知識圖譜從0到1：原理與Python實戰(zhàn)

第一篇　基  礎(chǔ)  篇
第1章  知識圖譜概述 2
1.1  知識圖譜的概念 2
1.2  知識圖譜的發(fā)展 6
1.2.1  知識圖譜與人工智能 6
1.2.2  專家系統(tǒng) 8
1.2.3  語義網(wǎng) 9
1.2.4  知識圖譜的發(fā)展 11
1.3  知識圖譜的應(yīng)用與現(xiàn)狀 12
1.3.1  知識圖譜分類 12
1.3.2  通用知識圖譜 14
1.3.3  領(lǐng)域知識圖譜 17
1.4  參考文獻 18
第2章  知識圖譜構(gòu)建技術(shù) 19
2.1  知識表示與知識建模 19
2.1.1  知識表示 19
2.1.2  知識建模 22
2.2  知識抽取 23
2.2.1  實體抽取 24
2.2.2  關(guān)系抽取 27
2.2.3  事件抽取 29
2.3  知識存儲 29
2.3.1  基于表結(jié)構(gòu)的關(guān)系型數(shù)據(jù)庫 30
2.3.2  RDF存儲系統(tǒng) 30
2.3.3  原生圖數(shù)據(jù)庫 34
2.4  知識融合 37
2.4.1  知識融合的概念 37
2.4.2  知識融合的異構(gòu) 38
2.4.3  本體匹配 38
2.4.4  實體對齊 39
2.5  知識推理 40
2.6  參考文獻 41
第3章  知識圖譜的應(yīng)用 42
3.1  知識庫問答 42
3.1.1  知識庫問答的構(gòu)建方法 42
3.1.2  基于知識圖譜的問答系統(tǒng)應(yīng)用 49
3.2  基于圖譜的推薦系統(tǒng) 49
3.2.1  推薦系統(tǒng) 49
3.2.2  基于知識圖譜的推薦系統(tǒng) 52
3.2.3  推薦系統(tǒng)的應(yīng)用 58
3.3  參考文獻 59
第4章  數(shù)據(jù)采集與數(shù)據(jù)處理 60
4.1  數(shù)據(jù)采集 60
4.1.1  網(wǎng)絡(luò)爬蟲概述 60
4.1.2  網(wǎng)頁爬蟲采集 61
4.1.3  App爬蟲采集 66
4.1.4  反爬蟲 70
4.1.5  Scrapy框架 75
4.2  數(shù)據(jù)處理 80
4.2.1  結(jié)構(gòu)化數(shù)據(jù) 81
4.2.2  半結(jié)構(gòu)化數(shù)據(jù) 81
4.2.3  非結(jié)構(gòu)化數(shù)據(jù) 82
第二篇　代碼實踐篇
第5章  知識抽取 84
5.1  實體抽取 84
5.1.1  實體抽取模型 84
5.1.2  實體抽取示例 101
5.2  關(guān)系抽取 111
5.2.1  關(guān)系抽取模型 111
5.2.2  關(guān)系抽取示例 115
5.3  事件抽取 124
5.3.1  事件抽取模型 124
5.3.2  事件抽取示例 127
5.4  參考文獻 136
第6章  知識存儲 138
6.1  知識存儲工具 138
6.1.1  Neo4j 138
6.1.2  Virtuoso 148
6.1.3  SPARQL 152
6.2  知識存儲案例 165
6.2.1  Neo4j存儲 166
6.2.2  Virtuoso存儲 169
第7章  知識圖譜構(gòu)建 173
7.1  圖譜數(shù)據(jù) 173
7.1.1  數(shù)據(jù)采集 174
7.1.2  圖譜構(gòu)建 189
7.1.3  服務(wù)器端數(shù)據(jù)接口 194
7.2  知識圖譜可視化 203
7.2.1  前端項目 203
7.2.2  圖譜可視化 215
第8章  知識圖譜與大語言模型 217
8.1  大語言模型 217
8.1.1  大語言模型概述 218
8.1.2  ChatGPT 219
8.1.3  GLM系列輕量級大語言模型 224
8.2  大語言模型與知識圖譜的融合 234
8.2.1  統(tǒng)一大語言模型與知識圖譜 234
8.2.2  大語言模型與知識圖譜前景 251