本书介绍可供信息提供者构建和维护知识图谱的方法和工具，包括实施知识图谱，手动、半自动、自动构建验证语义标记，并将语义标记集成到知识图谱；还介绍用于半自动和自动整理图谱的基于生命周期的方法，可进行评估、纠错，以及利用其他静态和动态资源来丰富知识图谱。
第1章定义知识图谱，重点描述各种方法的影响，而非数学理论。第2章详细阐述如何构建、实现、维护和部署知识图谱。第3章介绍在这些知识图谱上构建的相关应用层，并解释如何用推理来定义这些图谱上的视图，使其成为开放的、面向服务的对话系统的有用资源。第4章讨论知识图谱技术在旅游行业以及其他垂直领域的应用。第5章进行总结，勾勒出未来方向。附录介绍领域规范抽象语法和语义，使schema.org适应特定领域和任务。为说明方法的实际应用，本书以对话界面为重点讨论了几个试点项目，描述知识图谱如何应用于电子营销和电子商务领域。
本书面向需要了解知识图谱及其实现的高级专业人员和研究人员。

郭涛，Turing Lab发起人，主要从事模式识别与人工智能、智能机器人技术、软件工程技术和地理人工智能（GeoAI）、时空大数据挖掘与分析等前沿交叉领域研究。曾翻译过《复杂性思考：复杂性科学和计算模型（第2版）》《神经网络设计与实现》等多本图书。

第1章 引言：什么是知识图谱？
1.1 引言
1.2 知识图谱的概念性定义
1.3 知识图谱的实证定义
1.3.1 开放知识图谱
1.3.2 专有知识图谱
第2章 构建知识图谱
2.1 引言
2.2 知识创建
2.2.1 知识创建方法论
2.2.2 建模语言
2.2.3 知识生成工具
2.3 知识托管
2.3.1 语义标注的收集、存储和检索
2.3.2 知识图谱的收集、存储和检索
2.4 知识管理
2.4.1 最大简单知识表示形式
2.4.2 知识评估
2.4.3 知识清洗
2.4.4 知识丰富
2.4.5 知识管理综述
2.5 知识部署：投入实用
第3章 使用知识图谱
3.1 引言
3.2 融合人工智能和互联网
3.2.1 人工智能60年回顾
3.2.2 Web(用于机器人)
3.2.3 小结
3.3 知识访问层
3.3.1 松散连接的TBox在知识图谱上定义基于逻辑的视图
3.3.2 动态数据和活跃数据：语义网络服务
3.4 开放和面向服务的对话系统
3.4.1 开放的对话系统
3.4.2 服务引导对话
3.4.3 小结
第4章 为什么需要知识图谱：应用
4.1 引言
4.2 市场
4.3 动机和解决方案
4.4 旅游用例
4.5 能源用例
4.6 更多垂直领域
4.7 小结
第5章 结论
以下内容可扫描封底二维码下载
附录A 领域建模形式的语法和语义
A.1 领域规范的抽象语法和语义
A.1.1 SHACL
A.1.2 领域规范的概念描述
A.1.3 抽象语法
A.1.4 语义