知识图谱--知识抽取

本书涵盖了知识抽取领域的多个关键方面，内容包括实体识别与分类、实体识别解码策略和指针网络等基础知识。关系抽取部分探讨了基于模板的方法、机器学习模型以及深度学习模型。属性补全和概念抽取章节分别讨论了模板抽取、百科抽取和机器学习抽取的方法。事件识别与抽取部分详细介绍了模式匹配及各种机器学习技术，包括基于特征、结构和神经网络的方法。最后，书中探讨了知识抽取的前沿技术，如少样本、零样本和终身知识抽取，提供了对该领域未来发展的洞见。

知识图谱-推理

本文涵盖了知识图谱推理的多个方法和技术。首先介绍了基于符号逻辑和本体的推理方法，包括Tableaux算法和基于Datalog的推理。接着讨论了基于产生式规则的RETE算法及其应用。其次，探讨了基于表示学习的推理方法，特别是嵌入学习在知识图谱中的应用，同时提到了稀疏性问题及其挑战。接下来，分析了基于规则的关系推理模型和Ontology Embedding的相关概念层推理，包括EL Embedding和其他模型的总结。

知识图谱入门

知识图谱是一种结构化的知识表示方法，用于描述实体之间的关系和属性。它在多个领域有广泛应用，如智能搜索、推荐系统和自然语言处理。知识图谱的学科属性涵盖逻辑推理、语义网络和图论等技术要素。知识表示是将现实世界的信息抽象为计算机能够处理的形式，涵盖了一阶逻辑、描述逻辑和产生式系统等。基于图的知识表示包括属性图和基于三元组的RDF模型，以及用于本体表达的OWL语言。最后，知识图谱的向量表示利用模型如TransE和DistMult，通过向量空间方法将实体和关系映射为低维度向量，以便进行机器学习和深度学习处理。