大数据知识工程

实际工程问题的求解往往涉及跨领域、跨模态的海量碎片化知识，这些知识不能仅靠专家提供，而需要从环境中动态学习和融合生成。知识工程旨在研究计算机对知识的获取、表征和处理。随着UGC模式的兴起，一种新的知识工程范式—大数据知识工程应运而生。和早期的专家系统相比，大数据知识工程实现了以文本、小规模、静态、人工方式的专家知识计算机表示，到多模态、大规模、动态不确定环境下知识的自动获取与表征的跨越式发展。本书对大数据知识工程的概论、挑战、知识表示、知识获取、知识推理展开详细介绍，提出大数据知识工程在智慧教育、税收风险、网络舆情三大领域的典型应用，并引出大数据知识工程方向的一些未来研究热点。

目录
前言
第1章 绪论 1
1.1 知识工程发展历程 1
1.2 大数据知识工程概述 3
1.2.1 产生背景 3
1.2.2 基本概念 4
1.2.3 与传统知识工程的区别 5
1.3 与新一代人工智能的关系 6
1.3.1 新一代人工智能的特点 6
1.3.2 大数据知识工程是共性技术 7
1.4 本书的组织结构 7
1.5 本章小结 8
参考文献 9
第2章 挑战与科学问题 11
2.1 “三跨”特点 11
2.2 散、杂、乱三个挑战 12
2.3 研究框架与科学问题 16
2.4 本章小结 18
参考文献 18
第3章 知识表示 21
3.1 研究现状与趋势 21
3.2 传统的知识表示方法 23
3.3 知识图谱 26
3.3.1 知识图谱的定义 26
3.3.2 知识图谱的分类 26
3.3.3 知识图谱的存储 28
3.4 事件图谱 29
3.4.1 事件图谱的定义 30
3.4.2 事件图谱的数据模型 31
3.4.3 常见事件图谱 32
3.5 知识森林 33
3.5.1 知识森林的提出背景 33
3.5.2 知识森林的定义 34
3.5.3 知识森林的存储模型 37
3.6 本章小结 39
参考文献 39
第4章 知识获取与融合 42
4.1 研究现状与趋势 42
4.1.1 研究现状 42
4.1.2 挑战与发展趋势 44
4.2 知识图谱自动构建 45
4.2.1 三元组知识抽取 45
4.2.2 三元组知识融合 49
4.3 逻辑公式抽取 50
4.3.1 逻辑公式的形式化定义 51
4.3.2 基于统计量的抽取方法 52
4.3.3 基于矩阵序列的抽取方法 54
4.3.4 基于关系路径的抽取方法 56
4.3.5 挑战与展望 57
4.4 知识森林自动构建 57
4.4.1 主题分面树生成 58
4.4.2 文本碎片知识装配 61
4.4.3 认知关系挖掘 63
4.4.4 知识森林可视化 67
4.5 本章小结 70
参考文献 71
第5章 知识表征学习 75
5.1 研究现状与趋势 75
5.1.1 研究现状 76
5.1.2 挑战与发展趋势 78
5.2 知识图谱表征学习 79
5.2.1 直推式学习 79
5.2.2 归纳式学习 82
5.3 异构图表征学习 84
5.3.1 浅层异质信息网络表征学习 85
5.3.2 深层异质信息网络表征学习 87
5.3.3 挑战与发展趋势 91
5.4 逻辑公式表征学习 92
5.4.1 基于序列的方法 93
5.4.2 基于树结构的方法 93
5.4.3 基于图结构的方法 95
5.4.4 挑战与发展趋势 97
5.5 本章小结 98
参考文献 98
第6章 知识推理 102
6.1 研究现状与趋势 102
6.1.1 基本概念 102
6.1.2 研究现状 103
6.1.3 挑战与发展趋势 106
6.2 带有记忆的推理模型 106
6.2.1 记忆机制在推理中的作用 107
6.2.2 神经图灵机 107
6.2.3 可微神经计算机 111
6.2.4 记忆模型总结 114
6.3 符号化分层递阶学习模型 115
6.3.1 SHiL模型 115
6.3.2 SHiL模型构建方法 116
6.3.3 复杂数据系统的层次划分和介区域识别 117
6.3.4 符号化可微编程的介区域控制机制 118
6.3.5 跨界区域推理路径生成 121
6.4 知识检索 124
6.4.1 基本概念 124
6.4.2 典型知识检索方法 126
6.4.3 知识检索中的why-not问题 130
6.4.4 挑战与发展趋势 132
6.5 智能问答 133
6.5.1 自然语言问答 133
6.5.2 视觉问答 137
6.5.3 教科书式问答 140
6.5.4 问题生成 145
6.6 本章小结 150
参考文献 150
第7章 典型应用 154
7.1 知识森林个性化导学 154
7.1.1 知识森林导航学习系统 155
7.1.2 知识森林AR交互学习 158
7.1.3 应用示范 161
7.2 智能化税务治理 163
7.2.1 税收知识库构建 163
7.2.2 税收优惠计算 171
7.2.3 偷逃骗税风险智能识别 176
7.3 网络舆情的智能监控 179
7.3.1 舆情网络的定义和构建 180
7.3.2 舆情网络应用分析 181
7.4 本章小结 185
参考文献 185
第8章 未来研究方向 186
8.1 复杂大数据知识获取 186
8.1.1 视觉知识 186
8.1.2 常识知识 191
8.1.3 知识增殖与量质转化 196
8.2 知识引导+数据驱动的混合学习 198
8.2.1 可微编程 199
8.2.2 反事实推理 203
8.2.3 可解释机器学习 208
8.3 脑启发的知识编码与记忆 212
8.3.1 双过程理论启发的认知图谱 212
8.3.2 海马体理论启发的知识记忆与推理 214
8.4 本章小结 217
参考文献 217
第9章 结语 222
致谢 224