知识图谱已在多个领域深耕多年，然而，现有的典型知识图谱主要是以实体及其属性和关系为研究核心，缺乏对事理逻辑这一重要人类知识的刻画。为了弥补这一不足，事理图谱应运而生，它能够揭示事件的演化规律和发展逻辑，刻画和记录人类行为活动。事理图谱是较为典型的多学科交叉领域，涉及知识工程、自然语言处理、机器学习、图数据库等多个领域。本书系统地介绍事理图谱涉及的概念和关键技术，如事理图谱概述、事理知识表示、事件抽取、事件模式的自动归纳、事件关系抽取、事件表示学习、事件泛化及事理归纳、事理知识存储和检索、基于事理图谱的认知推理与预测、基于事理图谱的问答与对话等。此外，本书还尝试将学术前沿和实战结合，让读者在掌握实际应用能力的同时对前沿技术发展有所了解。本书主要面向高年级本科生和研究生，可以作为知识图谱相关课程的教材，也可以作为对事理图谱感兴趣的读者的入门读物。

第1章 事理图谱概述\t1
1.1 事理图谱的基本概念\t1
1.1.1 事理图谱的定义\t1
1.1.2 事理图谱中事件的定义和表示\t2
1.1.3 事理图谱中的事件关系类型\t2
1.1.4 事理图谱中的事件属性\t4
1.1.5 事理图谱的形成过程\t4
1.2 事理图谱与知识图谱的区别与联系\t5
1.3 事理图谱的研究意义\t7
1.4 国内外典型的事件相关知识库构建项目\t8
1.5 事理图谱的相关技术\t15
1.5.1 事理图谱的构建\t15
1.5.2 事理图谱的表示学习\t16
1.6 事理图谱的质量评估\t16
1.6.1 人工评估\t16
1.6.2 自动评估\t17
1.7 事理图谱的应用价值\t17
1.8 本章小结\t19
参考文献\t19

第2章 事理知识表示\t21
2.1 知识表示\t21
2.2 经典知识表示方法\t23
2.2.1 一阶谓词逻辑\t23
2.2.2 产生式规则\t23
2.2.3 框架表示法\t23
2.2.4 脚本\t24
2.3 语义网中的知识表示方法\t25
2.3.1 XML\t26
2.3.2 RDF\t28
2.3.3 RDFS\t28
2.3.4 OWL\t29
2.4 知识图谱的知识表示方法\t31
2.4.1 知识图谱的图表示\t31
2.4.2 知识图谱的分布式表示\t32
2.5 事理图谱的知识表示方法\t36
2.5.1 事理图谱的图表示\t36
2.5.2 事理图谱的分布式表示\t41
2.5.3 事理图谱中的事理知识表示方法\t43
2.6 本章小结\t45
参考文献\t46
第3章 事件抽取\t48
3.1 任务概述\t48
3.1.1 任务定义\t48
3.1.2 公开评测和相关语料资源\t50
3.1.3 评价方法\t52
3.2 限定域事件抽取\t53
3.2.1 基于模式匹配的方法\t53
3.2.2 基于统计机器学习的方法\t57
3.2.3 基于深度学习的方法\t61
3.3 开放域事件抽取\t66
3.4 文档级事件抽取\t69
3.5 自底向上的事件抽取系统介绍\t72
3.6 本章小结\t75
参考文献\t75
第4章 事件模式自动归纳\t79
4.1 任务概述\t79
4.1.1 模板型事件模式自动归纳任务概述\t80
4.1.2 叙述型事件模式自动归纳任务概述\t84
4.2 事件模式自动归纳方法\t87
4.2.1 模板型事件模式自动归纳方法\t87
4.2.2 叙述型事件模式自动归纳方法\t89
4.3 相关任务\t93
4.4 本章小结\t96
参考文献\t96
第5章 事件关系抽取\t100
5.1 事件因果关系抽取\t100
5.1.1 任务语料与知识库\t101
5.1.2 显式因果关系抽取\t103
5.1.3 隐式因果关系抽取\t106
5.2 事件时序关系抽取\t107
5.2.1 任务概述\t107
5.2.2 数据集简介\t108
5.2.3 事件时序关系抽取方法\t109
5.3 子事件关系抽取\t113
5.3.1 任务概述\t113
5.3.2 数据集简介\t114
5.3.3 子事件关系抽取方法\t114
5.4 事件共指关系抽取\t117
5.4.1 任务概述\t117
5.4.2 数据集简介\t118
5.4.3 事件共指关系抽取方法\t119
5.5 本章小结\t121
参考文献\t121
第6章 事件表示学习\t127
6.1 任务概述\t127
6.1.1 任务难点\t128
6.1.2 任务评价\t129
6.2 事件的离散表示\t130
6.3 结构化事件的连续向量表示\t132
6.3.1 事件元素的表示方法\t133
6.3.2 组合事件元素获取事件表示的方法\t136
6.3.3 事件连续表示的学习方法\t140
6.4 基于预训练语言模型的非结构化事件向量表示方法\t145
6.4.1 事件时间常识知识增强的预训练语言模型\t146
6.4.2 动词语用知识增强的预训练语言模型\t148
6.4.3 事件演化知识增强的预训练语言模型\t149
6.5 本章小结\t151
参考文献\t151
第7章 事件泛化及事理归纳\t154
7.1 任务概述\t154
7.2 主要方法\t155
7.2.1 基于统计的事件泛化方法\t155
7.2.2 基于规则的事件泛化方法\t162
7.2.3 基于神经网络的事件泛化方法\t170
7.2.4 自然逻辑与神经网络相结合的事件泛化方法\t173
7.3 本章小结\t175
参考文献\t175

第8章 事理知识存储和检索\t177
8.1 事理图谱的存储\t177
8.1.1 基于表结构的存储\t177
8.1.2 基于图结构的存储\t180
8.2 事理图谱的检索\t182
8.2.1 常见的形式化检索语言\t182
8.2.2 图检索技术\t182
8.2.3 图数据库与关系数据库的特点\t183
8.2.4 Cypher查询语言\t185
8.3 Cypher语句实践\t185
8.3.1 Neo4j的安装与使用\t186
8.3.2 节点的创建与检索\t188
8.3.3 节点的删除与更新\t190
8.3.4 数据导入与图谱导出\t192
8.3.5 Neo4j的高级功能\t194
8.4 其他图数据库\t194
8.5 本章小结\t195
参考文献\t196
第9章 基于事理图谱的认知推理\t197
9.1 认知系统\t198
9.2 基于知识图谱的认知推理\t199
9.3 基于事理图谱的认知推理\t201
9.3.1 基于事理图谱的If-Then类型事件推理\t202
9.3.2 基于事理图谱的脚本类事件预测\t204
9.3.3 基于事理图谱的因果事件推理\t208
9.4 基于事理图谱的文本预测\t215
9.5 本章小结\t216
参考文献\t217

第10章 基于事理图谱的应用\t219
10.1 概述\t220
10.2 基于事理知识的问答\t221
10.2.1 任务概述\t221
10.2.2 基于事理知识的问答方法\t222
10.3 基于事理知识的对话\t224
10.3.1 任务概述\t224
10.3.2 基于事理知识的对话方法\t227
10.4 基于事理知识的消费意图挖掘\t235
10.4.1 任务概述\t235
10.4.2 基于事理知识的消费意图挖掘方法\t236
10.5 基于事理知识的股票市场预测\t239
10.5.1 任务概述\t239
10.5.2 基于事理知识的股票市场预测方法\t240
10.6 大语言模型背景下的事理图谱应用\t245
10.6.1 事理图谱如何增强大语言模型应用长尾事理知识进行推理\t247
10.6.2 事理图谱如何增强开源大语言模型事理推理能力\t248
10.7 本章小结\t249
参考文献\t250