原资源可在github中搜索到,这里只是用于个人学习方便。
课程内容
第1讲 知识图谱概论 (2019-3-1,2019-3-8)
1.1 知识图谱起源和发展
1.2 知识图谱 VS 深度学习
1.3 知识图谱 VS 关系数据库 VS 传统专家库
1.4 知识图谱本质和核心价值
1.5 知识图谱技术体系
1.6 典型知识图谱
1.7 知识图谱应用场景
第2讲 知识表示 (2019-3-15)
2.1 知识表示概念
2.2 知识表示方法
语义网络
产生式系统
框架系统
概念图
形式化概念分析
描述逻辑
本体
本体语言
统计表示学习
第3讲 知识建模 (2019-3-15,2019-3-22)
3.1 本体
3.2 知识建模方法
本体工程
本体学习
知识建模工具
知识建模实践
第4讲 知识抽取基础:问题和方法(2019-3-22)
4.1 知识抽取场景
4.2 知识抽取挑战
4.3 面向结构化数据的知识抽取
4.4 面向半结构化数据的知识抽取
4.5 面向非机构化数据的知识抽取
第5讲 知识抽取:数据采集(2019-3-29)
5.1 数据采集原理和技术
爬虫原理
请求和响应
多线程并行爬取
反爬机制应对
5.2 数据采集实践
百科 论坛 社交网络等爬取实践
第6讲 知识抽取:实体识别(2019-3-29)
6.1 实体识别基本概念
6.2 基于规则和词典的实体识别方法
6.3 基于机器学习的实体识别方法
6.4 基于深度学习的实体识别方法
6.5 基于半监督学习的实体识别方法
6.6 基于迁移学习的实体识别方法
6.7 基于预训练的实体识别方法
第7讲 知识抽取:关系抽取(2019-4-19,2019-4-26)
7.1 关系基本概念
7.2 语义关系
7.3 关系抽取的特征
7.4 关系抽取数据集
7.5 基于监督学习的关系抽取方法
7.6 基于无监督学习的关系抽取方法
7.7 基于远程监督的关系抽取方法
7.8 基于深度学习/强化学习的关系抽取方法
第8讲 知识抽取:事件抽取(2019-3-29)
8.1 事件抽取基本概念
8.2 基于规则和模板的事件抽取方法
8.3 基于机器学习的事件抽取方法
8.4 基于深度学习的事件抽取方法
8.5 基于知识库的事件抽取方法
8.6 基于强化学习的事件抽取方法
第9讲 知识融合(2019-4-28)
9.1 知识异构
9.2 本体匹配
9.3 匹配抽取和匹配调谐
9.4 实体匹配
9.5 大规模实体匹配处理
9.6 知识融合应用实例
第10讲 知识图谱表示学习(2019-5-5)
10.1 知识表示学习概念
10.2 基于距离的表示学习模型
10.3 基于翻译的表示学习模型
10.4 基于语义的表示学习模型
10.5 融合多源信息的表示学习模型
10.6 知识图谱表示学习模型的评测
10.7 知识图谱表示学习前沿进展和挑战
第11讲 知识存储(2019-5-10)
11.1 知识存储概念
11.2 图数据库管理系统、模型、查询语言
11.3 RDF数据库管理系统、模型、查询语言
11.4 基于关系型数据库的知识存储
第12讲 基于知识的智能问答(2019-5-10)
12.1 智能问答基础
12.2 问题理解
12.3 问题求解
12.4 基于模板的知识问答方法
12.5 基于语义分析的知识问答方法
12.6 基于深度学习的知识问答方法
12.7 IBM Watson原理和技术剖析
12.8 微软小冰的原理和技术剖析
第13讲 实体链接(2019-5-17)
13.1 实体链接基本概念
13.2 基于概率生成模型的实体链接方法
13.3 基于主题模型的实体链接方法
13.4 基于图的实体链接方法
13.5 基于深度学习的实体链接方法
13.6 基于无监督的实体链接方法
第14讲 知识推理(2019-5-17)
14.1 知识推理基础概念
14.2 基于逻辑的知识推理方法
14.3 基于统计学习的知识推理方法
14.4 基于图的知识推理方法
14.4 基于神经网络的知识推理方法
14.5 多种方法混合的知识推理方法
1