自然语言理解与行业知识图谱:概念、方法与工程落地电子书

作者简介

推荐序一

推荐序二

前言

符号表

第1章 自然语言之“理解”

1.1 基本脉络

1.1.1 文字传承

1.1.2 机器处理

1.1.3 理解困境

1.歧义消解

2.未知语言现象

3.表示和学习

1.2 商业曙光

1.3 认知落脚点

1.3.1 文本分析之锚

1.3.2 走向智能之路

1.3.3 第一步在何方

1.4 思辨未来

1.4.1 语言理解与语义知识的辨析

1.4.2 行业知识图谱构建问题

小结

参考文献[1]

第2章 自然语言理解逻辑

2.1 符号-连接-融合

2.2 语言理解任务

2.2.1 语法类任务

1.词法分析

2.句法分析

3.篇章分析

2.2.2 语义类任务

1.经典语义分析

2.信息抽取

3.关联推理

4.信息融合

2.2.3 语用类任务

1.分级分类

2.情感分析

3.搜索推荐

4.问答对话

5.摘要描述

6.机器翻译

2.3 语言理解体系

小结

参考文献

第3章 自然语言处理

3.1 自然语言文本特征

3.1.1 通用语言文本特征

3.1.2 行业语言文本特征

3.1.3 语言文本特征表示

3.1.4 语言特征选择

1.评估函数筛选

2.映射变换筛选

3.深层特征选择

3.2 自然语言统计学习

3.2.1 统计学习基础

1.模型设计

2.学习策略

3.参数优化

3.2.2 语言语料库

1.生语料库和标注语料库

2.平衡语料库与平行语料库

3.通用语料库和专用语料库

3.2.3 语料采样

3.2.4 语言模型

3.3 自然语言机器学习

3.3.1 文本分类方法

1.基本分类思想

2.从线性分类出发

3.从决策树到集成学习

3.3.2 文本标注方法

1.概率图模型

2.隐马尔可夫模型

3.条件随机场

4.讨论与小结

3.3.3 文本聚类方法

1.质心聚类

2.密度聚类

3.层次聚类

4.讨论与小结

3.3.4 文本生成方法

1.抽取式方法

2.生成式方法

3.讨论与小结

3.3.5 文本匹配方法

1.文本相似计算

2.深度语义匹配

3.3.6 图计算方法

1.图检索

2.图聚类

3.图检测

3.4 自然语言深度学习

3.4.1 神经网络学习

1.大脑学习机制

2.人工神经网络

3.前馈神经网络

4.深度置信网络

3.4.2 神经网络结构

1.卷积神经网络

2.循环神经网络

3.递归神经网络

4.图神经网络

5.编码-解码框架

6.注意力机制

7.Transformer网络

8.生成对抗网络

3.4.3 深度表示学习

1.级联-多任务-少样本

2.训练优化-工程实现

3.4.4 预训练语言模型

1.Word2vec模型

2.ELMo模型

3.BERT模型

4.小结与讨论

3.4.5 前沿与思考

小结

参考文献

第4章 知识图谱

4.1 语言知识与语言知识库

1.WordNet

2.FrameNet

3.知网

4.北京大学综合语言语料库

5.概念层次网络

4.2 知识图谱演进

1.符号主义兴起

2.知识工程诞生

3.语义网浪潮

4.知识图谱

4.3 知识图谱工程

4.3.1 知识表示

1.符号表示

2.向量表示

3.跨模态知识表示

4.3.2 知识加工

1.知识抽取

2.知识链接

3.知识融合

4.知识验证

4.3.3 知识建模与计算

1.本体构建

2.知识推理

4.3.4 知识存储与查询

1.图数据库

2.知识查询

4.3.5 知识更新

4.4 知识图谱智能

4.4.1 语义匹配

1.关键词增强

2.实体链接（对齐）

3.概念匹配

4.句间关系匹配

4.4.2 搜索推荐

1.实体与概念识别

2.查询意图理解

3.查询语句生成

4.答案推荐与评估

4.4.3 问答对话

1.问句意图识别

2.实体识别与连接

3.槽位与关系识别

4.问句改写

5.答案排序与评估

4.4.4 推理决策

4.4.5 区块链协作

1.知识一致性鉴真

2.去中心化的价值图谱

4.5 通用知识图谱

4.5.1 百科知识图谱

1.DBpedia

2.YAGO

3.Freebase

4.BabelNet

5.Wikidata

4.5.2 常识知识图谱

1.Cyc

2.ConceptNet

3.Microsoft ConceptGraph

4.NELL

4.5.3 中文类知识图谱

1.Zhishi.me

2.XLore

3.CN-DBpedia

4.6 行业知识图谱

4.6.1 金融知识图谱

1.行业知识

2.行业痛点

3.场景解决方案

4.6.2 医疗知识图谱

1.行业知识

2.行业痛点

3.场景解决方案

4.6.3 教育知识图谱

1.行业知识

2.行业痛点

3.场景解决方案

4.6.4 公安知识图谱

1.行业知识

2.行业痛点

3.场景解决方案

4.6.5 司法知识图谱

1.知识来源

2.行业痛点

3.应用案例

4.6.6 电商生活知识图谱

1.知识来源

2.行业痛点

3.场景解决方案

4.6.7 图书文献知识图谱

1.知识来源

2.行业痛点

3.场景解决方案

4.6.8 房地产知识图谱

1.知识来源

2.行业痛点

3.场景解决方案

小结

第5章 行业知识工程实践

5.1 行业知识库

5.1.1 行业语料库

5.1.2 行业术语知识库

1.术语词库

2.术语关联词库

5.1.3 行业文本规则库

1.中文特征抽取

2.英文特征抽取

5.1.4 行业特征字段库

5.1.5 行业本体库

1.行业标准本体

2.行业应用本体

5.1.6 行业附图库

5.1.7 行业产品库

1.产品类别库

2.产品链和结构库

3.产品字段组合

5.1.8 行业标准库

5.1.9 应用知识库

5.2 行业模型算法库

5.2.1 文本匹配

1.语句相似

2.语义相似

5.2.2 文本分类

1.基于聚类思想的归类

2.基于语义相似的分类

3.基于行业本体的分类

4.基于特征字段的分类

5.基于统计学习的分类

5.2.3 文本标注

1.命名实体识别

2.实体关系抽取

5.2.4 文本生成

1.自动摘要

2.机器翻译

5.2.5 关联图计算

5.2.6 价值评估

1.评估维度

2.评估模型

5.3 标注、训练和更新

5.3.1 标注工具

5.3.2 训练框架

1.标注与预处理

2.训练流程管理

3.可视分析

5.3.3 知识更新

小结

第6章 行业知识图谱模块

1.关键词助手模块

2.搜索问答模块

3.推理计算模块

6.1 关键词助手

6.1.1 术语图谱

6.1.2 产品图谱

6.2 搜索问答

6.2.1 语义搜索

6.2.2 功能搜索

6.2.3 事实型问答

6.3 推理计算

小结

第7章 行业智能应用平台

7.1 平台架构初探

7.1.1 硬件拓扑架构

7.1.2 平台系统架构

7.1.3 功能服务架构

7.2 平台认知功能组件

7.2.1 文本检索

1.搜索引擎

2.布尔搜索

3.语义搜索

7.2.2 文本分析

1.分级分类

2.高级分析

3.综合可视化

7.2.3 文本挖掘

1.问题分析

2.功能语义检索

3.新创性评估

4.解决方案设计

7.2.4 监控预警

7.2.5 价值运营

7.2.6 信息流管理

7.3 权限与安全管理

7.3.1 架构与流程

7.3.2 平台用户管理

7.3.3 安全管理

小结

第8章 行业文本智能应用

8.1 高价值文本发现

8.1.1 高价值文本定义

8.1.2 高价值文本评价

8.1.3 价值发现与价值运营

8.2 成果分级分类管理

8.2.1 成果分级

8.2.2 成果分类

8.3 新兴方向预测

8.4 技术背景调查

小结

附录A 概率论基础

A.1 概率

A.2 随机变量

A.3 概率分布

A.4 参数估计

附录B 信息论基础

B.1 信息与熵

B.2 最大熵原理