具体描述
知识图谱是较为典型的多学科交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域。《知识图谱：方法、实践与应用》系统地介绍知识图谱涉及的关键技术，如知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、知识问答、图挖掘分析等。此外，本书还尝试将学术前沿和实战结合，让读者在掌握实际应用能力的同时对前沿技术发展有所了解。
《知识图谱：方法、实践与应用》既适合计算机和人工智能相关的研究人员阅读，又适合在企业一线从事技术和应用开发的人员学习，还可作为高等院校计算机或人工智能专业师生的参考教材。
作者简介
王昊奋，上海交通大学计算机博士。中文知识图谱zhishi.me创始人、OpenKG发起人之一、CCF理事、CCF术语审定工委主任、CCF TF执委、中文信息学会语言与知识计算专委会副秘书长、上海交通大学校友会AI分会秘书长。在知识图谱、问答系统和聊天机器人等诸多领域有丰富的研发经验。
漆桂林，东南大学计算机学院教授、东南大学认知智能研究所所长、南京柯基数据科技有限公司首席科学家、OpenKG发起人之一、中国中文信息学会语言与知识计算专业委员会副主任、中国科学技术情报学会知识组织专业委员会副主任、爱思唯尔（Elsevier）数据管理顾问委员会顾问、国际期刊 Journal of Data Intelligence 执行主编。科研成果在电力故障智能检测和知识推送、医药知识问答及网络安全态势感知系统等领域得到了实际应用。
陈华钧，浙江大学计算机科学与技术学院教授。浙江大学阿里巴巴知识引擎联合实验室负责人、浙江省大数据智能计算重点实验室副主任、中国人工智能学会知识工程与分布智能专业委员会副主任委员、中国中文信息学会语言与知识计算专业委员会副主任委员、OpenKG发起人。曾获国际语义网会议ISWC最佳论文奖。
目录信息
1.1 什么是知识图谱 1
1.2 知识图谱的发展历史 2
1.3 知识图谱的价值 5
1.4 国内外典型的知识图谱项目 9
1.4.1 早期的知识库项目 9
1.4.2 互联网时代的知识图谱 9
1.4.3 中文开放知识图谱 12
1.4.4 垂直领域知识图谱 13
1.5 知识图谱的技术流程 15
1.6 知识图谱的相关技术 19
1.6.1 知识图谱与数据库系统 19
1.6.2 知识图谱与智能问答 23
1.6.3 知识图谱与机器推理 25
1.6.4 知识图谱与推荐系统 28
1.6.5 区块链与去中心化的知识图谱 29
1.7 本章小结 30
参考文献 31
第2章 知识图谱表示与建模 40
2.1 什么是知识表示 40
2.2 人工智能早期的知识表示方法 43
2.2.1 一阶谓词逻辑 43
2.2.2 霍恩子句和霍恩逻辑 43
2.2.3 语义网络 44
2.2.4 框架 45
2.2.5 描述逻辑 47
2.3 互联网时代的语义网知识表示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知识图谱查询语言的表示 59
2.3.4 语义Markup表示语言 62
2.4 常见开放域知识图谱的知识表示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知识图谱的向量表示方法 68
2.5.1 知识图谱表示的挑战 68
2.5.2 词的向量表示方法 68
2.5.3 知识图谱嵌入的概念 71
2.5.4 知识图谱嵌入的优点 72
2.5.5 知识图谱嵌入的主要方法 72
2.5.6 知识图谱嵌入的应用 75
2.6 开源工具实践：基于Protégé的本体知识建模 77
2.6.1 简介 77
2.6.2 环境准备 78
2.6.3 Protégé实践主要功能演示 78
2.7 本章小结 80
参考文献 80
第3章 知识存储 82
3.1 知识图谱数据库基本知识 82
3.1.1 知识图谱数据模型 82
3.1.2 知识图谱查询语言 85
3.2 常见知识图谱存储方法 91
3.2.1 基于关系数据库的存储方案 91
3.2.2 面向RDF的三元组数据库 101
3.2.3 原生图数据库 115
3.2.4 知识图谱数据库比较 120
3.3 知识存储关键技术 121
3.3.1 知识图谱数据库的存储：以Neo4j为例 121
3.3.2 知识图谱数据库的索引 124
3.4 开源工具实践 126
3.4.1 三元组数据库Apache Jena 126
3.4.2 面向RDF的三元组数据库gStore 128
参考文献 131
第4章 知识抽取与知识挖掘 133
4.1 知识抽取任务及相关竞赛 133
4.1.1 知识抽取任务定义 133
4.1.2 知识抽取相关竞赛 134
4.2 面向非结构化数据的知识抽取 136
4.2.1 实体抽取 137
4.2.2 关系抽取 142
4.2.3 事件抽取 150
4.3 面向结构化数据的知识抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相关工具 159
4.4 面向半结构化数据的知识抽取 161
4.4.1 面向百科类数据的知识抽取 161
4.4.2 面向Web网页的知识抽取 165
4.5 知识挖掘 168
4.5.1 知识内容挖掘：实体链接 168
4.5.2 知识结构挖掘：规则挖掘 174
4.6 开源工具实践：基于DeepDive的关系抽取实践 178
4.6.1 开源工具的技术架构 178
4.6.2 其他类似工具 180
参考文献 180
第5章 知识图谱融合 184
5.1 什么是知识图谱融合 184
5.2 知识图谱中的异构问题 185
5.2.1 语言层不匹配 186
5.2.2 模型层不匹配 187
5.3 本体概念层的融合方法与技术 190
5.3.1 本体映射与本体集成 190
5.3.2 本体映射分类 192
5.3.3 本体映射方法和工具 195
5.3.4 本体映射管理 232
5.3.5 本体映射应用 235
5.4 实例层的融合与匹配 236
5.4.1 知识图谱中的实例匹配问题分析 236
5.4.2 基于快速相似度计算的实例匹配方法 240
5.4.3 基于规则的实例匹配方法 241
5.4.4 基于分治的实例匹配方法 244
5.4.5 基于学习的实例匹配方法 260
5.4.6 实例匹配中的分布式并行处理 266
5.5 开源工具实践：实体关系发现框架LIMES 266
5.5.1 简介 266
5.5.2 开源工具的技术架构 267
5.5.3 其他类似工具 269
5.6 本章小结 269
参考文献 269
第6章 知识图谱推理 279
6.1 推理概述 279
6.1.1 什么是推理 279
6.1.2 面向知识图谱的推理 282
6.2 基于演绎的知识图谱推理 283
6.2.1 本体推理 283
6.2.2 基于逻辑编程的推理方法 288
6.2.3 基于查询重写的方法 295
6.2.4 基于产生式规则的方法 301
6.3 基于归纳的知识图谱推理 306
6.3.1 基于图结构的推理 306
6.3.2 基于规则学习的推理 313
6.3.3 基于表示学习的推理 318
6.4 知识图谱推理新进展 324
6.4.1 时序预测推理 324
6.4.2 基于强化学习的知识图谱推理 325
6.4.3 基于元学习的少样本知识图谱推理 326
6.4.4 图神经网络与知识图谱推理 326
6.5 开源工具实践：基于Jena和Drools的知识推理实践 327
6.5.1 开源工具简介 327
6.5.2 开源工具的技术架构 327
6.5.3 开发软件版本及其下载地址 328
6.5.4 基于Jena的知识推理实践 328
6.5.5 基于Drools的知识推理实践 329
6.6 本章小结 329
参考文献 330
第7章 语义搜索 334
7.1 语义搜索简介 334
7.2 结构化的查询语言 336
7.2.1 数据查询 338
7.2.2 数据插入 341
7.2.3 数据删除 341
7.3 语义数据搜索 342
7.4 语义搜索的交互范式 348
7.4.1 基于关键词的知识图谱语义搜索方法 348
7.4.2 基于分面的知识图谱语义搜索 350
7.4.3 基于表示学习的知识图谱语义搜索 352
7.5 开源工具实践 355
7.5.1 功能介绍 355
7.5.2 环境搭建及数据准备 357
7.5.3 数据准备 357
7.5.4 导入Elasticsearch 360
7.5.5 功能实现 361
7.5.6 执行查询 363
参考文献 364
第8章 知识问答 366
8.1 知识问答概述 366
8.1.1 知识问答的基本要素 366
8.1.2 知识问答的相关工作 367
8.1.3 知识问答应用场景 369
8.2 知识问答的分类体系 371
8.2.1 问题类型与答案类型 371
8.2.2 知识库类型 374
8.2.3 智能体类型 375
8.3 知识问答系统 376
8.3.1 NLIDB：早期的问答系统 376
8.3.2 IRQA：基于信息检索的问答系统 380
8.3.3 KBQA：基于知识库的问答系统 380
8.3.4 CommunityQA/FAQ-QA：基于问答对匹配的问答系统 381
8.3.5 Hybrid QA Framework 混合问答系统框架 382
8.4 知识问答的评价方法 386
8.4.1 问答系统的评价指标 386
8.4.2 问答系统的评价数据集 387
8.5 KBQA前沿技术 392
8.5.1 KBQA面临的挑战 392
8.5.2 基于模板的方法 394
8.5.3 基于语义解析的方法 398
8.5.4 基于深度学习的传统问答模块优化 401
8.5.5 基于深度学习的端到端问答模型 405
8.6 开源工具实践 406
8.6.1 使用Elasticsearch搭建简单知识问答系统 406
8.6.2 基于gAnswer构建中英文知识问答系统 410
8.7 本章小结 415
参考文献 416
第9章 知识图谱应用案例 420
9.1 领域知识图谱构建的技术流程 420
9.1.1 领域知识建模 421
9.1.2 知识存储 422
9.1.3 知识抽取 422
9.1.4 知识融合 423
9.1.5 知识计算 423
9.1.6 知识应用 424
9.2 领域知识图谱构建的基本方法 425
9.2.1 自顶向下的构建方法 425
9.2.2 自底向上的构建方法 426
9.3 领域知识图谱的应用案例 428
9.3.1 电商知识图谱的构建与应用 428
9.3.2 图情知识图谱的构建与应用 431
9.3.3 生活娱乐知识图谱的构建与应用：以美团为例 435
9.3.4 企业商业知识图谱的构建与应用 440
9.3.5 创投知识图谱的构建与应用 443
9.3.6 中医临床领域知识图谱的构建与应用 448
9.3.7 金融证券行业知识图谱应用实践 452
9.4 本章小结 460
参考文献 461
· · · · · · (收起)
读后感
3.5星，四舍五入4星。5天浏览完一遍，有些地方需要细读，有些地方匆匆而过。 先说优点： 1. 较为全面地覆盖到了知识图谱构建及应用过程中的几个要素过程，包括知识表示、建模、抽取、存储、融合、推理，也讲了比较广泛的应用：问答和语义搜索； 2. 每章后面列了大量的文献，其...
评分3.5星，四舍五入4星。5天浏览完一遍，有些地方需要细读，有些地方匆匆而过。 先说优点： 1. 较为全面地覆盖到了知识图谱构建及应用过程中的几个要素过程，包括知识表示、建模、抽取、存储、融合、推理，也讲了比较广泛的应用：问答和语义搜索； 2. 每章后面列了大量的文献，其...
评分3.5星，四舍五入4星。5天浏览完一遍，有些地方需要细读，有些地方匆匆而过。 先说优点： 1. 较为全面地覆盖到了知识图谱构建及应用过程中的几个要素过程，包括知识表示、建模、抽取、存储、融合、推理，也讲了比较广泛的应用：问答和语义搜索； 2. 每章后面列了大量的文献，其...
评分3.5星，四舍五入4星。5天浏览完一遍，有些地方需要细读，有些地方匆匆而过。 先说优点： 1. 较为全面地覆盖到了知识图谱构建及应用过程中的几个要素过程，包括知识表示、建模、抽取、存储、融合、推理，也讲了比较广泛的应用：问答和语义搜索； 2. 每章后面列了大量的文献，其...
评分3.5星，四舍五入4星。5天浏览完一遍，有些地方需要细读，有些地方匆匆而过。 先说优点： 1. 较为全面地覆盖到了知识图谱构建及应用过程中的几个要素过程，包括知识表示、建模、抽取、存储、融合、推理，也讲了比较广泛的应用：问答和语义搜索； 2. 每章后面列了大量的文献，其...
用户评价
这本书的叙述方式非常独特，它不像我过去读过的那些技术书籍那样枯燥乏味，而是充满了故事性和启发性。作者以一种引人入胜的方式，将复杂的知识图谱概念娓娓道来，让我能够轻松地理解并消化。我被书中对于知识表示的详尽讲解所深深吸引，特别是作者关于如何将现实世界中的各种实体、属性和它们之间的关系，映射到知识图谱模型中的细致分析。 我尤其对书中关于知识图谱在医疗健康领域的应用案例深感震撼。例如，书中详细描述了如何利用知识图谱来整合海量的医学文献、临床试验数据和患者病历，从而辅助医生进行疾病诊断、制定治疗方案，甚至发现新的药物靶点。这种跨领域的数据整合和智能分析能力，让我看到了知识图谱在解决人类面临的重大挑战时所能发挥的巨大作用。我被书中对于如何利用知识图谱来发现药物相互作用、预测疾病风险等具体应用所打动。 这本书的另一个突出优点是，它对知识图谱的构建流程进行了非常全面的介绍。从最初的数据采集和预处理，到本体构建、实体识别、关系抽取，再到最终的知识融合和质量评估，每一个环节都被详细地剖析，并提供了行之有效的解决方案。我从中学到了许多实用的技术和方法，这对于我未来在实际工作中构建和维护知识图谱非常有帮助。尤其是书中关于如何处理不确定性信息和不完整数据的讨论，让我意识到了知识图谱在实际应用中会面临的诸多挑战，以及如何去应对它们。 我一直认为，知识的获取和利用是人类文明进步的关键，而知识图谱的出现，无疑将这一过程提升到了一个新的高度。这本书让我看到了，如何通过构建一个结构化的、可推理的知识体系，来赋予机器真正的“智慧”。书中关于知识图谱在智慧教育、智能政务等领域的应用，也让我看到了其广阔的发展前景。 总而言之，这本书不仅仅是一本关于知识图谱的技术书籍，更是一次关于如何构建和利用智能知识的探索之旅。它让我看到了知识图谱的无穷潜力，也激发了我对其更深入研究的兴趣。
评分这本书的内容给我留下了极其深刻的印象，它以一种非常新颖且直观的方式，为我揭示了知识图谱的神秘面纱。我尤其被书中关于数据模型设计的论述所吸引，作者并没有止步于对现有标准的介绍，而是深入探讨了如何根据不同的应用场景，灵活地设计和演进知识图谱的数据模型。举例来说，在讲解如何构建一个面向个性化推荐的知识图谱时，作者详细分析了用户画像、物品属性以及它们之间关系的表示方式，并且强调了模型的可扩展性和可维护性，这一点对于实际项目落地至关重要。 书中对知识图谱构建过程中涉及的各种技术和算法的介绍，给我提供了一个系统性的学习框架。从早期的本体工程，到后来的机器学习和深度学习在知识图谱领域的应用，作者都进行了详尽的梳理。特别是关于知识表示学习的部分，我被书中对图嵌入（Graph Embedding）技术的详细讲解所折服。它不仅介绍了主流的图嵌入算法，还分析了它们的优缺点以及适用场景，这让我对如何有效地将离散的图结构转化为低维向量表示，从而方便进行下游任务有了更清晰的认识。 这本书给我带来的最大启发，是让我看到了知识图谱作为一种通用的人工智能基础技术的潜力。它不仅仅是某个特定领域的工具，而是能够赋能几乎所有需要处理和理解海量、复杂信息的技术领域。书中关于知识图谱在智慧城市、智能制造等方面的应用案例，让我看到了知识图谱在解决现实世界中的复杂问题时所展现出的巨大威力。这些案例的分析，不仅仅是简单罗列，而是深入剖析了知识图谱如何整合多源异构数据，如何进行智能决策，从而驱动行业发展，这一点非常吸引我。 此外，这本书在讲解知识图谱的推理机制时，也做得非常出色。作者详细介绍了不同类型的推理方法，包括逻辑推理、基于规则的推理以及机器学习驱动的推理。他并没有简单地罗列公式，而是通过生动的例子，展示了这些推理方法如何在知识图谱中发挥作用，从而发现隐藏的知识和关系。例如，在讲解链式推理时，作者用了一个生活化的场景，让我瞬间理解了知识图谱如何能够通过多步推导，得出看似不直接的结论。 总的来说，这本书在知识图谱的理论框架、技术实现和实际应用等方面，都展现出了极高的水准。它不仅仅是一本技术手册，更是一部关于如何构建和利用智能信息的百科全书。我从中不仅学到了宝贵的知识，更激发了我对这个领域进行更深入探索的兴趣。
评分这本书给我带来了巨大的惊喜，完全超出我的预期！我一直对如何更有效地组织和检索信息感到好奇，而“知识图谱：方法、实践与应用”就像一把钥匙，为我打开了一个全新的世界。书中关于知识表示的论述，特别是对RDF和OWL的讲解，让我看到了数据之间内在联系的可能性，以及如何将其转化为机器可理解的结构。我尤其欣赏作者在讲解这些抽象概念时，所采用的生动类比和清晰的图示。它们不仅仅是技术术语的堆砌，而是真正将知识图谱的构建过程具象化了，让我能够逐步理解其核心原理。 这本书不仅仅是理论的罗列，更让我体会到了知识图谱在实际应用中的强大力量。书中列举了许多不同领域的案例，从智能问答到推荐系统，再到生物医药信息整合，每一个案例都让我惊叹于知识图谱的普适性和解决复杂问题的能力。例如，关于金融领域的案例，让我看到了如何通过构建金融知识图谱，来揭示不同金融产品、公司和市场之间的深层关联，从而辅助投资决策，规避风险。这些具体的实践经验，为我提供了一个清晰的行动指南，让我对接下来的学习和工作有了更明确的方向。 读完这本书，我对“智能”有了更深刻的理解。之前总觉得智能离我们很遥远，但知识图谱的出现，让我看到了实现真正智能的可能路径。书中关于推理引擎和查询语言的部分，详细阐述了如何让计算机“思考”和“理解”信息，而不仅仅是进行简单的匹配。这让我不禁联想到，未来的人工智能将不再是冷冰冰的算法，而是能够像人一样理解世界，并与之进行有意义互动的存在。这种前瞻性的思考，让我对未来的技术发展充满了期待。 这本书的另一个亮点在于其对知识图谱构建方法论的深入探讨。我一直以为构建一个完整的知识图谱是一个非常复杂且耗时的工作，但书中条理清晰地介绍了从数据采集、清洗、融合，到本体构建、模式推理等一系列流程。作者没有回避其中的挑战，反而详细分析了不同阶段可能遇到的困难，并提出了行之有效的解决方案。这对于想要投身于知识图谱领域的研究者和开发者来说，无疑是一份宝贵的财富，能够帮助他们少走弯路，提高工作效率。 总而言之，这是一本既有深度又有广度的佳作。它不仅带领我领略了知识图谱的理论之美，更让我切实感受到了其在现实世界中的巨大价值。我会被书中对复杂概念的清晰阐释所吸引，也会被那些充满想象力的应用场景所打动。这本书仿佛为我打开了一扇通往智能未来的大门，让我看到了无限的可能性。我迫不及待地想将书中的知识运用到自己的学习和工作中，去探索更多关于知识图谱的奥秘。
评分这本书的内容让我对“连接”这个概念有了全新的认识。我过去总是关注孤立的信息点，而这本书则让我看到了信息之间千丝万缕的联系，以及如何将这些联系可视化、结构化，并加以利用。书中对知识图谱的语义模型进行了深入的探讨，这让我明白了为什么知识图谱能够实现如此强大的智能应用。 我被书中关于知识图谱在社交网络分析中的应用所深深吸引。它详细阐述了如何构建社交图谱，从而分析用户之间的关系、发现社群结构、预测信息传播路径等。这让我看到了知识图谱如何帮助我们理解复杂的社会现象，并为各种社交应用提供智能化的支撑。例如，书中关于如何利用社交图谱来识别虚假信息、预测用户行为等案例，让我看到了其在信息安全和精准营销等领域的巨大价值。 这本书的另一大贡献在于，它提供了一个非常系统化的方法论，用于理解和掌握知识图谱的构建与应用。从最初的概念界定，到核心的技术原理，再到实际的落地场景，书中都进行了详尽的阐述。我尤其欣赏作者在讲解知识图谱的查询和检索技术时，所采用的清晰易懂的语言和丰富的示例。SPARQL等查询语言的介绍，让我对如何从知识图谱中提取所需信息有了直观的认识。 我一直认为，要真正驾驭人工智能，就必须理解其底层的知识表示和推理机制，而知识图谱恰恰填补了这一空白。这本书让我看到了，如何通过构建一个具有语义表示能力的知识图谱，来赋予机器更强的理解和决策能力。书中关于知识图谱在智能推荐、风险控制等领域的应用，也让我对其在各个行业中的普遍适用性有了深刻的体会。 总而言之，这本书对我而言，是一次关于信息智能化的重要启蒙。它让我看到了知识图谱连接世界、赋能智能的巨大潜力，也为我未来的学习和工作提供了宝贵的指导。
评分我一直对人工智能的底层逻辑充满好奇，而这本书的出现，恰好满足了我这种探索的渴望。书中的一些观点，让我对“智能”的定义有了更深刻的反思。我过去总认为智能就是快速的计算能力，但这本书让我明白，真正智能的关键在于对信息的理解和关联能力，而这正是知识图谱所擅长的。它不再仅仅是数据的堆砌，而是能够形成有意义的知识网络，并在此基础上进行推理和决策。 书中对知识图谱在自然语言处理（NLP）领域的应用，让我眼前一亮。我一直对机器如何理解人类语言感到困惑，这本书通过知识图谱的视角，为我提供了一个全新的解释。它详细阐述了如何利用知识图谱来增强NLP模型的语义理解能力，例如，在进行信息抽取、情感分析、机器翻译等任务时，知识图谱能够提供丰富的背景知识和上下文信息，从而显著提升模型的性能。我尤其对书中关于知识图谱增强问答系统（QA）的讲解印象深刻，它揭示了如何通过知识图谱的推理能力，让机器能够“理解”用户提出的问题，并从庞大的知识库中找到精准的答案。 这本书的另一大亮点在于其对知识图谱演进和维护的探讨。我一直认为，构建一个知识图谱只是第一步，如何让它保持新鲜和准确，使其能够随着时间的推移而不断成长，才是真正的挑战。书中详细介绍了知识图谱的更新策略、冲突消解机制以及质量评估方法，这些都是在实际应用中不可或缺的重要环节。我从中学到了如何有效地处理新生成的数据，如何及时修正错误的知识，以及如何通过各种指标来衡量知识图谱的质量，这对于保证知识图谱的长期可用性和可靠性至关重要。 阅读过程中，我仿佛置身于一个由知识构建的浩瀚宇宙，每一点信息都如同星辰，而知识图谱则是在其中描绘出星系与星系的联系。书中的一些章节，详细介绍了本体（Ontology）的设计原则和构建方法。我之前对本体的理解比较模糊，觉得它只是一个简单的概念体系，但通过这本书的学习，我才明白，一个高质量的本体是构建强大知识图谱的基石。它不仅定义了概念及其之间的关系，还为知识的组织、表示和推理提供了严谨的规范，这一点让我印象深刻。 总而言之，这本书对我而言，不只是一本关于知识图谱的书，更是一次关于信息智能化的深刻启迪。它让我看到了知识图谱在连接信息、驱动智能方面的巨大潜力，也为我未来的学习和研究指明了方向。
评分对于研究知识图谱的人来说，这本书的内容实在是太浅了，比如知识抽取，将一些论文的Summary列一下，列出几个模型，就完事了，参考文献倒是洋洋洒洒列了很多，比如知识融合，参考文献列了将近10页。 对于做应用的人来说，整本书基本没有一行参考代码，比如简单点实体识别，给个参考实现呢，没有。对于做应用的开发人员，纯理论又太过于缥缈，对于不会的人，看完整本书，依然不会。知识图谱太火了，但距离落地，这么大的一个工程，还是太遥远了。作者们都是大佬，不过这本书，还是纯理论书籍，和方法、实践、应用没什么关系，这也是我打低分的原因。
评分文献综述类编著作品，部分章节对了解业内做法有一定参考价值，深度欠奉。工作中遇到的实际问题，看了你还是找不到解决方案。
评分第一版还是不少小错误，和17年的课件不知道重合度有多少
评分第一版还是不少小错误，和17年的课件不知道重合度有多少
评分太偏理论了啊，对开发基本没什么帮助..
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有