知识图谱  081104M05012H

学期:2020—2021学年(春)第二学期 | 课程属性:专业普及课 | 任课教师:赵军,陈玉博,何世柱
授课时间: 星期一,第10、11、12 节
授课地点: 教一楼107
授课周次: 1、2、3、4、6、7、8、10、11、12、13、14、16
课程编号: 081104M05012H 课时: 40 学分: 2.00
课程属性: 专业普及课 主讲教师:赵军,陈玉博,何世柱 助教:张元哲
英文名称: Knowledge Graph 召集人:

教学目的、要求

以知识图谱为核心,使学生掌握知识工程、语义网以及自然语言处理等研究方向中与大数据知识工程密切相关的基本概念、基本方法和关键技术,明确知识图谱构建及应用的研究方向、主要任务和主流方法,使学生能够了解知识图谱发展脉络,激发研究兴趣,思考核心问题,领悟发展方向,核心目标是培养学生的研究兴趣和解决实际问题的能力。
课程基本要求:关于知识图谱全栈技术的综合课程,课程内容覆盖面广,且跨越多个研究方向,因此要求学生应具备较好的数学和算法基础(如高等数学、线性代数、数理逻辑、概率论、离散数学、算法设计与分析等),还应掌握机器学习和深度学习的相关概念、方法及其相应的学习机制,了解自然语言处理若干典型任务(如分类、匹配、序列标注等)的模型、学习方法和领域应用。

预修课程

概率论

教 材

赵军,刘康,何世柱,陈玉博,《知识图谱》,高等教育出版社,2018.

主要内容

课程讲授39学时+研讨1学时=40学时。
第1章 知识图谱基础(3学时)
1.1 课程简介
1.2 知识图谱概述
1.3 知识图谱发展历史
1.4 知识图谱典型应用
第2章 机器学习与图算法基础(6学时)
2.1 机器学习基础
2.2 深度学习基础
2.3 典型图算法
2.4 面向图结构的随机游走算法
2.5 基于图结构的深度学习模型
第3章 知识表示方法 (3学时)
3.1 经典知识表示理论
3.2 语义网中的知识表示
3.3 知识图谱中的知识表示 
3.4 知识图谱的数值化表示
第4章 知识体系构建(2学时)
4.1 知识体系构建
4.2 典型知识体系
第5章 信息抽取(10学时)
5.1 实体识别概述
5.2 实体识别典型方法
5.3 实体扩展概述
5.4 实体扩展典型方法
5.5 实体消歧概述
5.6 实体消岐典型方法
5.7 关系抽取概述
5.8 关系抽取典型方法
5.9 事件抽取概述
5.10 事件抽取典型方法
5.11 知识融合概述及其主要方法
第6章  知识图谱构建实战(3学时)
6.1 领域知识图谱框架构建
6.2 半结构化文本中的知识抽取
6.3 非结构化文本中的知识抽取
第7章 知识图谱存储和检索(3学时)
7.1 基于关系数据库的知识图谱存储
7.2 基于图数据库的知识图谱存储
7.3 知识图谱的检索
第8章 知识推理和语义计算(3学时)
8.1 推理概述
8.2 知识推理分类
8.3 归纳推理:推理规则获取
8.4 演绎推理:推理具体事实
第9章 知识图谱应用(6学时)
9.1 知识问答概述
9.2 知识问答主要方法
9.3 知识型对话概述
9.4 任务导向型对话系统
9.5 通用知识对话
第10章 总结(1学时)
10.1 知识图谱研究和实践存在的问题
10.2 知识图谱的发展趋势研讨

参考文献

1. Stuart J. Russell, Peter Norvig. 人工智能:一种现代方法(第3版)(影印版). 清华大学出版社. 2011年7月出版. 
2. Brachman, Ronald J., Hector J. Levesque. Knowledge Representation and Reasoning. MIT press, 2004. 
3. Goodfellow I, Bengio Y, Courville A. Deep learning. MIT press, 2016. 
4. Blackburn P, Bos J. Representation and inference for natural language[J]. A first course in computational semantics. CSLI, 2005.