本書特色
◎ 揭秘知識圖譜全生命週期技術
◎ 探索垂直領域知識圖譜構建方法與應用
◎ 促進人工智慧從感知時代跨越認知時代
內容簡介
知識圖譜(Knowledge Graph, KG)是綜合各種理論及技術的大成，更是人工智慧極緻的應用，在這言必AI的時代，採用知識圖譜的各種應用不斷創新，也在各個領域發揚光大。
要了解知識圖譜，必須先熟悉知識工程、自然語言處理、機器學習、圖資料庫等多個領域，本書恰好完整說明知識圖譜相關的關鍵技術，如知識建模、關係取出、圖儲存、自動推理、圖譜表示學習、語義搜索、知識問答、圖挖掘分析等，讀者無需參考其它書籍，就可以從頭到尾學習完整的相關理論。
了解理論之後，書中也有完整的實戰，包括知識圖譜中最有名的DeepDive、LIMES技術，更有開放原始碼工具Jena和Drools的實作，最棒的就是搭配了前述的理論和工具之外，也提供一個使用Elasticsearch的簡單知識問答系統，是目前市面上少見有關知識圖譜的完整手冊。
全書主題如下：
► 第1章 介紹知識圖譜的基本概念、歷史淵源、典型的知識圖譜專案、技術要素、核心應用價值。
► 第2章 介紹傳統人工智慧領域的典型知識表示方法，RDF、OWL等網際網路時代的知識表示架構，以Protégé為例介紹知識建模實作過程。
► 第3章 介紹幾種常用的知識圖譜儲存索引及儲存技術、原生圖資料庫的技術原理。以Apache Jena和gStore為例，介紹知識圖譜儲存實作過程。
► 第4章 介紹從不同來源取得知識圖譜資料的常用方法，重點圍繞實體取出、關係取出和事件取出等，以DeepDive為例介紹關係取出實作過程。
► 第5章 對概念層的融合和實體層的融合作說明，包含本體對映、語義對映技術、實體對齊、實體連結等，以LIMES為例介紹實體融合實作過程。
► 第6章 從以演繹邏輯為基礎的知識圖譜推理和以歸納為基礎的知識圖譜推理，對常用的知識圖譜推理技術進行介紹，以Apache Jena和Drools為例介紹知識圖譜推理實作過程。
► 第7章 介紹語義索引，以gAnswer為例，介紹以知識圖譜實現精準搜索實作過程。
► 第8章 介紹知識圖譜問答技術，包括知識問答分類體系、評價方法等，以Elasticsearch、gAnswer為例，介紹搭建知識問答系統方法。
► 第9章 從7個應用案例對知識圖譜技術在不同領域的實現過程和應用方法作說明。
適合讀者群：從事技術和應用開發者、電腦和人工智慧相關的師生或研究人員。