知識圖譜從0到1：原理與 Python 實戰
劉威
買這商品的人也買了...
-
離散數學 (Rosen: Discrete Mathematics and Its Applications, 7/e)(授權經銷版)$810$770 -
程序員的數學3 : 線性代數$474$450 -
深入淺出強化學習 : 原理入門$474$450 -
極速+好用：用 C++ 及 Python 平行實作 OpenCV$680$578 -
$857強化學習, 2/e (Reinforcement Learning: An Introduction, 2/e) -
深入淺出圖神經網絡：GNN 原理解析$534$507 -
機器學習的數學基礎 : AI、深度學習打底必讀$580$458 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$458 -
最新 AI 技術：知識圖譜集技術概念大成$980$774 -
Reinforcement Learning｜強化學習深度解析 (繁體中文版) (Reinforcement Learning: An Introduction, 2/e)$1,200$948 -
圖深度學習$708$673 -
$551知識圖譜導論 -
Power BI 入門 大數據視覺化 + 智慧決策 + 雲端分享 王者歸來 (全彩印刷)$620$490 -
MATLAB 金融風險管理師 FRM : 金融科技 Fintech 應用$1,194$1,134 -
Python 資料分析必備套件！Pandas 資料清理、重塑、過濾、視覺化 (Pandas 1.x Cookbook, 2/e)$780$616 -
真槍實彈做專案：PyQt5 極速開發視窗軟體$880$695 -
產品思維從新手到資深產品經理$359$341 -
約耳趣談軟體 (Joel on Software)$580$458 -
約耳再談軟體 (More Joel on Software)$580$458 -
圖計算與推薦系統$594$564 -
$611數據科學技術：文本分析和知識圖譜 -
產品經理方法論——構建完整的產品知識體系（第2版）$539$512 -
Think Python: How to Think Like a Computer Scientist 3rd Edition$1,710$1,620 -
資深 PM 的十堂產品煉金術：從面試到 AI 應用的全方位指南，外商思維 x 台企實戰教你從0到1打造爆款產品（iThome鐵人賽系列書）$650$507 -
新世代關聯 -- 圖資料庫理論精解 + 開發實務$980$774
相關主題
商品描述
本書旨在幫助讀者全面理解知識圖譜的基本原理和概念。通過清晰的解釋和實例，讀者將深入瞭解 知識圖譜的構建、表示、推理等關鍵知識點。此外，本書通過提供代碼實戰，引導讀者親自動手構建知 識圖譜，並應用各種技術和工具進行實踐。這種實踐性的講解方法可幫助讀者更深入地理解知識圖譜的 實際應用。本書的目標是幫助讀者全面理解知識圖譜的基本原理和概念，並通過代碼實戰構建知識圖譜。 同時，本書也提供了關於大語言模型與知識圖譜相結合的內容，讓讀者進一步探索這兩個領域的交叉點。 本書內容對於人工智能基礎研究有一定的參考意義，既適合專業人士瞭解知識圖譜、深度學習和人 工智能的前沿熱點，也適合對人工智能感興趣的讀者閱讀，同時本書也可作為相關開發人員的自學用書 和參考手冊。
目錄大綱
目 錄
第一篇 基 礎 篇
第1章 知識圖譜概述 2
1.1 知識圖譜的概念 2
1.2 知識圖譜的發展 6
1.2.1 知識圖譜與人工智能 6
1.2.2 專家系統 8
1.2.3 語義網 9
1.2.4 知識圖譜的發展 11
1.3 知識圖譜的應用與現狀 12
1.3.1 知識圖譜分類 12
1.3.2 通用知識圖譜 14
1.3.3 領域知識圖譜 17
1.4 參考文獻 18
第2章 知識圖譜構建技術 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 關系抽取 27
2.2.3 事件抽取 29
2.3 知識存儲 29
2.3.1 基於表結構的關系型數據庫 30
2.3.2 RDF存儲系統 30
2.3.3 原生圖數據庫 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 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 知識圖譜的應用 42
3.1 知識庫問答 42
3.1.1 知識庫問答的構建方法 42
3.1.2 基於知識圖譜的問答系統應用 49
3.2 基於圖譜的推薦系統 49
3.2.1 推薦系統 49
3.2.2 基於知識圖譜的推薦系統 52
3.2.3 推薦系統的應用 58
3.3 參考文獻 59
第4章 數據採集與數據處理 60
4.1 數據採集 60
4.1.1 網絡爬蟲概述 60
4.1.2 網頁爬蟲採集 61
4.1.3 App爬蟲採集 66
4.1.4 反爬蟲 70
4.1.5 Scrapy框架 75
4.2 數據處理 80
4.2.1 結構化數據 81
4.2.2 半結構化數據 81
4.2.3 非結構化數據 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 關系抽取 111
5.2.1 關系抽取模型 111
5.2.2 關系抽取示例 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 知識圖譜構建 173
7.1 圖譜數據 173
7.1.1 數據採集 174
7.1.2 圖譜構建 189
7.1.3 服務器端數據接口 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
