你需要學好知識圖譜——用AI技術連線世界
微信公眾號
關鍵字全網搜尋最新排名
【機器學習演算法】：排名第一
【機器學習】：排名第一
【Python】：排名第三
【演算法】：排名第四
立即參團原價 ¥899.00
50人以上 ¥499.00
100人以上 ¥399.00
點選文末閱讀原文，立即參團
《知識圖譜》第一期
課程簡介：
本次的知識圖譜課程主要包括三大部分：
1）知識圖譜的工程方法論。指導學員瞭解並掌握知識圖譜的基本概念和發展歷史，梳理清知識圖譜的技術體系，掌握知識圖譜的核心技術原理，建立知識圖譜工程的方法論思維。
2）知識圖譜的實戰技術。從實戰出發，圍繞知識表示、知識抽取、語義搜尋、知識問答、知識推理、知識融合等系統性介紹知識圖譜相關的實戰技術，使得學員具備研發知識圖譜相關應用的基礎能力。
3）知識圖譜的典型應用。結合醫療、金融、電商等實際應用場景，介紹知識圖譜各個技術點的實際應用落地方式，使得學員具備結合自身背景開展知識圖譜技術實踐的應用能力。
主講老師：
王昊奮 著名知識圖譜專家
博士畢業於上海交通大學，CCF術語專委會執委，中文資訊學會語言與知識計算委員會副祕書長，共發表75餘篇高水平論文。中文知識圖譜zhishi.me創始人，OpenKG聯盟發起人之一，其帶隊構建的語義搜尋系統在Billion Triple Challenge中榮獲全球第2名；在著名的本體匹配競賽OAEI的實體匹配任務中斬獲得全球第1名。曾主持並參與多項國家自然科學基金、863重大專項和國家科技支撐專案，以學術負責人身份參與Paypal、Google、Intel、IBM、百度等企業的合作專案。
開課時間：2017年10月24日
學習方式：
線上直播，共11次
每週2次（週二、四晚上20:00-22:00）
直播後提供錄製回放視訊，線上反覆觀看，有效期1年
課程大綱
第一課： 知識圖譜概論
1. 知識圖譜的起源和歷史
2. 典型知識庫專案簡介
3. 知識圖譜應用簡介
4. 本次課程覆蓋的主要範圍：知識表示與建模、知識抽取與挖掘、知識儲存、知識融合、知識推理、語義搜尋、知識問答和行業知識圖譜應用剖析等內容。
第二課： 知識表示與知識建模
1. 早期知識表示簡介
2. 基於語義網的知識表示框架
a. RDF和RDFS
b. OWL和OWL2 Fragments
c. SPARQL查詢語言
d. Json-LD、RDFa、HTML5 MicroData等新型知識表示
3. 典型知識庫專案的知識表示
4. 基於本體工具（Protege）的知識建模最佳實踐
第三課： 知識抽取與挖掘I
1. 知識抽取任務定義和相關比賽：實體識別、關係抽取和事件抽取
2. 面向結構化資料（關係資料庫）的知識抽取，包括D2RQ和R2RML等轉換與對映規範與技術介紹
3. 面向半結構化資料（Web tables, 百科站點等）的知識抽取
a. 基於正則表示式的方法
b. Bootstrapping和Wrapper Induction介紹
4. 實踐展示：基於百科資料的知識抽取
第四課： 知識抽取與挖掘II
1. 面向非結構化資料（文字）的知識抽取
a. 基於本體的知識抽取，包括NELL和DeepDive系統介紹
b. 開放知識抽取，包括TextRunner、Reverb和OLLIE等系統介紹
2. 知識挖掘
a. 知識內容挖掘：實體消歧與連結
b. 知識結構挖掘：關聯規則挖掘與社群發現
c. 知識表示學習與連結預測，包括TransE和PRA等演算法介紹
第五課： 知識儲存
1. 基於關係資料庫的儲存設計，包括各種表設計和索引建立策略
2. 基於RDF的圖資料庫介紹
a. 開源資料庫介紹：Apache Jena、Sesame、gStore、RDF-3X等
b. 商業資料庫介紹：Virtuoso、AllegroGraph、BlazeGraph等
3. 原生圖資料庫介紹，包括Neo4j、OrientDB、Titan和Cayley等
4. 實踐展示：使用Apache Jena儲存百科知識，並使用Fuseki構建圖譜查詢服務
第六課： 知識融合
1. 知識融合任務定義和相關競賽：本體對齊和實體匹配
2. 本體對齊基本流程和常用方法
a. 基於Linguistic的匹配
b. 基於圖結構的匹配
c. 基於外部知識庫的匹配
3. 實體匹配基本流程和常用方法
a. 基於分塊的多階段匹配
b. 基於規則（配置或通過學習）的實體匹配
4. 知識融合工具介紹：包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault
5. 實踐展示：使用Falcon-AO融合百度百科與維基百科中的知識
第七課： 知識推理
1. 本體知識推理簡介與任務分類，包括概念可滿足性、概念包含、例項分類和一致性檢測等
2. 本體推理方法與工具介紹
a. 基於Tableaux運算的方法：Fact++、Racer、Pellet和Hermit等
b. 基於一階查詢重寫的方法：Ontology-based Data Access的Ontop等
c. 基於產生式規則的方法（如Rete)：Jena、Sesame和OWLIM等
d. 基於邏輯程式設計（如Datalog）改寫的方法：KAON2和RDFox等
3. 實踐展示：使用Jena完成百科知識上的上下位推理、缺失類別補全和一致性檢測等
第八課： 語義搜尋
1. 語義搜尋概述，包括Knowledge Card、Rich Snippet、Facebook Graph Search等
2. 基於語義標註的網頁搜尋
a. Web Data Commons專案介紹
b. 排序演算法介紹，擴充套件BM25
3. 基於圖譜的知識搜尋
a. 本體搜尋（ontology lookup）
b. 探索式知識檢索，包括查詢構造、結果排序和分面（facets）推薦
4. 知識視覺化，包括本體、查詢、結果等的展現方式和視覺化分析
5. 實踐展示：使用ElasticSearch實現百科資料的語義搜尋
第九課： 知識問答I
1. 知識問答概述和相關資料集（QALD和WebQuestions）
2. 知識問答基本流程
3. 知識問答主流方法介紹
a. 基於模板的方法，包括模板定義、模板生成和模板匹配等步驟
b. 基於語義解析的方法，包括資源對映，邏輯表示式候選生成與排序等
c. 基於深度學習的方法
第十課： 知識問答II
1. IBM Watson問答系統及核心元件詳細解讀
a. 問句理解
b. 候選答案生成
c. 基於證據的答案排序
2. 實踐展示：面向百科知識的問答baseline實現
第十一課： 行業知識圖譜應用
1. 行業知識圖譜特點
2. 行業知識圖譜應用，包括金融、醫療、數字圖書館等領域應用
3. 行業知識圖譜構建與應用的挑戰
4. 行業知識圖譜生命週期定義和關鍵元件
常見問題：
Q：參加本門課程有什麼要求？
A： 有一定Python程式設計能力，有基本大學數學基礎。
Q： 有課外學習資料嗎？
A： 有，老師會根據情況提供講義，並給出進階學習資源與專案的建議。
參團！諮詢！檢視課程！
就點這裡！