从基础理论到项目案例实战人工智能知识图谱课程视频教程

    本课程从实战出发，围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术，使得学员具备研发知识图谱相关应用的基础能力。结合医疗、金融、电商等实际应用场景，介绍知识图谱各个技术点的实际应用落地方式，使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

    课程大纲：

    第一课：知识图谱概论

    1、知识图谱的起源和历史

    2、典型知识库项目简介

    3、知识图谱应用简介

    4、本次课程覆盖的主要范围：知识表示与建模、知识抽取与挖掘、知识存储、知识融合、知识推理、语义搜索、知识问答和行业知识图谱应用剖析等内容。

    第二课：知识表示与知识建模

    1、早期知识表示简介

    2、基于语义网的知识表示框架

    a、RDF和RDFS

    b、OWL和OWL2Fragments

    c、SPARQL查询语言

    d、Json-LD、RDFa、HTML5MicroData等新型知识表示

    3、典型知识库项目的知识表示

    4、基于本体工具（Protege）的知识建模最佳实践

    第三课：知识抽取与挖掘I

    1、知识抽取任务定义和相关比赛：实体识别、关系抽取和事件抽取

    2、面向结构化数据（关系数据库）的知识抽取，包括D2RQ和R2RML等转换与映射规范与技术介绍

    3、面向半结构化数据（Webtables,百科站点等）的知识抽取

    a、基于正则表达式的方法

    b、Bootstrapping和WrapperInduction介绍

    4、实践展示：基于百科数据的知识抽取

    第四课：知识抽取与挖掘II

    1、面向非结构化数据（文本）的知识抽取

    a、基于本体的知识抽取，包括NELL和DeepDive系统介绍

    b、开放知识抽取，包括TextRunner、Reverb和OLLIE等系统介绍

    2、知识挖掘

    a、知识内容挖掘：实体消歧与链接

    b、知识结构挖掘：关联规则挖掘与社区发现

    c、知识表示学习与链接预测，包括TransE和PRA等算法介绍

    第五课：知识存储

    1、基于关系数据库的存储设计，包括各种表设计和索引建立策略

    2、基于RDF的图数据库介绍

    a、开源数据库介绍：ApacheJena、Sesame、gStore、RDF-3X等

    b、商业数据库介绍：Virtuoso、AllegroGraph、BlazeGraph等

    3、原生图数据库介绍，包括Neo4j、OrientDB、Titan和Cayley等

    4、实践展示：使用ApacheJena存储百科知识，并使用Fuseki构建图谱查询服务

    第六课：知识融合

    1、知识融合任务定义和相关竞赛：本体对齐和实体匹配

    2、本体对齐基本流程和常用方法

    a、基于Linguistic的匹配

    b、基于图结构的匹配

    c、基于外部知识库的匹配

    3、实体匹配基本流程和常用方法

    a、基于分块的多阶段匹配

    b、基于规则（配置或通过学习）的实体匹配

    4、知识融合工具介绍：包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault

    5、实践展示：使用Falcon-AO融合百度百科与维基百科中的知识

    第七课：知识推理

    1、本体知识推理简介与任务分类，包括概念可满足性、概念包含、实例分类和一致性检测等

    2、本体推理方法与工具介绍

    a、基于Tableaux运算的方法：Fact++、Racer、Pellet和Hermit等

    b、基于一阶查询重写的方法：Ontology-basedDataAccess的Ontop等

    c、基于产生式规则的方法（如Rete)：Jena、Sesame和OWLIM等

    d、基于逻辑编程（如Datalog）改写的方法：KAON2和RDFox等

    3、实践展示：使用Jena完成百科知识上的上下位推理、缺失类别补全和一致性检测等

    第八课：语义搜索

    1、语义搜索概述，包括KnowledgeCard、RichSnippet、FacebookGraphSearch等

    2、基于语义标注的网页搜索

    a、WebDataCommons项目介绍

    b、排序算法介绍，扩展BM25

    3、基于图谱的知识搜索

    a、本体搜索（ontologylookup）

    b、探索式知识检索，包括查询构造、结果排序和分面（facets）推荐

    4、知识可视化，包括本体、查询、结果等的展现方式和可视化分析

    5、实践展示：使用ElasticSearch实现百科数据的语义搜索

    第九课：知识问答I

    1、知识问答概述和相关数据集（QALD和WebQuestions）

    2、知识问答基本流程

    3、知识问答主流方法介绍

    a、基于模板的方法，包括模板定义、模板生成和模板匹配等步骤

    b、基于语义解析的方法，包括资源映射，逻辑表达式候选生成与排序等

    c、基于深度学习的方法

    第十课：知识问答II

    1、IBMWatson问答系统及核心组件详细解读

    a、问句理解

    b、候选答案生成

    c、基于证据的答案排序

    2、实践展示：面向百科知识的问答baseline实现

    第十一课：行业知识图谱应用

    1、行业知识图谱特点

    2、行业知识图谱应用，包括金融、医疗、数字图书馆等领域应用

    3、行业知识图谱构建与应用的挑战

    4、行业知识图谱生命周期定义和关键组件

    主讲老师：

    著名知识图谱专家

    博士毕业于上海交通大学，CCF术语专委会执委，中文信息学会语言与知识计算委员会副秘书长，共发表75余篇高水平论文。中文知识图谱zhishi.me创始人，OpenKG联盟发起人之一，其带队构建的语义搜索系统在BillionTripleChallenge中荣获全球第2名；在著名的本体匹配竞赛OAEI的实体匹配任务中斩获得全球第1名。曾主持并参与多项国家自然科学基金、863重大专项和国家科技支撑项目，以学术负责人身份参与Paypal、Google、Intel、IBM、百度等企业的合作项目。

    课程简介：

    本次的知识图谱课程主要包括三大部分：

    1、知识图谱的工程方法论。指导学员了解并掌握知识图谱的基本概念和发展历史，梳理清知识图谱的技术体系，掌握知识图谱的核心技术原理，建立知识图谱工程的方法论思维。

    2、知识图谱的实战技术。从实战出发，围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术，使得学员具备研发知识图谱相关应用的基础能力。

    3、知识图谱的典型应用。结合医疗、金融、电商等实际应用场景，介绍知识图谱各个技术点的实际应用落地方式，使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

    面向人群：

    1、希望学习知识图谱的学生；

    2、希望了解知识图谱实战技术的IT从业人员；

    3、未来希望成为知识图谱工程师的求职者；

    4、想在知识图谱方向进行深入研究者。

    学习收益：

    通过本课程的学习，学员将会收获：

    1、帮助学员系统性的掌握知识图谱的核心技术原理，结合近期研究成果，学习从基本概念到各个先进算法和技术的转化思路

    2、了解国内外典型的开源知识库数据及技术资源

    3、实践与理论结合，培养学员面对工程及学术问题的思考解决能力

    4、基于百科知识进行各项核心技术的实例训练，并结合医疗、金融、电商等行业应用帮助学员快速积累知识图谱工程项目经验

    5、对有志于从事知识问答工作或学术研究的学员，提供IBMWatson系统实现原理的讲解与指导