9.1.1  基于表结构的存储 143 9.1.2  基于图结构的存储 148 9.2  知识检索 150 9.2.1  常见形式化查询语言 150 9.2.2  图检索技术 160 本章小结 163 本章习题 163 第10章  经典知识推理 164 10.1  典型推理任务 164 10.1.1  知识补全 164 10.1.2  知识问答 165 10.2  知识推理分类 166 10.2.1  归纳推理 166 10.2.2  演绎推理 167 10.3  知识推理方法 168 10.3.1  归纳推理：学习推理规则 168 10.3.2  演绎推理：推理具体事实 169 10.4常识知识推理 171 本章小结 173 本章习题 173 第11章  确定性推理与不确定性推理 174 11.1  确定性推理 174 11.2  不确定性推理 175 11.2.1  概述 175 11.2.2  基于概率论的推理方法 179 11.2.3  模糊推理 180 本章小结 182 本章习题 182 第12章  数值推理 183 12.1  基于数值计算的推理 183 12.1.1  基于张量分解的方法 183 12.1.2  基于能量函数的方法 185 12.2  符号演算和数值计算的融合推理 189 本章小结 191 本章习题 192 第13章  知识问答与对话 193 13.1  概述 194 13.2  知识问答 195 13.2.1  基于语义解析的方法 197 13.2.2  基于搜索排序方法 203 13.2.3  常用评测数据及各方法性能比较 208 13.3  知识对话 209 13.3.1  知识对话技术概述 209 13.3.2  任务导向型对话系统 210 13.3.3  通用对话系统 215 13.3.4  评价方法 217 本章小结 218 本章习题 218 参考文献 219