具体描述
知识图谱是一种大规模语义网络，已经成为大数据时代知识工程的代表性进展。知识图谱技术是实现机器认知智能和推动各行业智能化发展的关键基础技术。知识图谱也成为大规模知识工程的代表性实践，其学科日益完善。
《知识图谱：概念与技术》是一本系统介绍知识图谱概念、技术与实践的书籍。全书共5篇，由16 章构成，力求涵盖知识图谱相关的基本概念与关键技术。“基础篇”介绍知识图谱的基本概念、内涵与外延、历史沿革、应用价值，以及相关的基础知识。“构建篇”重点介绍大规模高质量知识图谱的自动化构建技术，涵盖词汇挖掘、实体识别、关系抽取及概念图谱构建、百科图谱构建、众包构建与质量控制等专题。“管理篇”系统地阐述了知识图谱建模与存储、查询与检索，以及图数据管理系统。“应用篇”对于基于知识图谱的关键应用技术展开介绍，包括搜索与推荐、自然语言问答，以及基于知识图谱的自然语言理解。“实践篇”介绍知识图谱实践中的基本原则和有用实践，初步讨论了知识图谱实践中的开放性问题。
《知识图谱：概念与技术》可作为高年级本科生、硕士生或者博士生的教材，也适合企业与行业智能化的从业人员阅读。
作者简介
肖仰华
博士，复旦大学教授、博士生导师、复旦大学知识工场实验室创始人。曾担任多家企业高级技术顾问与首席科学家。曾获得十多个国家、省/市、企业级的研究奖项，曾承担三十多项国家、省/市、企业级研发项目。在国际顶级学术会议与期刊（包括SIGMOD、VLDB、ICDE、IJCAI、AAAI、ACL、TKDE等）发表论文百余篇，授权近20项知识图谱专利。担任多个国际期刊编委，百余次为国际/国内学术机构/会议提供学术服务工作。领导构建了知识工场平台，发布了一系列知识图谱包括CN-DBpedia、CN-Probase等。
目录信息
第1章 知识图谱概述 2
1.1 知识图谱的基本概念 2
1.1.1 知识图谱的狭义概念 3
1.1.2 知识图谱的广义概念 8
1.2 知识图谱的历史沿革 10
1.2.1 知识图谱溯源 10
1.2.2 大数据知识工程 13
1.3 知识图谱的研究意义 16
1.3.1 知识图谱是认知智能的基石 16
1.3.2 知识引导成为解决问题的重要方式之一 19
1.4 知识图谱的应用价值 20
1.4.1 数据分析 20
1.4.2 智慧搜索 21
1.4.3 智能推荐 22
1.4.4 自然人机交互 23
1.4.5 决策支持 23
1.5 知识图谱的分类 24
1.5.1 知识图谱中的知识分类 25
1.5.2 知识图谱的领域特性 26
1.5.3 典型知识图谱 30
本章小结 38
思考题 39
参考文献 40
第2章 基础知识 43
2.1 概述 43
2.2 知识表示 45
2.2.1 基本概念 45
2.2.2 知识图谱的图表示 47
2.2.3 知识图谱的数值表示 49
2.2.4 其他相关知识表示 54
2.3 机器学习 64
2.3.1 机器学习的基本概念 65
2.3.2 深度学习概述 67
2.3.3 卷积神经网络 70
2.3.4 循环神经网络 71
2.3.5 注意力机制 72
2.4 自然语言处理 73
2.4.1 基本概念 74
2.4.2 文本的向量化表示 76
本章小结 78
思考题 79
参考文献 80
第2篇 构建篇
第3章 词汇挖掘与实体识别 84
3.1 概述 84
3.2 领域短语挖掘 86
3.2.1 问题描述 87
3.2.2 领域短语挖掘方法 88
3.2.3 统计指标特征 91
3.3 同义词挖掘 95
3.3.1 概述 95
3.3.2 典型方法 96
3.4 缩略词抽取 101
3.4.1 缩略词的概念与形式 101
3.4.2 缩略词的检测与抽取 103
3.4.3 缩略词的预测 105
3.5 实体识别 109
3.5.1 概述 109
3.5.2 传统的NER方法 110
3.5.3 基于深度学习的NER方法 114
3.5.4 近期的一些方法 120
本章小结 121
思考题 122
参考文献 122
第4章 关系抽取 127
4.1 概述 127
4.1.1 关系抽取的问题和方法分类 128
4.1.2 关系抽取常用数据集 130
4.1.3 关系抽取评估方法 131
4.2 基于模式的抽取 133
4.2.1 基于字符模式的抽取 134
4.2.2 基于语法模式的抽取 135
4.2.3 基于语义模式的抽取 135
4.2.4 自动化模式获取：自举法（Bootstrapping） 136
4.2.5 基于模式抽取的质量评估 138
4.3 基于学习的抽取 139
4.3.1 基于监督学习的关系抽取 140
4.3.2 基于远程监督学习的关系抽取 142
4.3.3 基于深度学习的关系抽取 144
4.4 开放关系抽取 150
4.4.1 TextRunner 151
4.4.2 ReVerb 152
4.4.3 Ollie 153
本章小结 154
思考题 156
参考文献 157
第5章 概念图谱构建 160
5.1 概述 160
5.1.1 常见的概念图谱 163
5.1.2 概念图谱的应用 166
5.2 isA关系抽取 168
5.2.1 基于在线百科的方法 169
5.2.2 基于模式的方法 170
5.2.3 中文概念图谱的构建 172
5.3 isA关系补全 175
5.3.1 isA关系缺失的成因 176
5.3.2 基于isA关系传递性的概念图谱补全 177
5.3.3 基于协同过滤思想的概念图谱补全 179
5.4 isA关系纠错 181
5.4.1 错误的成因 182
5.4.2 基于支持度的纠错 183
5.4.3 基于图模型的纠错 184
本章小结 185
思考题 186
参考文献 187
第6章 百科图谱构建 189
6.1 概述 189
6.1.1 什么是百科图谱 189
6.1.2 百科图谱的意义 190
6.1.3 百科图谱的分类 191
6.2 基于单源的百科图谱构建 192
6.2.1 数据获取 193
6.2.2 属性抽取 195
6.2.3 关系构建 200
6.2.4 概念层级体系构建 201
6.2.5 实体分类 201
6.3 基于多源的百科图谱融合 207
6.3.1 基于多个知识图谱的融合方法 207
6.3.2 基于多源异构数据的融合方法 215
本章小结 216
思考题 217
参考文献 217
第7章 知识图谱的众包构建 221
7.1 概述 221
7.2 知识型众包的基本概念 223
7.3 知识型众包研究的问题 226
7.3.1 What（对什么任务进行众包） 226
7.3.2 Whom（将任务交予谁完成） 229
7.3.3 How（如何完成众包） 230
7.4 基于众包的知识图谱构建与精化 235
7.4.1 本体构建阶段的人工介入 235
7.4.2 知识图谱构建阶段的人工介入 237
7.4.3 知识图谱精化阶段的人工介入 242
本章小结 244
思考题 245
参考文献 246
第8章 知识图谱的质量控制 250
8.1 概述 251
8.1.1 知识图谱质量评估的维度 251
8.1.2 知识图谱质量评估的方法 253
8.1.3 知识图谱质量控制全周期概览 254
8.2 缺失知识的发现与补全 260
8.2.1 类型补全 260
8.2.2 关系补全 263
8.2.3 属性值补全 268
8.3 错误知识的发现与纠正 270
8.3.1 错误实体类型检测 271
8.3.2 错误实体关系检测 271
8.3.3 错误属性值检测 273
8.4 过期知识的更新 274
8.4.1 基于更新频率预测的更新机制 275
8.4.2 基于时间标签的更新机制 276
8.4.3 基于热点事件发现的更新机制 277
本章小结 278
思考题 279
参考文献 280
第3篇 管理篇
第9章 知识图谱的建模与存储 286
9.1 概述 286
9.2 知识图谱的数据模型 287
9.2.1 知识图谱的三元组模型 287
9.2.2 知识图谱的图模型 291
9.3 知识图谱的物理存储 296
9.3.1 知识图谱数据的基本操作 296
9.3.2 知识图谱的关系表存储 298
9.3.3 知识图谱的图存储 302
9.3.4 分布式计算环境下的知识图谱数据存储 305
本章小结 309
思考题 310
参考文献 310
第10章 知识图谱的查询与检索 314
10.1 概述 314
10.2 查询语言：SPARQL 315
10.2.1 简单查询 315
10.2.2 SPARQL查询机制及知识图谱上的推理 321
10.3 子图查询 324
10.3.1 子图查询基本知识 324
10.3.2 近似子图查询 326
10.3.3 Top-k查询 331
10.3.4 索引结构 334
10.4 其他查询 335
10.4.1 路径查询 335
10.4.2 关键词查询 337
10.4.3 社团搜索 339
本章小结 342
思考题 343
参考文献 343
第11章 图数据管理系统 347
11.1 概述 347
11.2 知识图谱与图数据管理系统 348
11.2.1 大图管理的挑战 350
11.2.2 图数据管理系统的重要性 352
11.2.3 图管理系统管理知识图谱的挑战 354
11.3 图数据管理系统的基本架构和设计原则 357
11.4 典型的图数据管理系统 360
11.4.1 通用图数据管理系统 361
11.4.2 知识图谱专用图数据管理系统 364
11.4.3 图数据管理系统使用实例 366
本章小结 370
图数据处理的相关资源 370
思考题 371
参考文献 372
第4篇 应用篇
第12章 基于知识图谱的语言认知 376
12.1 概述 377
12.1.1 语言理解的挑战 377
12.1.2 语言理解需要知识图谱 378
12.1.3 语言理解的任务 379
12.2 实体理解 380
12.2.1 基本模型 381
12.2.2 局部实体链接分数 382
12.2.3 全局实体链接分数 383
12.2.4 模型计算 384
12.2.5 短文本实体链接 390
12.2.6 跨语言实体链接 391
12.3 概念理解 393
12.3.1 单实例概念理解 393
12.3.2 多实例概念理解 395
12.3.3 短语概念理解 397
12.3.4 关系对概念理解 399
12.3.5 概念理解应用举例 400
12.4 属性理解 401
本章小结 403
思考题 404
参考文献 404
第13章 基于知识图谱的搜索与推荐 407
13.1 概述 407
13.2 基于知识图谱的搜索 410
13.2.1 搜索概述 410
13.2.2 搜索意图理解 413
13.2.3 目标查找 415
13.2.4 结果呈现 415
13.2.5 实体探索 416
13.3 基于知识图谱的推荐 421
13.3.1 推荐的基本问题与挑战 421
13.3.2 基于知识图谱的物品画像 424
13.3.3 基于知识图谱的用户画像 429
13.3.4 基于知识图谱的跨领域推荐 431
13.3.5 基于知识图谱的可解释推荐 434
本章小结 435
思考题 437
参考文献 437
第14章 基于知识图谱的问答 440
14.1 概述 440
14.1.1 问答系统 440
14.1.2 KBQA 443
14.2 基于模板的KBQA 451
14.2.1 基于模板的意图识别 451
14.2.2 基于模板的属性关联 453
14.3 基于图模型的KBQA 455
14.3.1 监督学习方法 455
14.3.2 无监督方法 457
14.4 基于深度学习的KBQA 459
14.4.1 表示学习 460
14.4.2 分类模型 461
14.4.3 生成模型 463
本章小结 464
思考题 465
参考文献 466
第5篇 实践篇
第15章 知识图谱实践 470
15.1 概述 470
15.1.1 知识图谱应用的推动力 471
15.1.2 知识图谱应用与产业现状 473
15.1.3 知识图谱实践的系统工程观念 474
15.1.4 知识图谱助力行业智能化的演进路径 476
15.2 知识图谱系统 478
15.2.1 知识图谱系统的外部环境 478
15.2.2 知识图谱系统的关键要素 479
15.2.3 知识图谱系统的典型架构 481
15.3 知识图谱工程 487
15.3.1 基本原则 488
15.3.2 过程模型 491
15.3.3 可行性分析 493
15.3.4 实践建议 497
本章小结 501
思考题 501
参考文献 502
第16章 开放性问题 503
16.1 知识表示 503
16.1.1 与其他知识表示相联合的语义增强 503
16.1.2 过程语义增强 504
16.1.3 时空语义增强 505
16.1.4 跨模态语义增强 506
16.2 知识获取 506
16.2.1 低成本知识获取 507
16.2.2 复杂知识的获取 508
16.2.3 知识获取中的人机协作与评测 510
16.3 知识应用 511
16.3.1 知识图谱上的推理 511
16.3.2 符号知识增强机器学习 512
16.3.3 基于知识图谱的可解释人工智能 513
16.3.4 知识图谱的个性化问题 513
本章小结 514
思考题 515
参考文献 515
· · · · · · (收起)
读后感
用户评价
这本书的阅读体验非常独特，它没有那种传统教科书的枯燥感，反而像是一位经验丰富的架构师在跟你娓娓道来他的心路历程。最让我欣赏的是作者对知识图谱工程化挑战的坦诚描述。很多书籍会美化技术，只展示最优解，但《知识图谱：概念与技术》却花了不小的篇幅讨论数据质量管理、图谱的动态更新与维护，以及大规模图谱的存储与查询优化（比如图数据库的选择和索引策略）。书中对这些“脏活累活”的细致描绘，极大地拓宽了我对知识图谱项目复杂性的认知。它让我明白，构建一个高质量的知识图谱，软件工程和数据治理的重要性丝毫不亚于核心算法的先进性。这种务实到近乎苛刻的态度，让这本书的价值远远超出了学术论文的范畴，更像是一份行业最佳实践指南。
这本书的名字叫《知识图谱：概念与技术》，我读完后，脑海里立刻浮现出一部极其详尽的、关于如何构建和运用知识图谱的百科全书。首先，它对“知识图谱”这个概念的阐释，简直是深入骨髓。作者并没有停留在对图谱结构（实体、关系、属性）的简单罗列上，而是花了大量篇幅去探讨知识的本质、知识表示的演进历史，以及在不同领域（比如语义网、人工智能、数据管理）中，知识图谱扮演的核心角色。我印象最深的是其中关于本体论（Ontology）的章节，它不仅仅是机械地介绍OWL或RDF的语法，而是探讨了本体设计哲学——如何平衡模式的灵活性与严谨性，如何处理知识的异构性与冲突。这种对底层理论的深挖，使得即便是初次接触知识图谱的读者，也能建立起一个非常稳固的理论基石，不至于在后续的技术细节中迷失方向。整本书的基调是严谨且富有洞察力的，它成功地将一个看似晦涩的计算机科学概念，转化为一套清晰、可操作的思维框架。
老实说，我原本以为这会是一本偏向于理论介绍的书籍，但当我翻阅到关于“技术”的部分时，我的看法彻底改变了。作者在技术实现上的覆盖面之广，令人赞叹。从底层的数据抽取（信息抽取、关系抽取）的最新NLP技术进展，到知识融合中的实体对齐与消歧策略，每一个环节都提供了详尽的算法解析和优缺点对比。尤其是在知识推理部分，书中对基于规则的推理、概率图模型以及近些年兴起的基于深度学习的嵌入式推理（如TransE及其变种）进行了系统性的梳理。这种“从宏观理论到微观实践”的叙事结构，使得本书不仅仅停留在“是什么”的层面，更进一步深入到了“怎么做”的核心环节。对于我这种希望将知识图谱落地到实际业务中的工程师来说，这本书简直就是一本行走的“实施手册”，每一个算法讲解后附带的案例分析都极具参考价值。
如果非要用一个比喻来形容这本书的结构和深度，我会说它像是一部精密的瑞士钟表。每一个齿轮——从基础的数据模型（RDF/Property Graph）到高级的推理引擎，再到实际部署中的性能调优——都咬合得天衣无缝，且运转得精准有力。我特别喜欢作者在论述一些前沿概念时，总是会追溯到其理论源头，比如讲解向量化表示时，会回顾经典的知识表示方法；讲解图算法时，会提及图论的基础。这种“追本溯源”的写作风格，让读者在学习最新技术的同时，也能理解其背后的数学和逻辑支撑，避免了成为只会调包的“工程师”。对于那些渴望在知识图谱领域深耕，并希望未来能够参与到核心技术研发中的读者而言，这本书提供的理论深度和技术广度是无可替代的财富。
坦率讲，市面上关于新兴技术的书籍汗牛充栋，但真正能让人产生“醍醐灌顶”之感的并不多见。这本《知识图谱：概念与技术》就是其中之一。它最成功的地方，在于打破了知识图谱在不同技术栈之间的壁垒。我过去接触的知识图谱工作往往局限于NLP领域，专注于文本的结构化。然而，这本书展示了知识图谱如何无缝对接数据库技术、分布式计算框架，乃至更前沿的可解释性AI（XAI）领域。特别是关于知识图谱嵌入（KGE）如何被用于下游任务（如推荐系统或问答系统）的章节，作者没有简单地抛出结果，而是深入探讨了嵌入向量的内在可解释性，即我们如何从高维向量中“读出”知识的逻辑。这种跨学科的整合能力，使得读者能够跳出单一技术栈的限制，站在一个更广阔的视角来审视知识图谱的未来潜力。
挺复杂的感觉，第一遍看的时候不太明白，理论化的知识太多了，多看多思考吧。
非常好的一本书
非常好的书
非常好的书
非常好的书
