万本电子书0元读

万本电子书0元读

顶部广告

工业级知识图谱:方法与实践电子书

本书从工业问题和工业应用手,应用前沿技术方法,定义并解决面临的技术问题. 本书是知识图谱大规模工业实践的经验总结,且包含了知识图谱的前沿学术研究。 本书得到来未来科技(浙江)有限公司CEO墙辉(玄难)倾情作序。 阿里巴巴集团副总裁、达摩院数据库首席科学家,ACM杰出科学家李飞飞,新加坡国立大学终身教授,IEEE Fellow, ISCA Fellow 李海洲,阿里巴巴集团副总裁、达摩院语言实验室首席科学家,ACM 杰出科学家 司罗,苏州大学计算机科学与技术学院院长,国家杰出青年科学基金获得者 张民,中国科学院自动化研究所研究员, 中国科学院大学人工智能学院岗位教授赵军,鼎力推荐!

售       价:¥

纸质售价:¥87.80购买纸书

247人正在读 | 0人评论 6.2

作       者:张伟,陈华钧,等

出  版  社:电子工业出版社

出版时间:2021-08-01

字       数:23.4万

所属分类: 科技 > 计算机/网络 > 多媒体/数据通信

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书源于阿里巴巴千亿级知识图谱构建与产业化应用的工作总结,对知识图谱理论和大规模工业实践行了全面和深的阐述。本书以阿里巴巴的实战经验为中心,以深厚的理论成果为支撑,详细阐述了知识图谱的方方面面。首先介绍工业场景下知识图谱的现状、存在的问题和架构设计;然后从知识表示、知识融合、知识获取、知识推理、知识存储和知识图谱前沿方向等方面手,介绍大规模商品知识图谱的构建方法;后结合阿里巴巴的业务实践,详细介绍知识图谱的产品设计、技术实现和业务应用细节。通过阅读本书,读者不仅可以从零始认识知识图谱,了解知识图谱技术方法和前沿技术方向,而且可以熟悉知识图谱工业实践的实现路径,清楚知识图谱的应用方向和方法。本书介绍的成果获得钱伟长中文信息处理科学技术一等奖。 本书在知识图谱的广度和深度上兼具极强的参考性,适合人工智能相关行业的管理者和研发人员、高等院校的计算机专业学生阅读。<br/>【推荐语】<br/>本书从工业问题和工业应用手,应用前沿技术方法,定义并解决面临的技术问题. 本书是知识图谱大规模工业实践的经验总结,且包含了知识图谱的前沿学术研究。 本书得到来未来科技(浙江)有限公司CEO墙辉(玄难)倾情作序。 阿里巴巴集团副总裁、达摩院数据库首席科学家,ACM杰出科学家李飞飞,新加坡国立大学终身教授,IEEE Fellow, ISCA Fellow 李海洲,阿里巴巴集团副总裁、达摩院语言实验室首席科学家,ACM 杰出科学家 司罗,苏州大学计算机科学与技术学院院长,国家杰出青年科学基金获得者 张民,中国科学院自动化研究所研究员, 中国科学院大学人工智能学院岗位教授赵军,鼎力推荐! 本书讨论了知识图谱的整体技术架构及各个模块的理论研究,即知识建模、知识获取、知识融合、知识推理,同时探讨了知识图谱的前沿技术话题。 本书围绕千亿级商品知识图谱这一真实工业实践案例,针对各个模块详细阐述了系统中的算法细节、工程系统实现方法及相关的业务应用。 本书介绍的成果获得钱伟长中文信息处理科学技术一等奖。 本书采用全彩印刷,提供良好阅读体验。<br/>【作者】<br/>张 伟,博士毕业于新加坡国立大学。研究方向为知识图谱(KG)、自然语言处理(NLP)等。曾任阿里巴巴资深算法专家、新加坡资讯通信研究院NLP应用实验室主任等职位。曾担任NLP会议ACL领域主席,期刊TACL常驻审稿人。兼职复旦大学、苏州大学硕士生校外导师。主导了阿里巴巴商品知识图谱的建设。论文发表在WWW/EMNLP/AAAI/IJCAI/AIJ/CoLing/ICDE/WSDM/IJCNLP/NAACL/CIKM等国际会议和期刊上。获得了钱伟长中文信息处理科学技术一等奖,杭州市省级领军人才等荣誉。   陈华钧,浙江大学计算机科学与技术学院教授/博导,主要研究方向为知识图谱、大数据系统、自然语言处理等。在WWW/IJCAI/AAAI/KR/ACL/EMNLP/KDD/VLDB/ICDE/TKDE/ACM MM/Briefings in Bioinforamtics等国际会议或期刊上发表多篇论文。曾获国际语义网会议ISWC2006论文奖、*技术发明一等奖、钱伟长中文信息处理科技奖一等奖、阿里巴巴优秀学术合作奖、中国工信传媒出版集团优秀出版物一等奖等奖励。牵头发起中文放知识图谱OpenKG,中国人工智能学会知识工程专业委员会副主任、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,Elsevier Big Data Research Journal Editor in Chief。   张亦弛,毕业于伦敦大学。工作研究方向为电商领域知识图谱构建、自然语言处理和多模态技术在知识图谱的应用等。曾任阿里巴巴商品知识图谱算法负责人。在阿里巴巴知识图谱藏经阁研究计划中,联合团队与清华大学、浙江大学、中科院软件所、中科院自动化所和苏州大学等科研机构协作,构建了千亿级商品知识图谱数据,服务了阿里十多个垂直电商平台和海内外多个国家市场。学术论文发表在BMVC/EMNLP/WSDM等国内外会议和期刊中。团队多次荣获中国国家编码中心和中国ECR委员会颁发的创新项目奖、卓越项目奖,中国中文信息学会钱伟长科技奖一等奖等国家机构和学术协会奖项。<br/>
目录展开

内容简介

前言

第1章 工业级知识图谱概述

1.1 知识图谱概述

1.1.1 通用知识图谱

1.1.2 行业知识图谱

1.2 工业级知识图谱实战原则

1.2.1 实践中的典型问题

1.2.2 实战原则

1.3 阿里巴巴知识引擎技术架构

1.3.1 平台产品:知识建模与管理

1.3.2 平台产品:知识生产

1.3.3 业务、平台产品:知识服务

1.4 本章小结

第2章 商品知识的表示和建模

2.1 知识表示简介

2.1.1 基于符号逻辑的知识表示方法

2.1.2 面向互联网的知识表示方法

2.1.3 基于连续向量的知识表示

2.2 行业知识建模

2.2.1 基于专家的知识建模

2.2.2 基于机器学习的知识建模

2.3 商品知识建模实践

2.3.1 术语抽取

2.3.2 商品概念及上下位关系生成

2.4 构建商品知识体系

2.4.1 通用域知识图谱

2.4.2 阿里商品域知识体系

2.5 商品知识建模应用场景

2.5.1 服务国家和社会机构应用

2.5.2 零售业务应用

2.6 小结

2.6.1 知识建模技术的未来发展

2.6.2 知识体系设计的未来发展

第3章 商品知识融合

3.1 知识融合概述

3.1.1 知识融合的主要难点

3.1.2 知识融合的基本步骤

3.2 本体对齐

3.2.1 基于语言学特征的方法

3.2.2 基于结构特征的方法

3.2.3 商品知识图谱本体对齐算法

3.3 实体对齐

3.3.1 实体对齐的流程

3.3.2 实体对齐的技术路线

3.3.3 商品知识图谱实体对齐实践

3.4 信息融合

3.4.1 无监督的信息融合方法

3.4.2 有监督和半监督的信息融合方法

3.4.3 商品知识图谱信息融合算法实践

3.5 跨语言知识融合

3.5.1 跨语言知识融合的挑战

3.5.2 跨语言实体对齐的技术路线

3.5.3 基于规则的跨语言实体对齐方法

3.5.4 基于翻译的跨语言实体对齐方法

3.5.5 基于表示学习的跨语言实体对齐方法

3.6 知识融合质量评估体系

3.6.1 知识融合评估指标介绍

3.6.2 离线融合效果评估

3.6.3 在线融合效果评估

3.7 本章小结

第4章 商品知识获取

4.1 知识获取概述

4.1.1 知识获取相关任务

4.1.2 知识获取相关测评会议

4.2 命名实体识别

4.2.1 命名实体识别概览

4.2.2 标注体系及常用数据集

4.2.3 基于规则的命名实体识别

4.2.4 基于统计模型的命名实体识别

4.2.5 基于神经网络的实体识别

4.3 实体链接

4.3.1 实体链接概述

4.3.2 候选实体生成

4.3.3 候选实体排序

4.3.4 端到端的实体链接方法

4.4 关系抽取

4.4.1 关系抽取概述

4.4.2 基于模板的关系抽取方法

4.4.3 基于监督学习的关系抽取方法

4.4.4 基于半监督学习的关系抽取方法

4.4.5 基于无监督学习的关系抽取方法

4.5 槽填充与属性补全

4.5.1 槽填充与属性补全概述

4.5.2 基于模板的方法

4.5.3 基于关系分类的方法

4.6 面向半结构化数据的知识获取

4.6.1 百科类网站数据抽取

4.6.2 面向Web网页的知识获取

4.7 低资源条件下知识获取

4.7.1 基于监督学习和弱监督学习的方法

4.7.2 基于迁移学习的方法

4.7.3 基于元学习的方法

4.7.4 基于知识增强的方法

4.8 电商领域知识获取实践

4.8.1 电商知识获取框架

4.8.2 面向场景导购的知识获取示例

4.8.3 低资源商品知识获取示例

4.9 本章小结

第5章 商品知识推理

5.1 知识推理概述

5.1.1 知识推理的作用

5.1.2 专家系统与知识推理

5.1.3 神经网络与知识推理

5.2 基于符号逻辑的知识推理

5.2.1 基于本体的知识推理方法

5.2.2 基于规则的知识推理方法

5.2.3 基于规则学习的知识图谱推理

5.3 基于表示学习的知识推理

5.3.1 基于分布式表示的知识推理

5.3.2 基于神经网络的知识推理

5.4 基于图数据库的商品知识推理引擎工程实践

5.4.1 技术框架简介

5.4.2 与传统规则推理引擎的对比

5.5 可解释的商品知识图谱推理应用实践

5.5.1 电商应用背景

5.5.2 技术实践方案

5.5.3 实验结果及案例分析

5.6 基于强化学习的商品规则学习与推理应用实践

5.6.1 电商应用背景

5.6.2 技术实践方案

5.6.3 实验结果及案例分析

5.7 本章小结

第6章 知识图谱的存储、服务与质量

6.1 知识图谱的存储

6.1.1 数据模型

6.1.2 存储系统选型

6.1.3 图查询语言

6.1.4 关键技术与选择

6.2 知识图谱的服务

6.2.1 基于知识图谱的搜索

6.2.2 基于知识图谱的推荐

6.2.3 搜索推荐在业务智能中的应用

6.2.4 基于知识图谱的问答系统

6.3 知识图谱质量保障

6.3.1 质量保障架构

6.3.2 测试原则与方法

6.4 本章小结

第7章 大规模商品知识图谱预训练

7.1 知识预训练概述

7.1.1 预训练语言模型

7.1.2 知识图谱中的结构化上下文信息

7.1.3 基于知识增强的预训练模型

7.1.4 预训练知识图谱模型与预训练语言模型的区别

7.2 商品知识图谱静态预训练模型

7.2.1 预训练知识图谱查询框架

7.2.2 预训练知识图谱查询模块

7.2.3 预训练知识图谱查询服务

7.2.4 在任务模块中使用查询服务

7.3 商品知识图谱动态预训练模型

7.3.1 上下文模块和整合模块

7.3.2 预训练阶段和微调阶段

7.4 商品知识图谱预训练实践案例

7.4.1 基于知识图谱预训练的商品分类

7.4.2 基于知识图谱预训练的商品对齐

7.4.3 基于知识图谱预训练的商品推荐

7.4.4 基于商品知识预训练的实体识别

7.4.5 基于商品知识预训练的关系抽取与属性补齐

7.4.6 基于商品知识预训练的标题生成

7.5 总结与展望

参考文献

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部