机器之心报道
编辑：蛋酱
2020 年，人工智能技术进入更加广阔的落地期，你一定需要这本深入浅出的 “知识图谱” 书籍。
知识图谱（ Knowledge Graph ）以结构化的形式描述客观世界中概念、实体及其关系，将信息时代各式各样的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解的能力。知识图谱给互联网语义搜索带来了新的驱动力，同时也在自然语言处理的各种应用中显示了强大威力，已经成为互联网知识驱动的智能应用的基础设施。知识图谱、大数据、深度学习一起，成为信息时代人工智能发展的核心驱动力之一。
知识图谱技术是指知识图谱建立和应用的技术，是融合机器学习、认知计算、知识表示与推理、信息检索与抽取、自然语言处理、语义 Web 、数据挖掘等方向的交叉研究。知识图谱技术的核心内容包括知识抽取与构建，知识表示，知识推理，知识存储和查询，知识图谱应用等。
作为人工智能领域的重要方向之一，目前知识图谱技术已在医疗、教育、金融、证券投资、推荐等多个领域广泛应用，并发挥着重要价值。
在最新出版的《人工智能：知识图谱前沿技术》一书中，清华大学计算机系教授朱小燕等作者从知识和知识图谱的基本概念和模型出发，着重介绍了近代知识图谱相关技术的发展情况，特别是大规模数据、人工神经元网络，以及深度学习背景下有关知识表示、知识图谱构建、知识推理和知识应用等方面的前沿算法与模型。
章节介绍
本书内容具有深入浅出、针对性高、时效性强等特点，能够帮助读者在了解知识图谱基本概念的基础上，近距离接触知识图谱领域最新研究成果，可作为相关领域学生与研究人员的良好参考与辅助。
以下为主要章节：
第一章 绪论
介绍知识与知识图谱的定义，叙述知识图谱的发展历史以及基本技术路线，对知识图谱的相关主要研究内容做概括性描述。
第二章 传统知识表示与建模
知识只有能够在合理的表示形式之下才能够满足人能够懂，机器也能够懂，才能够满足认知智能研究基础的需要。本章从知识表示基本的概念出发，介绍了历史上一些传统的知识表示方法，这些知识表示方法在人工智能发展的历史上起到了重要的作用，也深刻影响着知识图谱的发展。
第三章 现代文本表示学习
文本的表示学习是知识表示学习的基础。尤其是在当前深度学习的大背景下，通过基于神经网络的分布表示，把文本映射到一个低维度的稠密空间，有效地捕捉了文本内部各层次的语义信息。本章介绍了一些经典的文本表示学习的算法与模型。
第四章 现代知识表示与学习
知识表示学习是近几年有显著发展的一个研究分支，主要讨论如何借鉴机器学习新理论与方法，实现知识图谱构建，通过学习的方法完成知识的表示。本章论述了现代知识图谱表示学习的三大流派：几何嵌入法、神经网络方法和结合文本的表示方法。有效的知识表示对于知识构建，知识推理有着非常重要的作用。
第五章 知识图谱的构建
知识图谱的构建是知识图谱研究的核心问题之一。尤其是在近代如何在互联网、移动互联网环境下，从海量网络信息中获取知识是非常重要的研究课题。现代知识图谱的构建研究的是如何从结构化，半结构化以及结构化的海量数据中把知识抽取出来，并形成合理的知识图谱。本章主要针对知识图谱构建的三个重要任务分别进行介绍：命名实体识别，命名实体链接和命名实体关系抽取，特别侧重了相关任务基于深度学习方法。
第六章 知识推理
知识推理是知识在人工智能学科地位的主要表现，也是知识应用的灵魂与桥梁。知识推理旨在已有知识图谱的基础上进一步挖掘隐含的知识与规则。本章概要介绍了知识推理的一般概念，并针对当前流行的知识图谱推理方法进行了详细的阐述。
第七章 知识图谱的应用
知识图谱是人类对世界认识的数字化、系统化和结构化体现。知识图谱可以辅助机器进行语义的理解以及语言的生成，从而对于各种自然语言系统的应用都有很大的作用。本章主要介绍了知识图谱在知识库问答、语言生成以及情感挖掘等方面的应用和典型案例。
第八章 知识图谱资源
知识图谱的构建是一个较为庞大的系统工程，知识图谱的发展在很大程度上依赖于知识图谱资源的支撑。经过多年的发展，国际上以及国内有很多开放的知识图谱资源。本章介绍了目前比较流行的若干知识图谱供读者参考。
作者介绍
朱小燕，清华大学计算机系教授，智能技术与系统国家重点实验室主任，曾任清华大学计算机系副主任。位列“人工智能全球女性榜单”、“2019 年度中国人工智能 100 人榜单”。从事人工智能领域相关工作 30 余年，主要研究领域为智能信息处理，包括人工神经网络、机器学习、自然语言处理、智能信息提取、智能问答系统等。获得国家发明专利十余项，在国际刊物和会议上发表论文 100 余篇。近几年研究工作主要集中于新一代智能信息获取与人机对话、交互的研究，所研究的原型系统曾应用于多家知名企业。
来源：oschina
链接：https://my.oschina.net/u/4321566/blog/4423346