商业澳洲 文章 人工智能 知识图谱

人工智能 知识图谱

— 关于举办 2022年数字信息化培训项目系列 —

知识图谱Knowledge Graph构建与应用研修班线上课程的通知

各有关单位:

一、培训目标:

本次课程安排紧密结合理论与实践,深入浅出,循序渐进。从基本概念讲起,重点讲解构建方法和技术的转化思路,帮助学员系统性的掌握知识图谱的核心技术原理。基于百科知识进行各项核心技术的实例训练,并结合数字图书馆、医疗、金融、电商、农业、法律等行业应用帮助学员快速积累知识图谱工程项目经验。

二、培训专家:

培训专家来自清华大学、南京大学、北京理工大学的专家团队,拥有丰富的科研及工程技术经验,长期从事人工智能、深度学习、自然语言处理、知识图谱、数据挖掘等领域的教学与研究工作。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。

三、培训对象:

各省市、自治区从事人工智能、机器学习、大数据、自然语言处理、语义搜索 、知识问答、数据挖掘、金融、医疗、电子商务等领域相关的企事业单位技术骨干、科研院所研究人员和大专院校相关专业教学人员及在校研究生等相关人员,以及知识图谱广大爱好者。

附件1:具体课程安排

第一天

一、知识图谱概论

1.1知识图谱的起源和历史1.2知识图谱的发展史——从框架、本体论、语义网、链接数据到知识图谱1.3知识图谱的本质和价值1.4知识图谱VS传统知识库VS关系数据库1.5经典的知识图谱1.5.1经典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知识库1.5.2行业知识图谱:Google知识图谱,微软实体图,阿里知识图谱,医学知识图谱,基因知识图谱等知识图谱项目

二、知识图谱应用

2.1知识图谱应用场景2.2知识图谱应用简介2.2.1知识图谱在数字图书馆上的应用 2.2.2知识图谱在国防、情报、公安上的应用2.2.3知识图谱在金融上的应用 2.2.4知识图谱在电子商务中的应用2.2.5知识图谱在农业、医学、法律等领域的应用2.2.6知识图谱在制造行业的应用2.2.7知识图谱在大数据融合中的应用 2.2.8知识图谱在人机交互(智能问答)中的应用

三、知识表示与知识建模

3.1知识表示概念3.2 知识表示方法a.语义网络 b.产生式规则 c.框架系统 d.描述逻辑 e.本体 f.RDF和RDFSg.OWL和OWL2 Fragments h.SPARQL查询语言 i.Json-LD、RDFa、HTML5 MicroData等新型知识表示3.3典型知识库项目的知识表示 3.4知识建模方法学3.5知识表示和知识建模实践1.三国演义知识图谱的表示和建模实践案例2.学术知识图谱等

第二天

四、知识抽取与挖掘

4.1知识抽取基本问题a.实体识别 b.关系抽取 c.事件抽取4.2数据采集和获取4.3面向结构化数据的知识抽取a.D2RQ b.R2RML 4.4面向半结构化数据的知识抽取 a.基于正则表达式的方法 b.基于包装器的方法4.5.面向非结构化数据的知识抽取a.实体识别技术(基于规则、机器学习、深度学习、半监督学习、预训练等方法)b.关系抽取技术(基于模板、监督、远程监督、深度学习等方法)c.事件抽取技术(基于规则、深度学习、强化学习等方法)4.6.知识挖掘a.实体消歧b.实体链接c.类型推断 d.知识表示学习4.7知识抽取上机实践A.面向半结构化数据的三国演义知识抽取B.面向文本的三国演义知识抽取C.人物关系抽取

第二天

五、知识融合

5.1知识融合背景5.2知识异构原因分析5.3知识融合解决方案分析5.4.本体对齐基本流程和常用方法a.基于文本的匹配 b.基于图结构的匹配 c.基于外部知识库的匹配e.不平衡本体匹配 d.跨语言本体匹配 f.弱信息本体匹配5.5实体匹配基本流程和常用方法 a.基于相似度的实例匹配 b.基于规则或推理的实体匹配c.基于机器学习的实例匹配 d.大规模知识图谱的实例匹配(1)基于分块的实例匹配(2)无需分块的实例匹配(3)大规模实例匹配的分布式处理5.6 知识融合上机实践 1.百科知识融合 2.OAEI知识融合任务

第三天

六、存储与检索

6.1.知识图谱的存储与检索概述6.2.知识图谱的存储 a.基于表结构的存储 b.基于图结构的存储6.3.知识图谱的检索a.关系数据库查询:SQL语言 b数据库查询:SPARQL语言 6.4.上机实践案例:利用GraphDB完成知识图谱的存储与检索

七、知识推理

7.1.知识图谱中的推理技术概述7.2.归纳推理:学习推理规则 a.归纳逻辑程设计Øb.关联规则挖掘 c.路径排序算法上机实践案例:利用AMIE+算法完成Freebase数据上的关联规则挖掘7.3.演绎推理:推理具体事实Ø a.马尔可夫逻辑网 b.概率软逻辑7.4.基于分布式表示的推理a. TransE模型及其变种 b.RESCAL模型及其变种c.(深度)神经网络模型介绍 d.表示学习模型训练7.5.上机实践案例:利用分布式知识表示技术完成Freebase上的链接预测

第四天

八、语义搜索

8.1.语义搜索概述8.2.搜索关键技术a.索引技术:倒排索引 b.排序算法:BM25及其扩展8.3.知识图谱搜索a.实体搜索b.关联搜索8.4.知识可视化 a.摘要技术8.5.上机实践案例:SPARQL搜索

九、知识问答

9.1.知识问答概述 9.2.知识问答基本流程9.3.相关测试集:QALD、WebQuestions等9.4.知识问答关键技术 a.基于模板的方法 b.语义解析 c.基于深度学习的方法9.5.上机实践案例:DeepQA、TemplateQA。

来源:www.chinaai.org.cn

关注微信公众号人工智能技术与咨询了解更多!

原文链接:https://blog.csdn.net/m0_62870606/article/details/126359172?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522170018760116800211597842%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=170018760116800211597842&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-22-126359172-null-null.nonecase&utm_term=AI%E6%B3%95%E5%BE%8B%E5%92%A8%E8%AF%A2

作者: 知澳头条

知澳资深作者

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注

评论列表(1)

  1. hey there and thank you for your information – I have definitely
    picked up something new from right here. I did however expertise some technical points using this website, as I experienced to reload the site a
    lot of times previous to I could get it to load properly.
    I had been wondering if your web hosting is OK?
    Not that I am complaining, but sluggish loading instances times
    will very frequently affect your placement in google
    and can damage your quality score if ads and marketing with Adwords.
    Well I am adding this RSS to my e-mail and could look out for much more
    of your respective intriguing content. Make sure you update this again very soon..
    Escape rooms

联系我们

联系我们

1300766331

邮箱: info@getau.com.au

澳洲本地网站设计开发团队 超20人团队,悉尼设计开发14年 联系电话:1300766331 微信: XtechnologyAU
关注微信
微信扫一扫关注我们

微信扫一扫关注我们

返回顶部