工业级知识图谱:方法与实践电子书

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