大數據知識工程

目錄
前言
第1章 緒論 1
1.1 知識工程發(fā)展歷程 1
1.2 大數據知識工程概述 3
1.2.1 產生背景 3
1.2.2 基本概念 4
1.2.3 與傳統知識工程的區(qū)別 5
1.3 與新一代人工智能的關系 6
1.3.1 新一代人工智能的特點 6
1.3.2 大數據知識工程是共性技術 7
1.4 本書的組織結構 7
1.5 本章小結 8
參考文獻 9
第2章 挑戰(zhàn)與科學問題 11
2.1 “三跨”特點 11
2.2 散、雜、亂三個挑戰(zhàn) 12
2.3 研究框架與科學問題 16
2.4 本章小結 18
參考文獻 18
第3章 知識表示 21
3.1 研究現狀與趨勢 21
3.2 傳統的知識表示方法 23
3.3 知識圖譜 26
3.3.1 知識圖譜的定義 26
3.3.2 知識圖譜的分類 26
3.3.3 知識圖譜的存儲 28
3.4 事件圖譜 29
3.4.1 事件圖譜的定義 30
3.4.2 事件圖譜的數據模型 31
3.4.3 常見事件圖譜 32
3.5 知識森林 33
3.5.1 知識森林的提出背景 33
3.5.2 知識森林的定義 34
3.5.3 知識森林的存儲模型 37
3.6 本章小結 39
參考文獻 39
第4章 知識獲取與融合 42
4.1 研究現狀與趨勢 42
4.1.1 研究現狀 42
4.1.2 挑戰(zhàn)與發(fā)展趨勢 44
4.2 知識圖譜自動構建 45
4.2.1 三元組知識抽取 45
4.2.2 三元組知識融合 49
4.3 邏輯公式抽取 50
4.3.1 邏輯公式的形式化定義 51
4.3.2 基于統計量的抽取方法 52
4.3.3 基于矩陣序列的抽取方法 54
4.3.4 基于關系路徑的抽取方法 56
4.3.5 挑戰(zhàn)與展望 57
4.4 知識森林自動構建 57
4.4.1 主題分面樹生成 58
4.4.2 文本碎片知識裝配 61
4.4.3 認知關系挖掘 63
4.4.4 知識森林可視化 67
4.5 本章小結 70
參考文獻 71
第5章 知識表征學習 75
5.1 研究現狀與趨勢 75
5.1.1 研究現狀 76
5.1.2 挑戰(zhàn)與發(fā)展趨勢 78
5.2 知識圖譜表征學習 79
5.2.1 直推式學習 79
5.2.2 歸納式學習 82
5.3 異構圖表征學習 84
5.3.1 淺層異質信息網絡表征學習 85
5.3.2 深層異質信息網絡表征學習 87
5.3.3 挑戰(zhàn)與發(fā)展趨勢 91
5.4 邏輯公式表征學習 92
5.4.1 基于序列的方法 93
5.4.2 基于樹結構的方法 93
5.4.3 基于圖結構的方法 95
5.4.4 挑戰(zhàn)與發(fā)展趨勢 97
5.5 本章小結 98
參考文獻 98
第6章 知識推理 102
6.1 研究現狀與趨勢 102
6.1.1 基本概念 102
6.1.2 研究現狀 103
6.1.3 挑戰(zhàn)與發(fā)展趨勢 106
6.2 帶有記憶的推理模型 106
6.2.1 記憶機制在推理中的作用 107
6.2.2 神經圖靈機 107
6.2.3 可微神經計算機 111
6.2.4 記憶模型總結 114
6.3 符號化分層遞階學習模型 115
6.3.1 SHiL模型 115
6.3.2 SHiL模型構建方法 116
6.3.3 復雜數據系統的層次劃分和介區(qū)域識別 117
6.3.4 符號化可微編程的介區(qū)域控制機制 118
6.3.5 跨界區(qū)域推理路徑生成 121
6.4 知識檢索 124
6.4.1 基本概念 124
6.4.2 典型知識檢索方法 126
6.4.3 知識檢索中的why-not問題 130
6.4.4 挑戰(zhàn)與發(fā)展趨勢 132
6.5 智能問答 133
6.5.1 自然語言問答 133
6.5.2 視覺問答 137
6.5.3 教科書式問答 140
6.5.4 問題生成 145
6.6 本章小結 150
參考文獻 150
第7章 典型應用 154
7.1 知識森林個性化導學 154
7.1.1 知識森林導航學習系統 155
7.1.2 知識森林AR交互學習 158
7.1.3 應用示范 161
7.2 智能化稅務治理 163
7.2.1 稅收知識庫構建 163
7.2.2 稅收優(yōu)惠計算 171
7.2.3 偷逃騙稅風險智能識別 176
7.3 網絡輿情的智能監(jiān)控 179
7.3.1 輿情網絡的定義和構建 180
7.3.2 輿情網絡應用分析 181
7.4 本章小結 185
參考文獻 185
第8章 未來研究方向 186
8.1 復雜大數據知識獲取 186
8.1.1 視覺知識 186
8.1.2 常識知識 191
8.1.3 知識增殖與量質轉化 196
8.2 知識引導+數據驅動的混合學習 198
8.2.1 可微編程 199
8.2.2 反事實推理 203
8.2.3 可解釋機器學習 208
8.3 腦啟發(fā)的知識編碼與記憶 212
8.3.1 雙過程理論啟發(fā)的認知圖譜 212
8.3.2 海馬體理論啟發(fā)的知識記憶與推理 214
8.4 本章小結 217
參考文獻 217
第9章 結語 222
致謝 224