人工智能知識圖譜從基礎理論到項目案例實戰課程視頻教程下載。本課程從實戰出發，圍繞知識表示、知識抽取、語義搜索、知識問答、知識推理、知識融合等系統性介紹知識圖譜相關的實戰技術，使得學員具備研發知識圖譜相關應用的基礎能力。結合醫療、金融、電商等實際應用場景，介紹知識圖譜各個技術點的實際應用落地方式，使得學員具備結合自身背景開展知識圖譜技術實踐的應用能力。

課程大綱：

第一課：知識圖譜概論  
1、知識圖譜的起源和歷史
2、典型知識庫項目簡介
3、知識圖譜應用簡介
4、本次課程覆蓋的主要范圍：知識表示與建模、知識抽取與挖掘、知識存儲、知識融合、知識推理、語義搜索、知識問答和行業知識圖譜應用剖析等內容。

第二課：知識表示與知識建模
1、早期知識表示簡介
2、基于語義網的知識表示框架
    a、RDF和RDFS
    b、OWL和OWL2 Fragments
    c、SPARQL查詢語言
    d、Json-LD、RDFa、HTML5 MicroData等新型知識表示
3、典型知識庫項目的知識表示
4、基于本體工具（Protege）的知識建模最佳實踐

第三課：知識抽取與挖掘I

1、知識抽取任務定義和相關比賽：實體識別、關系抽取和事件抽取
2、面向結構化數據（關系數據庫）的知識抽取，包括D2RQ和R2RML等轉換與映射規范與技術介紹
3、面向半結構化數據（Web tables, 百科站點等）的知識抽取
    a、基于正則表達式的方法
    b、Bootstrapping和Wrapper Induction介紹
4、實踐展示：基于百科數據的知識抽取

第四課：知識抽取與挖掘II
1、面向非結構化數據（文本）的知識抽取
    a、基于本體的知識抽取，包括NELL和DeepDive系統介紹
    b、開放知識抽取，包括TextRunner、Reverb和OLLIE等系統介紹
2、知識挖掘
    a、知識內容挖掘：實體消歧與鏈接
    b、知識結構挖掘：關聯規則挖掘與社區發現
    c、知識表示學習與鏈接預測，包括TransE和PRA等算法介紹

第五課：知識存儲
1、基于關系數據庫的存儲設計，包括各種表設計和索引建立策略
2、基于RDF的圖數據庫介紹
    a、開源數據庫介紹：Apache Jena、Sesame、gStore、RDF-3X等
    b、商業數據庫介紹：Virtuoso、AllegroGraph、BlazeGraph等
3、原生圖數據庫介紹，包括Neo4j、OrientDB、Titan和Cayley等
4、實踐展示：使用Apache Jena存儲百科知識，并使用Fuseki構建圖譜查詢服務

第六課：知識融合
1、知識融合任務定義和相關競賽：本體對齊和實體匹配
2、本體對齊基本流程和常用方法
    a、基于Linguistic的匹配
    b、基于圖結構的匹配
    c、基于外部知識庫的匹配
3、實體匹配基本流程和常用方法
    a、基于分塊的多階段匹配
    b、基于規則（配置或通過學習）的實體匹配
4、知識融合工具介紹：包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault
5、實踐展示：使用Falcon-AO融合百度百科與維基百科中的知識

第七課：知識推理
1、本體知識推理簡介與任務分類，包括概念可滿足性、概念包含、實例分類和一致性檢測等
2、本體推理方法與工具介紹
    a、基于Tableaux運算的方法：Fact++、Racer、Pellet和Hermit等
    b、基于一階查詢重寫的方法：Ontology-based Data Access的Ontop等
    c、基于產生式規則的方法（如Rete)：Jena、Sesame和OWLIM等
    d、基于邏輯編程（如Datalog）改寫的方法：KAON2和RDFox等
3、實踐展示：使用Jena完成百科知識上的上下位推理、缺失類別補全和一致性檢測等

第八課：語義搜索
1、語義搜索概述，包括Knowledge Card、Rich Snippet、Facebook Graph Search等
2、基于語義標注的網頁搜索
    a、Web Data Commons項目介紹
    b、排序算法介紹，擴展BM25
3、基于圖譜的知識搜索
    a、本體搜索（ontology lookup）
    b、探索式知識檢索，包括查詢構造、結果排序和分面（facets）推薦
4、知識可視化，包括本體、查詢、結果等的展現方式和可視化分析
5、實踐展示：使用ElasticSearch實現百科數據的語義搜索

第九課：知識問答I
1、知識問答概述和相關數據集（QALD和WebQuestions）
2、知識問答基本流程
3、知識問答主流方法介紹
    a、基于模板的方法，包括模板定義、模板生成和模板匹配等步驟
    b、基于語義解析的方法，包括資源映射，邏輯表達式候選生成與排序等
    c、基于深度學習的方法

第十課：知識問答II
1、IBM Watson問答系統及核心組件詳細解讀
    a、問句理解
    b、候選答案生成
    c、基于證據的答案排序
2、實踐展示：面向百科知識的問答baseline實現

第十一課：行業知識圖譜應用
1、行業知識圖譜特點
2、行業知識圖譜應用，包括金融、醫療、數字圖書館等領域應用
3、行業知識圖譜構建與應用的挑戰
4、行業知識圖譜生命周期定義和關鍵組件

主講老師：
著名知識圖譜專家
博士畢業于上海交通大學，CCF術語專委會執委，中文信息學會語言與知識計算委員會副秘書長，共發表75余篇高水平論文。中文知識圖譜zhishi.me創始人，OpenKG聯盟發起人之一，其帶隊構建的語義搜索系統在Billion Triple Challenge中榮獲全球第2名；在著名的本體匹配競賽OAEI的實體匹配任務中斬獲得全球第1名。曾主持并參與多項國家自然科學基金、863重大專項和國家科技支撐項目，以學術負責人身份參與Paypal、Google、Intel、IBM、百度等企業的合作項目。

課程簡介：
本次的知識圖譜課程主要包括三大部分：
1、知識圖譜的工程方法論。指導學員了解并掌握知識圖譜的基本概念和發展歷史，梳理清知識圖譜的技術體系，掌握知識圖譜的核心技術原理，建立知識圖譜工程的方法論思維。
2、知識圖譜的實戰技術。從實戰出發，圍繞知識表示、知識抽取、語義搜索、知識問答、知識推理、知識融合等系統性介紹知識圖譜相關的實戰技術，使得學員具備研發知識圖譜相關應用的基礎能力。
3、知識圖譜的典型應用。結合醫療、金融、電商等實際應用場景，介紹知識圖譜各個技術點的實際應用落地方式，使得學員具備結合自身背景開展知識圖譜技術實踐的應用能力。

面向人群：
1、希望學習知識圖譜的學生；
2、希望了解知識圖譜實戰技術的IT從業人員；
3、未來希望成為知識圖譜工程師的求職者；
4、想在知識圖譜方向進行深入研究者。

學習收益：
通過本課程的學習，學員將會收獲：
1、幫助學員系統性的掌握知識圖譜的核心技術原理，結合近期研究成果，學習從基本概念到各個先進算法和技術的轉化思路
2、了解國內外典型的開源知識庫數據及技術資源
3、實踐與理論結合，培養學員面對工程及學術問題的思考解決能力
4、基于百科知識進行各項核心技術的實例訓練，并結合醫療、金融、電商等行業應用幫助學員快速積累知識圖譜工程項目經驗
5、對有志于從事知識問答工作或學術研究的學員，提供IBM Watson系統實現原理的講解與指導