人工智能知识图谱从基础理论到项目案例实战课程视频教程下载。本课程从实战出发,围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术,使得学员具备研发知识图谱相关应用的基础能力。结合医疗、金融、电商等实际应用场景,介绍知识图谱各个技术点的实际应用落地方式,使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

课程大纲:

第一课:知识图谱概论  
1、知识图谱的起源和历史
2、典型知识库项目简介
3、知识图谱应用简介
4、本次课程覆盖的主要范围:知识表示与建模、知识抽取与挖掘、知识存储、知识融合、知识推理、语义搜索、知识问答和行业知识图谱应用剖析等内容。

第二课:知识表示与知识建模
1、早期知识表示简介
2、基于语义网的知识表示框架
    a、RDF和RDFS
    b、OWL和OWL2 Fragments
    c、SPARQL查询语言
    d、Json-LD、RDFa、HTML5 MicroData等新型知识表示
3、典型知识库项目的知识表示
4、基于本体工具(Protege)的知识建模最佳实践

第三课:知识抽取与挖掘I

1、知识抽取任务定义和相关比赛:实体识别、关系抽取和事件抽取
2、面向结构化数据(关系数据库)的知识抽取,包括D2RQ和R2RML等转换与映射规范与技术介绍
3、面向半结构化数据(Web tables, 百科站点等)的知识抽取
    a、基于正则表达式的方法
    b、Bootstrapping和Wrapper Induction介绍
4、实践展示:基于百科数据的知识抽取

第四课:知识抽取与挖掘II
1、面向非结构化数据(文本)的知识抽取
    a、基于本体的知识抽取,包括NELL和DeepDive系统介绍
    b、开放知识抽取,包括TextRunner、Reverb和OLLIE等系统介绍
2、知识挖掘
    a、知识内容挖掘:实体消歧与链接
    b、知识结构挖掘:关联规则挖掘与社区发现
    c、知识表示学习与链接预测,包括TransE和PRA等算法介绍

第五课:知识存储
1、基于关系数据库的存储设计,包括各种表设计和索引建立策略
2、基于RDF的图数据库介绍
    a、开源数据库介绍:Apache Jena、Sesame、gStore、RDF-3X等
    b、商业数据库介绍:Virtuoso、AllegroGraph、BlazeGraph等
3、原生图数据库介绍,包括Neo4j、OrientDB、Titan和Cayley等
4、实践展示:使用Apache Jena存储百科知识,并使用Fuseki构建图谱查询服务

第六课:知识融合
1、知识融合任务定义和相关竞赛:本体对齐和实体匹配
2、本体对齐基本流程和常用方法
    a、基于Linguistic的匹配
    b、基于图结构的匹配
    c、基于外部知识库的匹配
3、实体匹配基本流程和常用方法
    a、基于分块的多阶段匹配
    b、基于规则(配置或通过学习)的实体匹配
4、知识融合工具介绍:包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault
5、实践展示:使用Falcon-AO融合百度百科与维基百科中的知识

第七课:知识推理
1、本体知识推理简介与任务分类,包括概念可满足性、概念包含、实例分类和一致性检测等
2、本体推理方法与工具介绍
    a、基于Tableaux运算的方法:Fact++、Racer、Pellet和Hermit等
    b、基于一阶查询重写的方法:Ontology-based Data Access的Ontop等
    c、基于产生式规则的方法(如Rete):Jena、Sesame和OWLIM等
    d、基于逻辑编程(如Datalog)改写的方法:KAON2和RDFox等
3、实践展示:使用Jena完成百科知识上的上下位推理、缺失类别补全和一致性检测等

第八课:语义搜索
1、语义搜索概述,包括Knowledge Card、Rich Snippet、Facebook Graph Search等
2、基于语义标注的网页搜索
    a、Web Data Commons项目介绍
    b、排序算法介绍,扩展BM25
3、基于图谱的知识搜索
    a、本体搜索(ontology lookup)
    b、探索式知识检索,包括查询构造、结果排序和分面(facets)推荐
4、知识可视化,包括本体、查询、结果等的展现方式和可视化分析
5、实践展示:使用ElasticSearch实现百科数据的语义搜索

第九课:知识问答I
1、知识问答概述和相关数据集(QALD和WebQuestions)
2、知识问答基本流程
3、知识问答主流方法介绍
    a、基于模板的方法,包括模板定义、模板生成和模板匹配等步骤
    b、基于语义解析的方法,包括资源映射,逻辑表达式候选生成与排序等
    c、基于深度学习的方法

第十课:知识问答II
1、IBM Watson问答系统及核心组件详细解读
    a、问句理解
    b、候选答案生成
    c、基于证据的答案排序
2、实践展示:面向百科知识的问答baseline实现

第十一课:行业知识图谱应用
1、行业知识图谱特点
2、行业知识图谱应用,包括金融、医疗、数字图书馆等领域应用
3、行业知识图谱构建与应用的挑战
4、行业知识图谱生命周期定义和关键组件

主讲老师:
著名知识图谱专家
博士毕业于上海交通大学,CCF术语专委会执委,中文信息学会语言与知识计算委员会副秘书长,共发表75余篇高水平论文。中文知识图谱zhishi.me创始人,OpenKG联盟发起人之一,其带队构建的语义搜索系统在Billion Triple Challenge中荣获全球第2名;在著名的本体匹配竞赛OAEI的实体匹配任务中斩获得全球第1名。曾主持并参与多项国家自然科学基金、863重大专项和国家科技支撑项目,以学术负责人身份参与Paypal、Google、Intel、IBM、百度等企业的合作项目。

课程简介:
本次的知识图谱课程主要包括三大部分:
1、知识图谱的工程方法论。指导学员了解并掌握知识图谱的基本概念和发展历史,梳理清知识图谱的技术体系,掌握知识图谱的核心技术原理,建立知识图谱工程的方法论思维。
2、知识图谱的实战技术。从实战出发,围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术,使得学员具备研发知识图谱相关应用的基础能力。
3、知识图谱的典型应用。结合医疗、金融、电商等实际应用场景,介绍知识图谱各个技术点的实际应用落地方式,使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

面向人群:
1、希望学习知识图谱的学生;
2、希望了解知识图谱实战技术的IT从业人员;
3、未来希望成为知识图谱工程师的求职者;
4、想在知识图谱方向进行深入研究者。

学习收益:
通过本课程的学习,学员将会收获:
1、帮助学员系统性的掌握知识图谱的核心技术原理,结合近期研究成果,学习从基本概念到各个先进算法和技术的转化思路
2、了解国内外典型的开源知识库数据及技术资源
3、实践与理论结合,培养学员面对工程及学术问题的思考解决能力
4、基于百科知识进行各项核心技术的实例训练,并结合医疗、金融、电商等行业应用帮助学员快速积累知识图谱工程项目经验
5、对有志于从事知识问答工作或学术研究的学员,提供IBM Watson系统实现原理的讲解与指导

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。