未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

工业级知识图谱：方法与实践（全彩）(博文视点出品)

作者: 张伟著 , 陈华钧著 , 张亦弛著

出版社: 电子工业出版社

出版时间: 2021-08

ISBN: 9787121417474

定价: 118.00

分类: 计算机与互联网

5 张插图图片

24人买过

本书源于阿里巴巴千亿级知识图谱构建与产业化应用的工作总结，对知识图谱理论和大规模工业实践进行了全面和深入的阐述。本书以阿里巴巴的实战经验为中心，以深厚的理论成果为支撑，详细阐述了知识图谱的方方面面。首先介绍工业场景下知识图谱的现状、存在的问题和架构设计；然后从知识表示、知识融合、知识获取、知识推理、知识存储和知识图谱前沿方向等方面入手，介绍大规模商品知识图谱的构建方法；最后结合阿里巴巴的业务实践，详细介绍知识图谱的产品设计、技术实现和业务应用细节。通过阅读本书，读者不仅可以从零开始认识知识图谱，了解知识图谱技术方法和前沿技术方向，而且可以熟悉知识图谱工业实践的实现路径，清楚知识图谱的应用方向和方法。本书介绍的成果获得钱伟长中文信息处理科学技术一等奖。

本书在知识图谱的广度和深度上兼具极强的参考性，适合人工智能相关行业的管理者和研发人员、高等院校的计算机专业学生阅读。

张  伟
博士毕业于新加坡国立大学。研究方向为知识图谱（KG）、自然语言处理（NLP）等。曾任阿里巴巴资深算法专家、新加坡资讯通信研究院NLP应用实验室主任等职位。曾担任NLP会议ACL领域主席，期刊TACL常驻审稿人。兼职复旦大学、苏州大学硕士生校外导师。主导了阿里巴巴商品知识图谱的建设。论文发表在WWW/EMNLP/AAAI/IJCAI/AIJ/CoLing/ICDE/WSDM/IJCNLP/NAACL/CIKM等国际会议和期刊上。获得了钱伟长中文信息处理科学技术一等奖，杭州市省级领军人才等荣誉。

陈华钧
浙江大学计算机科学与技术学院教授/博导，主要研究方向为知识图谱、大数据系统、自然语言处理等。在WWW/IJCAI/AAAI/KR/ACL/EMNLP/KDD/VLDB/ICDE/TKDE/ACM MM/Briefings in Bioinforamtics等国际会议或期刊上发表多篇论文。曾获国际语义网会议ISWC2006最佳论文奖、教育部技术发明一等奖、钱伟长中文信息处理科技奖一等奖、阿里巴巴优秀学术合作奖、中国工信传媒出版集团优秀出版物一等奖等奖励。牵头发起中文开放知识图谱OpenKG，中国人工智能学会知识工程专业委员会副主任、中国中文信息学会语言与知识计算专委会副主任，全国知识图谱大会CCKS2020大会主席，Elsevier Big Data Research Journal Editor in Chief。

张亦弛
毕业于伦敦大学。工作研究方向为电商领域知识图谱构建、自然语言处理和多模态技术在知识图谱的应用等。曾任阿里巴巴商品知识图谱算法负责人。在阿里巴巴知识图谱藏经阁研究计划中，联合团队与清华大学、浙江大学、中科院软件所、中科院自动化所和苏州大学等科研机构协作，构建了千亿级商品知识图谱数据，服务了阿里十多个垂直电商平台和海内外多个国家市场。学术论文发表在BMVC/EMNLP/WSDM等国内外会议和期刊中。团队多次荣获中国国家编码中心和中国ECR委员会颁发的创新项目奖、卓越项目奖，中国中文信息学会钱伟长科技奖一等奖等国家机构和学术协会奖项。

目    录

第1章  工业级知识图谱概述  / 1
1.1  知识图谱概述  / 2
1.1.1  通用知识图谱  / 2
1.1.2  行业知识图谱  / 3
1.2  工业级知识图谱实战原则  / 4
1.2.1  实践中的典型问题  / 4
1.2.2  实战原则  / 4
1.3  阿里巴巴知识引擎技术架构  / 8
1.3.1  平台产品：知识建模与管理  / 9
1.3.2  平台产品：知识生产  / 11
1.3.3  业务、平台产品：知识服务  / 16
1.4  本章小结  / 19

第2章  商品知识的表示和建模  / 20
2.1  知识表示简介  / 21
2.1.1  基于符号逻辑的知识表示方法  / 21
2.1.2  面向互联网的知识表示方法  / 23
2.1.3  基于连续向量的知识表示  / 25
2.2  行业知识建模  / 27
2.2.1  基于专家的知识建模  / 27
2.2.2  基于机器学习的知识建模  / 29
2.3  商品知识建模实践  / 32
2.3.1  术语抽取  / 33
2.3.2  商品概念及上下位关系生成  / 36
2.4  构建商品知识体系  / 37
2.4.1  通用域知识图谱  / 37
2.4.2  阿里商品域知识体系  / 39
2.5  商品知识建模应用场景  / 48
2.5.1  服务国家和社会机构应用  / 48
2.5.2  零售业务应用  / 49
2.6  小结  / 50
2.6.1  知识建模技术的未来发展  / 50
2.6.2  知识体系设计的未来发展  / 51

第3章  商品知识融合  / 53
3.1  知识融合概述  / 54
3.1.1  知识融合的主要难点  / 54
3.1.2  知识融合的基本步骤  / 55
3.2  本体对齐  / 57
3.2.1  基于语言学特征的方法  / 58
3.2.2  基于结构特征的方法  / 61
3.2.3  商品知识图谱本体对齐算法  / 63
3.3  实体对齐  / 70
3.3.1  实体对齐的流程  / 70
3.3.2  实体对齐的技术路线  / 71
3.3.3  商品知识图谱实体对齐实践  / 80
3.4  信息融合  / 91
3.4.1  无监督的信息融合方法  / 92
3.4.2  有监督和半监督的信息融合方法  / 99
3.4.3  商品知识图谱信息融合算法实践  / 100
3.5  跨语言知识融合  / 103
3.5.1  跨语言知识融合的挑战  / 103
3.5.2  跨语言实体对齐的技术路线  / 104
3.5.3  基于规则的跨语言实体对齐方法  / 104
3.5.4  基于翻译的跨语言实体对齐方法  / 105
3.5.5  基于表示学习的跨语言实体对齐方法  / 107
3.6  知识融合质量评估体系  / 110
3.6.1  知识融合评估指标介绍  / 110
3.6.2  离线融合效果评估  / 112
3.6.3  在线融合效果评估  / 117
3.7  本章小结  / 119

第4章  商品知识获取  / 120
4.1  知识获取概述  / 121
4.1.1  知识获取相关任务  / 121
4.1.2  知识获取相关测评会议  / 123
4.2  命名实体识别  / 125
4.2.1  命名实体识别概览  / 125
4.2.2  标注体系及常用数据集  / 126
4.2.3  基于规则的命名实体识别  / 128
4.2.4  基于统计模型的命名实体识别  / 128
4.2.5  基于神经网络的实体识别  / 130
4.3  实体链接  / 133
4.3.1  实体链接概述  / 133
4.3.2  候选实体生成  / 133
4.3.3  候选实体排序  / 135
4.3.4  端到端的实体链接方法  / 138
4.4  关系抽取  / 139
4.4.1  关系抽取概述  / 139
4.4.2  基于模板的关系抽取方法  / 140
4.4.3  基于监督学习的关系抽取方法  / 140
4.4.4  基于半监督学习的关系抽取方法  / 149
4.4.5  基于无监督学习的关系抽取方法  / 154
4.5  槽填充与属性补全  / 156
4.5.1  槽填充与属性补全概述  / 156
4.5.2  基于模板的方法  / 158
4.5.3  基于关系分类的方法  / 160
4.6  面向半结构化数据的知识获取  / 160
4.6.1  百科类网站数据抽取  / 160
4.6.2  面向Web网页的知识获取  / 161
4.7  低资源条件下知识获取  / 162
4.7.1  基于监督学习和弱监督学习的方法  / 163
4.7.2  基于迁移学习的方法  / 163
4.7.3  基于元学习的方法  / 164
4.7.4  基于知识增强的方法  / 165
4.8  电商领域知识获取实践  / 166
4.8.1  电商知识获取框架  / 166
4.8.2  面向场景导购的知识获取示例  / 169
4.8.3  低资源商品知识获取示例  / 177
4.9  本章小结  / 180

第5章  商品知识推理  / 182
5.1  知识推理概述  / 183
5.1.1  知识推理的作用  / 183
5.1.2  专家系统与知识推理  / 184
5.1.3  神经网络与知识推理  / 185
5.2  基于符号逻辑的知识推理  / 186
5.2.1  基于本体的知识推理方法  / 187
5.2.2  基于规则的知识推理方法  / 191
5.2.3  基于规则学习的知识图谱推理  / 197
5.3  基于表示学习的知识推理  / 200
5.3.1  基于分布式表示的知识推理  / 200
5.3.2  基于神经网络的知识推理  / 210
5.4  基于图数据库的商品知识推理引擎工程实践  / 218
5.4.1  技术框架简介  / 219
5.4.2  与传统规则推理引擎的对比  / 223
5.5  可解释的商品知识图谱推理应用实践  / 226
5.5.1  电商应用背景  / 226
5.5.2  技术实践方案  / 228
5.5.3  实验结果及案例分析  / 233
5.6  基于强化学习的商品规则学习与推理应用实践  / 236
5.6.1  电商应用背景  / 236
5.6.2  技术实践方案  / 238
5.6.3  实验结果及案例分析  / 240
5.7  本章小结  / 241

第6章  知识图谱的存储、服务与质量  / 243
6.1  知识图谱的存储  / 244
6.1.1  数据模型  / 244
6.1.2  存储系统选型  / 247
6.1.3  图查询语言  / 252
6.1.4  关键技术与选择  / 254
6.2  知识图谱的服务  / 257
6.2.1  基于知识图谱的搜索  / 258
6.2.2  基于知识图谱的推荐  / 264
6.2.3  搜索推荐在业务智能中的应用  / 274
6.2.4  基于知识图谱的问答系统  / 278
6.3  知识图谱质量保障  / 281
6.3.1  质量保障架构  / 281
6.3.2  测试原则与方法  / 282
6.4  本章小结  / 284

第7章  大规模商品知识图谱
预训练  / 285
7.1  知识预训练概述  / 286
7.1.1  预训练语言模型  / 286
7.1.2  知识图谱中的结构化上下文信息  / 288
7.1.3  基于知识增强的预训练模型  / 289
7.1.4  预训练知识图谱模型与预训练语言模型的区别  / 293
7.2  商品知识图谱静态预训练模型  / 294
7.2.1  预训练知识图谱查询框架  / 294
7.2.2  预训练知识图谱查询模块  / 295
7.2.3  预训练知识图谱查询服务  / 296
7.2.4  在任务模块中使用查询服务  / 297
7.3  商品知识图谱动态预训练模型  / 299
7.3.1  上下文模块和整合模块  / 299
7.3.2  预训练阶段和微调阶段  / 301
7.4  商品知识图谱预训练实践案例  / 303
7.4.1  基于知识图谱预训练的商品分类  / 304
7.4.2  基于知识图谱预训练的商品对齐  / 309
7.4.3  基于知识图谱预训练的商品推荐  / 312
7.4.4  基于商品知识预训练的实体识别  / 316
7.4.5  基于商品知识预训练的关系抽取与属性补齐  / 318
7.4.6  基于商品知识预训练的标题生成  / 324
7.5  总结与展望  / 325
参考文献  / 326
内容简介:
本书源于阿里巴巴千亿级知识图谱构建与产业化应用的工作总结，对知识图谱理论和大规模工业实践进行了全面和深入的阐述。本书以阿里巴巴的实战经验为中心，以深厚的理论成果为支撑，详细阐述了知识图谱的方方面面。首先介绍工业场景下知识图谱的现状、存在的问题和架构设计；然后从知识表示、知识融合、知识获取、知识推理、知识存储和知识图谱前沿方向等方面入手，介绍大规模商品知识图谱的构建方法；最后结合阿里巴巴的业务实践，详细介绍知识图谱的产品设计、技术实现和业务应用细节。通过阅读本书，读者不仅可以从零开始认识知识图谱，了解知识图谱技术方法和前沿技术方向，而且可以熟悉知识图谱工业实践的实现路径，清楚知识图谱的应用方向和方法。本书介绍的成果获得钱伟长中文信息处理科学技术一等奖。

本书在知识图谱的广度和深度上兼具极强的参考性，适合人工智能相关行业的管理者和研发人员、高等院校的计算机专业学生阅读。
作者简介:
张伟
博士毕业于新加坡国立大学。研究方向为知识图谱（KG）、自然语言处理（NLP）等。曾任阿里巴巴资深算法专家、新加坡资讯通信研究院NLP应用实验室主任等职位。曾担任NLP会议ACL领域主席，期刊TACL常驻审稿人。兼职复旦大学、苏州大学硕士生校外导师。主导了阿里巴巴商品知识图谱的建设。论文发表在WWW/EMNLP/AAAI/IJCAI/AIJ/CoLing/ICDE/WSDM/IJCNLP/NAACL/CIKM等国际会议和期刊上。获得了钱伟长中文信息处理科学技术一等奖，杭州市省级领军人才等荣誉。

陈华钧
浙江大学计算机科学与技术学院教授/博导，主要研究方向为知识图谱、大数据系统、自然语言处理等。在WWW/IJCAI/AAAI/KR/ACL/EMNLP/KDD/VLDB/ICDE/TKDE/ACM MM/Briefings in Bioinforamtics等国际会议或期刊上发表多篇论文。曾获国际语义网会议ISWC2006最佳论文奖、教育部技术发明一等奖、钱伟长中文信息处理科技奖一等奖、阿里巴巴优秀学术合作奖、中国工信传媒出版集团优秀出版物一等奖等奖励。牵头发起中文开放知识图谱OpenKG，中国人工智能学会知识工程专业委员会副主任、中国中文信息学会语言与知识计算专委会副主任，全国知识图谱大会CCKS2020大会主席，Elsevier Big Data Research Journal Editor in Chief。

张亦弛
毕业于伦敦大学。工作研究方向为电商领域知识图谱构建、自然语言处理和多模态技术在知识图谱的应用等。曾任阿里巴巴商品知识图谱算法负责人。在阿里巴巴知识图谱藏经阁研究计划中，联合团队与清华大学、浙江大学、中科院软件所、中科院自动化所和苏州大学等科研机构协作，构建了千亿级商品知识图谱数据，服务了阿里十多个垂直电商平台和海内外多个国家市场。学术论文发表在BMVC/EMNLP/WSDM等国内外会议和期刊中。团队多次荣获中国国家编码中心和中国ECR委员会颁发的创新项目奖、卓越项目奖，中国中文信息学会钱伟长科技奖一等奖等国家机构和学术协会奖项。
目录:
目    录

第1章  工业级知识图谱概述  / 1
1.1  知识图谱概述  / 2
1.1.1  通用知识图谱  / 2
1.1.2  行业知识图谱  / 3
1.2  工业级知识图谱实战原则  / 4
1.2.1  实践中的典型问题  / 4
1.2.2  实战原则  / 4
1.3  阿里巴巴知识引擎技术架构  / 8
1.3.1  平台产品：知识建模与管理  / 9
1.3.2  平台产品：知识生产  / 11
1.3.3  业务、平台产品：知识服务  / 16
1.4  本章小结  / 19

第2章  商品知识的表示和建模  / 20
2.1  知识表示简介  / 21
2.1.1  基于符号逻辑的知识表示方法  / 21
2.1.2  面向互联网的知识表示方法  / 23
2.1.3  基于连续向量的知识表示  / 25
2.2  行业知识建模  / 27
2.2.1  基于专家的知识建模  / 27
2.2.2  基于机器学习的知识建模  / 29
2.3  商品知识建模实践  / 32
2.3.1  术语抽取  / 33
2.3.2  商品概念及上下位关系生成  / 36
2.4  构建商品知识体系  / 37
2.4.1  通用域知识图谱  / 37
2.4.2  阿里商品域知识体系  / 39
2.5  商品知识建模应用场景  / 48
2.5.1  服务国家和社会机构应用  / 48
2.5.2  零售业务应用  / 49
2.6  小结  / 50
2.6.1  知识建模技术的未来发展  / 50
2.6.2  知识体系设计的未来发展  / 51

第3章  商品知识融合  / 53
3.1  知识融合概述  / 54
3.1.1  知识融合的主要难点  / 54
3.1.2  知识融合的基本步骤  / 55
3.2  本体对齐  / 57
3.2.1  基于语言学特征的方法  / 58
3.2.2  基于结构特征的方法  / 61
3.2.3  商品知识图谱本体对齐算法  / 63
3.3  实体对齐  / 70
3.3.1  实体对齐的流程  / 70
3.3.2  实体对齐的技术路线  / 71
3.3.3  商品知识图谱实体对齐实践  / 80
3.4  信息融合  / 91
3.4.1  无监督的信息融合方法  / 92
3.4.2  有监督和半监督的信息融合方法  / 99
3.4.3  商品知识图谱信息融合算法实践  / 100
3.5  跨语言知识融合  / 103
3.5.1  跨语言知识融合的挑战  / 103
3.5.2  跨语言实体对齐的技术路线  / 104
3.5.3  基于规则的跨语言实体对齐方法  / 104
3.5.4  基于翻译的跨语言实体对齐方法  / 105
3.5.5  基于表示学习的跨语言实体对齐方法  / 107
3.6  知识融合质量评估体系  / 110
3.6.1  知识融合评估指标介绍  / 110
3.6.2  离线融合效果评估  / 112
3.6.3  在线融合效果评估  / 117
3.7  本章小结  / 119

第4章  商品知识获取  / 120
4.1  知识获取概述  / 121
4.1.1  知识获取相关任务  / 121
4.1.2  知识获取相关测评会议  / 123
4.2  命名实体识别  / 125
4.2.1  命名实体识别概览  / 125
4.2.2  标注体系及常用数据集  / 126
4.2.3  基于规则的命名实体识别  / 128
4.2.4  基于统计模型的命名实体识别  / 128
4.2.5  基于神经网络的实体识别  / 130
4.3  实体链接  / 133
4.3.1  实体链接概述  / 133
4.3.2  候选实体生成  / 133
4.3.3  候选实体排序  / 135
4.3.4  端到端的实体链接方法  / 138
4.4  关系抽取  / 139
4.4.1  关系抽取概述  / 139
4.4.2  基于模板的关系抽取方法  / 140
4.4.3  基于监督学习的关系抽取方法  / 140
4.4.4  基于半监督学习的关系抽取方法  / 149
4.4.5  基于无监督学习的关系抽取方法  / 154
4.5  槽填充与属性补全  / 156
4.5.1  槽填充与属性补全概述  / 156
4.5.2  基于模板的方法  / 158
4.5.3  基于关系分类的方法  / 160
4.6  面向半结构化数据的知识获取  / 160
4.6.1  百科类网站数据抽取  / 160
4.6.2  面向Web网页的知识获取  / 161
4.7  低资源条件下知识获取  / 162
4.7.1  基于监督学习和弱监督学习的方法  / 163
4.7.2  基于迁移学习的方法  / 163
4.7.3  基于元学习的方法  / 164
4.7.4  基于知识增强的方法  / 165
4.8  电商领域知识获取实践  / 166
4.8.1  电商知识获取框架  / 166
4.8.2  面向场景导购的知识获取示例  / 169
4.8.3  低资源商品知识获取示例  / 177
4.9  本章小结  / 180

第5章  商品知识推理  / 182
5.1  知识推理概述  / 183
5.1.1  知识推理的作用  / 183
5.1.2  专家系统与知识推理  / 184
5.1.3  神经网络与知识推理  / 185
5.2  基于符号逻辑的知识推理  / 186
5.2.1  基于本体的知识推理方法  / 187
5.2.2  基于规则的知识推理方法  / 191
5.2.3  基于规则学习的知识图谱推理  / 197
5.3  基于表示学习的知识推理  / 200
5.3.1  基于分布式表示的知识推理  / 200
5.3.2  基于神经网络的知识推理  / 210
5.4  基于图数据库的商品知识推理引擎工程实践  / 218
5.4.1  技术框架简介  / 219
5.4.2  与传统规则推理引擎的对比  / 223
5.5  可解释的商品知识图谱推理应用实践  / 226
5.5.1  电商应用背景  / 226
5.5.2  技术实践方案  / 228
5.5.3  实验结果及案例分析  / 233
5.6  基于强化学习的商品规则学习与推理应用实践  / 236
5.6.1  电商应用背景  / 236
5.6.2  技术实践方案  / 238
5.6.3  实验结果及案例分析  / 240
5.7  本章小结  / 241

第6章  知识图谱的存储、服务与质量  / 243
6.1  知识图谱的存储  / 244
6.1.1  数据模型  / 244
6.1.2  存储系统选型  / 247
6.1.3  图查询语言  / 252
6.1.4  关键技术与选择  / 254
6.2  知识图谱的服务  / 257
6.2.1  基于知识图谱的搜索  / 258
6.2.2  基于知识图谱的推荐  / 264
6.2.3  搜索推荐在业务智能中的应用  / 274
6.2.4  基于知识图谱的问答系统  / 278
6.3  知识图谱质量保障  / 281
6.3.1  质量保障架构  / 281
6.3.2  测试原则与方法  / 282
6.4  本章小结  / 284

第7章  大规模商品知识图谱
预训练  / 285
7.1  知识预训练概述  / 286
7.1.1  预训练语言模型  / 286
7.1.2  知识图谱中的结构化上下文信息  / 288
7.1.3  基于知识增强的预训练模型  / 289
7.1.4  预训练知识图谱模型与预训练语言模型的区别  / 293
7.2  商品知识图谱静态预训练模型  / 294
7.2.1  预训练知识图谱查询框架  / 294
7.2.2  预训练知识图谱查询模块  / 295
7.2.3  预训练知识图谱查询服务  / 296
7.2.4  在任务模块中使用查询服务  / 297
7.3  商品知识图谱动态预训练模型  / 299
7.3.1  上下文模块和整合模块  / 299
7.3.2  预训练阶段和微调阶段  / 301
7.4  商品知识图谱预训练实践案例  / 303
7.4.1  基于知识图谱预训练的商品分类  / 304
7.4.2  基于知识图谱预训练的商品对齐  / 309
7.4.3  基于知识图谱预训练的商品推荐  / 312
7.4.4  基于商品知识预训练的实体识别  / 316
7.4.5  基于商品知识预训练的关系抽取与属性补齐  / 318
7.4.6  基于商品知识预训练的标题生成  / 324
7.5  总结与展望  / 325
参考文献  / 326

查看详情

工业级知识图谱：方法与实践（全彩）(博文视点出品)

内容简介:

作者简介:

目录: