（1）每章对多个相关研究方向的发展进程进行系统的、多维度的梳理。
（2）注重介绍传统知识工程的思想和理论，以及机器学习和深度学习在知识表示与推理各个环节中应用的技术和方法。
（3）学习本书，读者除了能够了解知识表示与推理的发展脉络，还能激发研究兴趣，思考核心问题，领悟发展方向
（4）本书在重点章节配有教学视频二维码资源，读者扫描二维码，即可在线观看。

本书聚焦于知识表示与推理，围绕经典知识表示、知识图谱、知识体系构建和知识融合、实体识别和扩展、实体消歧、关系抽取、事件抽取、知识存储和检索、经典知识推理、确定性推理与不确定性推理、数值推理、知识问答与对话等展开介绍。每章对多个相关研究方向的发展进程进行系统的、多维度的梳理，注重介绍传统知识工程的思想和理论，以及机器学习和深度学习在知识表示与推理各个环节中应用的技术和方法，从而使读者能够了解知识表示与推理的发展脉络，激发研究兴趣，思考核心问题，领悟发展方向。本书既可作为高等院校人工智能、数据科学与大数据技术等专业本科生的必修课教材，也可作为计算机科学与技术、电子信息等专业硕士研究生的选修课教材，还可作为人工智能、数据科学等相关领域从业者的参考用书。

第1章  概述\t1
1.1  知识表示的概念\t2
1.2  知识表示与推理的发展历史\t5
1.3  本书的内容安排\t7
本章习题\t8
第2章  经典知识表示\t9
2.1  概念表示\t9
2.1.1  数理逻辑\t10
2.1.2  集合论\t12
2.1.3  概念的现代表示\t13
2.2  产生式表示法\t14
2.2.1  产生式\t14
2.2.2  产生式系统\t15
2.3  框架表示法\t17
2.4  脚本表示法\t20
2.5  状态空间表示法\t21
2.6  语义网表示法\t23
2.6.1  语义网络\t23
2.6.2  语义网知识描述体系\t25
2.7  数值化表示\t31
2.7.1  符号的数值化表示\t31
2.7.2  文本的数值化表示\t32
本章小结\t32
本章习题\t33
第3章  知识图谱\t34
3.1  知识图谱的概念\t34
3.2  知识图谱类型\t36
3.3  知识图谱生命周期\t42
3.3.1  知识体系构建\t42
3.3.2  知识获取\t43
3.3.3  知识融合\t46
3.3.4  知识存储\t47
3.3.5  知识推理\t47
3.3.6  知识应用\t48
3.4  知识图谱中的知识表示方法\t50
3.4.1  表示框架\t50
3.4.2  Freebase\t52
3.4.3  知识图谱的数值化表示\t53
3.5  知识图谱与深度学习\t54
本章小结\t57
本章习题\t57
第4章  知识体系构建和知识融合\t58
4.1  知识体系构建\t58
4.1.1  人工构建方法\t59
4.1.2  自动构建方法\t62
4.1.3  典型知识体系\t64
4.2  知识融合\t66
4.2.1  框架匹配\t66
4.2.2  实体对齐\t68
4.2.3  冲突检测与消解\t69
4.2.4  典型知识融合系统\t70
本章小结\t72
本章习题\t72
第5章  实体识别和扩展\t73
5.1  实体识别\t73
5.1.1  任务概述\t73
5.1.2  基于规则的实体识别方法\t76
5.1.3  基于机器学习的实体识别——基于特征的方法\t77
5.1.4  基于机器学习的实体识别——基于神经网络的方法\t83
5.2  细粒度实体识别\t84
5.2.1  任务概述\t84
5.2.2  细粒度实体类别的制定\t85
5.2.3  细粒度实体识别方法\t86
5.3  实体扩展\t86
5.3.1  任务概述\t86
5.3.2  实体扩展方法\t87
本章小结\t91
本章习题\t91
第6章  实体消歧\t92
6.1  任务概述\t92
6.1.1  任务定义\t92
6.1.2  任务分类\t93
6.1.3  相关评测\t94
6.2  基于聚类的实体消歧方法\t97
6.2.1  基于表层特征的实体指称项相似度计算\t97
6.2.2  基于扩展特征的实体指称项相似度计算\t98
6.2.3  基于社会化网络的实体指称项相似度计算\t98
6.3  基于实体链接的实体消歧方法\t100
6.3.1  链接候选过滤方法\t100
6.3.2  实体链接方法\t101
6.4  面向结构化文本的实体消歧方法\t104
本章小结\t105
本章习题\t105
第7章  关系抽取\t106
7.1  任务概述\t106
7.1.1  任务定义\t106
7.1.2  任务分类\t107
7.1.3  任务难点\t108
7.1.4  相关评测\t108
7.2  限定域关系抽取\t109
7.2.1  基于模板的关系抽取方法\t110
7.2.2  基于机器学习的关系抽取方法\t111
7.3  开放域关系抽取\t120
本章小结\t122
本章习题\t122
第8章  事件抽取\t123
8.1  概述\t123
8.2  限定域事件抽取\t130
8.2.1  基于模式匹配的事件抽取方法\t130
8.2.2  基于机器学习的事件抽取方法\t132
8.3  开放域事件抽取\t136
8.3.1  基于内容特征的事件抽取方法\t137
8.3.2  基于异常检测的事件抽取方法\t138
8.4  事件关系抽取\t138
8.4.1  事件共指关系抽取\t139
8.4.2  事件因果关系抽取\t139
8.4.3  子事件关系抽取\t140
8.4.4  事件时序关系抽取\t140
本章小结\t141
本章习题\t141
第9章  知识存储和检索\t142
9.1  知识图谱的存储\t143
9.1.1  基于表结构的存储\t143
9.1.2  基于图结构的存储\t148
9.2  知识检索\t150
9.2.1  常见形式化查询语言\t150
9.2.2  图检索技术\t160
本章小结\t163
本章习题\t163
第10章  经典知识推理\t164
10.1  典型推理任务\t164
10.1.1  知识补全\t164
10.1.2  知识问答\t165
10.2  知识推理分类\t166
10.2.1  归纳推理\t166
10.2.2  演绎推理\t167
10.3  知识推理方法\t168
10.3.1  归纳推理：学习推理规则\t168
10.3.2  演绎推理：推理具体事实\t169
10.4常识知识推理\t171
本章小结\t173
本章习题\t173
第11章  确定性推理与不确定性推理\t174
11.1  确定性推理\t174
11.2  不确定性推理\t175
11.2.1  概述\t175
11.2.2  基于概率论的推理方法\t179
11.2.3  模糊推理\t180
本章小结\t182
本章习题\t182
第12章  数值推理\t183
12.1  基于数值计算的推理\t183
12.1.1  基于张量分解的方法\t183
12.1.2  基于能量函数的方法\t185
12.2  符号演算和数值计算的融合推理\t189
本章小结\t191
本章习题\t192
第13章  知识问答与对话\t193
13.1  概述\t194
13.2  知识问答\t195
13.2.1  基于语义解析的方法\t197
13.2.2  基于搜索排序方法\t203
13.2.3  常用评测数据及各方法性能比较\t208
13.3  知识对话\t209
13.3.1  知识对话技术概述\t209
13.3.2  任务导向型对话系统\t210
13.3.3  通用对话系统\t215
13.3.4  评价方法\t217
本章小结\t218
本章习题\t218
参考文献\t219