大數(shù)據(jù)知識(shí)工程

目錄
前言
第1章 緒論 1
1.1 知識(shí)工程發(fā)展歷程 1
1.2 大數(shù)據(jù)知識(shí)工程概述 3
1.2.1 產(chǎn)生背景 3
1.2.2 基本概念 4
1.2.3 與傳統(tǒng)知識(shí)工程的區(qū)別 5
1.3 與新一代人工智能的關(guān)系 6
1.3.1 新一代人工智能的特點(diǎn) 6
1.3.2 大數(shù)據(jù)知識(shí)工程是共性技術(shù) 7
1.4 本書的組織結(jié)構(gòu) 7
1.5 本章小結(jié) 8
參考文獻(xiàn) 9
第2章 挑戰(zhàn)與科學(xué)問題 11
2.1 “三跨”特點(diǎn) 11
2.2 散、雜、亂三個(gè)挑戰(zhàn) 12
2.3 研究框架與科學(xué)問題 16
2.4 本章小結(jié) 18
參考文獻(xiàn) 18
第3章 知識(shí)表示 21
3.1 研究現(xiàn)狀與趨勢(shì) 21
3.2 傳統(tǒng)的知識(shí)表示方法 23
3.3 知識(shí)圖譜 26
3.3.1 知識(shí)圖譜的定義 26
3.3.2 知識(shí)圖譜的分類 26
3.3.3 知識(shí)圖譜的存儲(chǔ) 28
3.4 事件圖譜 29
3.4.1 事件圖譜的定義 30
3.4.2 事件圖譜的數(shù)據(jù)模型 31
3.4.3 常見事件圖譜 32
3.5 知識(shí)森林 33
3.5.1 知識(shí)森林的提出背景 33
3.5.2 知識(shí)森林的定義 34
3.5.3 知識(shí)森林的存儲(chǔ)模型 37
3.6 本章小結(jié) 39
參考文獻(xiàn) 39
第4章 知識(shí)獲取與融合 42
4.1 研究現(xiàn)狀與趨勢(shì) 42
4.1.1 研究現(xiàn)狀 42
4.1.2 挑戰(zhàn)與發(fā)展趨勢(shì) 44
4.2 知識(shí)圖譜自動(dòng)構(gòu)建 45
4.2.1 三元組知識(shí)抽取 45
4.2.2 三元組知識(shí)融合 49
4.3 邏輯公式抽取 50
4.3.1 邏輯公式的形式化定義 51
4.3.2 基于統(tǒng)計(jì)量的抽取方法 52
4.3.3 基于矩陣序列的抽取方法 54
4.3.4 基于關(guān)系路徑的抽取方法 56
4.3.5 挑戰(zhàn)與展望 57
4.4 知識(shí)森林自動(dòng)構(gòu)建 57
4.4.1 主題分面樹生成 58
4.4.2 文本碎片知識(shí)裝配 61
4.4.3 認(rèn)知關(guān)系挖掘 63
4.4.4 知識(shí)森林可視化 67
4.5 本章小結(jié) 70
參考文獻(xiàn) 71
第5章 知識(shí)表征學(xué)習(xí) 75
5.1 研究現(xiàn)狀與趨勢(shì) 75
5.1.1 研究現(xiàn)狀 76
5.1.2 挑戰(zhàn)與發(fā)展趨勢(shì) 78
5.2 知識(shí)圖譜表征學(xué)習(xí) 79
5.2.1 直推式學(xué)習(xí) 79
5.2.2 歸納式學(xué)習(xí) 82
5.3 異構(gòu)圖表征學(xué)習(xí) 84
5.3.1 淺層異質(zhì)信息網(wǎng)絡(luò)表征學(xué)習(xí) 85
5.3.2 深層異質(zhì)信息網(wǎng)絡(luò)表征學(xué)習(xí) 87
5.3.3 挑戰(zhàn)與發(fā)展趨勢(shì) 91
5.4 邏輯公式表征學(xué)習(xí) 92
5.4.1 基于序列的方法 93
5.4.2 基于樹結(jié)構(gòu)的方法 93
5.4.3 基于圖結(jié)構(gòu)的方法 95
5.4.4 挑戰(zhàn)與發(fā)展趨勢(shì) 97
5.5 本章小結(jié) 98
參考文獻(xiàn) 98
第6章 知識(shí)推理 102
6.1 研究現(xiàn)狀與趨勢(shì) 102
6.1.1 基本概念 102
6.1.2 研究現(xiàn)狀 103
6.1.3 挑戰(zhàn)與發(fā)展趨勢(shì) 106
6.2 帶有記憶的推理模型 106
6.2.1 記憶機(jī)制在推理中的作用 107
6.2.2 神經(jīng)圖靈機(jī) 107
6.2.3 可微神經(jīng)計(jì)算機(jī) 111
6.2.4 記憶模型總結(jié) 114
6.3 符號(hào)化分層遞階學(xué)習(xí)模型 115
6.3.1 SHiL模型 115
6.3.2 SHiL模型構(gòu)建方法 116
6.3.3 復(fù)雜數(shù)據(jù)系統(tǒng)的層次劃分和介區(qū)域識(shí)別 117
6.3.4 符號(hào)化可微編程的介區(qū)域控制機(jī)制 118
6.3.5 跨界區(qū)域推理路徑生成 121
6.4 知識(shí)檢索 124
6.4.1 基本概念 124
6.4.2 典型知識(shí)檢索方法 126
6.4.3 知識(shí)檢索中的why-not問題 130
6.4.4 挑戰(zhàn)與發(fā)展趨勢(shì) 132
6.5 智能問答 133
6.5.1 自然語言問答 133
6.5.2 視覺問答 137
6.5.3 教科書式問答 140
6.5.4 問題生成 145
6.6 本章小結(jié) 150
參考文獻(xiàn) 150
第7章 典型應(yīng)用 154
7.1 知識(shí)森林個(gè)性化導(dǎo)學(xué) 154
7.1.1 知識(shí)森林導(dǎo)航學(xué)習(xí)系統(tǒng) 155
7.1.2 知識(shí)森林AR交互學(xué)習(xí) 158
7.1.3 應(yīng)用示范 161
7.2 智能化稅務(wù)治理 163
7.2.1 稅收知識(shí)庫構(gòu)建 163
7.2.2 稅收優(yōu)惠計(jì)算 171
7.2.3 偷逃騙稅風(fēng)險(xiǎn)智能識(shí)別 176
7.3 網(wǎng)絡(luò)輿情的智能監(jiān)控 179
7.3.1 輿情網(wǎng)絡(luò)的定義和構(gòu)建 180
7.3.2 輿情網(wǎng)絡(luò)應(yīng)用分析 181
7.4 本章小結(jié) 185
參考文獻(xiàn) 185
第8章 未來研究方向 186
8.1 復(fù)雜大數(shù)據(jù)知識(shí)獲取 186
8.1.1 視覺知識(shí) 186
8.1.2 常識(shí)知識(shí) 191
8.1.3 知識(shí)增殖與量質(zhì)轉(zhuǎn)化 196
8.2 知識(shí)引導(dǎo)+數(shù)據(jù)驅(qū)動(dòng)的混合學(xué)習(xí) 198
8.2.1 可微編程 199
8.2.2 反事實(shí)推理 203
8.2.3 可解釋機(jī)器學(xué)習(xí) 208
8.3 腦啟發(fā)的知識(shí)編碼與記憶 212
8.3.1 雙過程理論啟發(fā)的認(rèn)知圖譜 212
8.3.2 海馬體理論啟發(fā)的知識(shí)記憶與推理 214
8.4 本章小結(jié) 217
參考文獻(xiàn) 217
第9章 結(jié)語 222
致謝 224