知識圖譜已被廣泛應用于智能信息搜索、自動問答、決策分析等領域。本書以構(gòu)建領域多層次知識體系支撐智能應用為目標，系統(tǒng)地介紹實體關系圖譜、事理圖譜和業(yè)務主題圖譜構(gòu)建過程中涉及的關鍵技術(shù)，如知識抽取、知識融合、知識存儲、事件和場景抽取、事件模式庫構(gòu)建、事理規(guī)則挖掘、層次主題挖掘、動態(tài)主題挖掘、對象屬性挖掘、主題要素關聯(lián)挖掘等。此外，本書還提供豐富的案例，展現(xiàn)如何利用知識圖譜實現(xiàn)領域智能應用。
本書內(nèi)容對于知識圖譜研究和領域應用具有一定的參考意義，既適合專業(yè)人士了解知識圖譜和深度學習前沿熱點，又適合在相關領域從事知識圖譜應用開發(fā)的人員學習，還可以作為高等院校人工智能專業(yè)師生的參考教材。
1.本書的主編是國內(nèi)從事相關領域研究和開發(fā)的一線專家，在知識工程領域有著二十余年的研究和開發(fā)經(jīng)驗。曾獲國家科技進步獎。
2.本書內(nèi)容包含了豐富的應用案例，可以幫助讀者系統(tǒng)掌握相關技術(shù)，能夠從全局和系統(tǒng)的視角看待和應用知識圖譜技術(shù)和相關原理。
馮鈞，日本名古屋大學信息工程博士，博士生導師，現(xiàn)就職于河海大學計算機與信息學院，長期從事數(shù)據(jù)管理、領域知識工程、水利大數(shù)據(jù)應用研究。主持或參與國家重點研發(fā)計劃項目、國家重大專項、國家科技支撐計劃、國家自然科學基金、水利部公益性行業(yè)專項重點項目、江蘇省科技支撐計劃以及重點工程科研項目等30余項目。獲國家科技進步二等獎1項，省部級科技進步一等獎2項、二等獎1項，發(fā)表學術(shù)論文80余篇。主持編制水利行業(yè)標準2部，出版英文學術(shù)專著1部，申請國家發(fā)明專利60余件，獲授權(quán)國家發(fā)明專利30余項，軟件著作權(quán)10余項。江蘇省“青藍工程”優(yōu)秀青年骨干教師。
目 錄
第 1章 緒論 001
1.1 知識圖譜簡介 001
1.2 領域分層知識體系 003
參考文獻 004
第 2章 實體關系圖譜構(gòu)建技術(shù) 005
2.1 知識抽取 005
2.1.1 引言 005
2.1.2 相關工作 006
2.1.3 基于維基百科的知識抽取 010
2.1.4 水利空間關系詞識別與提取 014
2.1.5 面向領域知識圖譜的關系抽取 020
2.1.6 基于強化學習的關系抽取 031
2.1.7 基于聯(lián)合學習的實體關系抽取 039
2.1.8 總結(jié) 043
2.2 知識融合 044
2.2.1 引言 044
2.2.2 相關工作 044
2.2.3 基于多特征的實體消歧 051
2.2.4 基于詞典的屬性對齊 055
2.2.5 基于貝葉斯分析的屬性真值發(fā)現(xiàn) 056
2.2.6 實驗分析 060
2.2.7 總結(jié) 063
2.3 知識存儲 063
2.3.1 引言 063
2.3.2 相關工作 064
2.3.3 基于頻繁謂詞的擴展垂直劃分方法 065
2.3.4 基于頻繁謂詞樹的SPARQL查詢方法 069
2.3.5 基于混合存儲模式的分布式SPARQL查詢優(yōu)化 076
2.3.6 總結(jié) 084
參考文獻 084
第3章 事理圖譜構(gòu)建 091
3.1 事件和場景抽取 091
3.1.1 引言 091
3.1.2 相關工作 093
3.1.3 基于預訓練模型的事件抽取 095
3.1.4 基于Bi-LG-LSTM神經(jīng)網(wǎng)絡的一元時間序列分割 101
3.1.5 基于滑動窗口采樣和DTWCorr度量方式的多元時間序列分割 107
3.1.6 總結(jié) 113
3.2 事件模式庫構(gòu)建 114
3.2.1 引言 114
3.2.2 相關工作 114
3.2.3 基于特征提取與選擇的多元時間序列聚類 115
3.2.4 基于子序列全連接的時間序列模體挖掘 122
3.2.5 基于時間序列關系的多元時間序列關聯(lián)規(guī)則挖掘 129
3.2.6 總結(jié) 135
3.3 事理規(guī)則挖掘 136
3.3.1 引言 136
3.3.2 相關工作 136
3.3.3 基于事理圖譜的時空場景事件演化成因分析 137
3.3.4 總結(jié) 144
參考文獻 144
第4章 業(yè)務主題圖譜構(gòu)建技術(shù) 149
4.1 層次主題挖掘技術(shù) 149
4.1.1 引言 149
4.1.2 相關工作 150
4.1.3 基于標簽信息的文本主題層次挖掘模型 151
4.1.4 總結(jié) 160
4.2 動態(tài)主題挖掘技術(shù) 161
4.2.1 引言 161
4.2.2 相關研究 161
4.2.3 基于主題關聯(lián)度的動態(tài)主題演化路徑挖掘 162
4.2.4 總結(jié) 166
4.3 對象屬性挖掘技術(shù) 166
4.3.1 引言 166
4.3.2 相關工作 166
4.3.3 基于LDA和同義詞識別的對象屬性挖掘 167
4.3.4 總結(jié) 174
4.4 主題 要素關聯(lián)挖掘技術(shù) 174
4.4.1 引言 174
4.4.2 相關工作 174
4.4.3 基于文檔網(wǎng)絡圖的主題關鍵要素挖掘 176
4.4.4 總結(jié) 182
參考文獻 182
第5章 領域知識應用 187
5.1 智能數(shù)據(jù)服務技術(shù)的應用案例 187
5.1.1 引言 187
5.1.2 基于知識圖譜的多關系問答 188
5.1.3 水利領域知識圖譜可視化 197
5.1.4 基于知識圖譜的個性化推薦 204
5.1.5 面向基礎水利對象的多模態(tài)數(shù)據(jù)關聯(lián)與應用 208
5.1.6 總結(jié) 214
5.2 智能決策支持的應用案例 214
5.2.1 引言 214
5.2.2 基于時空特征模式庫的決策方案生成和優(yōu)化 214
5.2.3 基于事理圖譜演化模式的反向成因分析 227
5.2.4 總結(jié) 230
5.3 智能預測模型的應用案例 231
5.3.1 引言 231
5.3.2 基于多特征小樣本數(shù)據(jù)的洪水預報 231
5.3.3 基于可解釋的時空注意力網(wǎng)絡方法的洪水預報 241
5.3.4 基于特征融合的洪水預測 252
5.3.5 基于可解釋的洪水多步預測方法 258
5.3.6 總結(jié) 263
5.4 基于耦合網(wǎng)絡的業(yè)務協(xié)同預演 264
5.4.1 引言 264
5.4.2 耦合網(wǎng)絡定義與表示 265
5.4.3 面向業(yè)務的協(xié)同預演系統(tǒng)架構(gòu) 266
5.4.4 總結(jié) 268
參考文獻 268
書單推薦
