第1章 绪论 1

1．1 知识表示基本概念 1

1．1．1 知识 1

1．1．2 知识表示 2

1．1．3 知识表示方法 3

1．2 知识处理的基本流程 7

1．2．1 知识抽取 7

1．2．2 知识表示 8

1．2．3 知识存储 8

1．2．4 知识融合 9

1．2．5 知识推理 9

1．2．6 知识可视化 10

1．2．7 知识应用 10

1．2．8 知识更新 11

1．3 知识与人工智能的关系 11

习题 12

参考文献 12

第2章 知识获取 13

2．1 知识获取基本概念 13

2．1．1 知识 13

2．1．2 知识获取的发展背景 14

2．1．3 知识获取 14

2．1．4 知识获取的步骤和途径 15

2．2 知识获取的方式 15

2．2．1 人工知识获取 15

2．2．2 半自动知识获取 16

2．2．3 自动知识获取 16

2．2．4 其他方式 17

2．3 面向非结构化数据的知识获取 18

2．3．1 实体抽取 18

2．3．2 关系抽取 19

2．3．3 事件抽取 22

2．4 面向半结构化数据的知识获取 24

2．5 面向结构化数据的知识获取 25

2．6 实验：使用 jieba进行中文分词 28

2．6．1 实验目的 28

2．6．2 实验要求 28

2．6．3 实验原理 28

2．6．4 实验步骤 28

2．6．5 实验结果 29

习题 30

参考文献 30

第3章 谓词逻辑 32

3．1 逻辑学的基本研究方法 32

3．1．1 概念化和理性化 32

3．1．2 符号化 33

3．1．3 公理化 33

3．1．4 形式化 34

3．1．5 现代逻辑学形式系统 34

3．2 命题逻辑 35

3．2．1 语法 35

3．2．2 语义 37

3．3 谓词逻辑 42

3．3．1 语法 42

3．3．2 语义 47

3．4 命题演算推理系统 50

3．5 实验：苏格拉底推论符号化及论证 51

3．5．1 实验目的 51

3．5．2 实验要求 51

3．5．3 实验原理 51

3．5．4 实验步骤 51

3．5．5 实验结果 52

习题 53

参考文献 54

第4章 产生式规则 55

4．1 产生式表示 55

4．1．1 产生式的由来 55

4．1．2 产生式规则的一般形式 55

4．1．3 产生式规则与逻辑蕴含式 56

4．2 从规则到系统 57

4．2．1 产生式系统简述 57

4．2．2 产生式系统的组成 57

4．2．3 产生式系统的运行过程 60

4．3 规则匹配――Rete算法 65

4．3．1 规则匹配算法简述 65

4．3．2 Rete算法 66

4．3．3 Uni-Rete算法 70

4．4 产生式规则专家系统 73

4．4．1 专家系统简述 73

4．4．2 专家系统的基本结构 77

4．4．3 产生式规则专家系统实例 80

4．5 实验：基于产生式规则的动物识别专家系统 84

4．5．1 实验目的 84

4．5．2 实验要求 84

4．5．3 实验原理 84

4．5．4 实验步骤 84

4．5．5 实验结果 95

习题 96

参考文献 96

第5章 语义网络 97

5．1 语义网络简述 97

5．1．1 语义网络的概念 97

5．1．2 语义网络的特点 97

5．2 语义网络表示法 98

5．2．1 基本网元 98

5．2．2 基本语义关系 99

5．3 知识的语义网络表示 102

5．3．1 事实性知识的表示 102

5．3．2 情况、动作和事件的表示 102

5．3．3 连词和量词的表示 104

5．3．4 用语义网络表示知识的步骤 105

5．4 语义网络的推理方法 106

5．4．1 继承推理 106

5．4．2 匹配推理 106

5．5 实验：语义网络写入图形数据库 107

5．5．1 实验目的 107

5．5．2 实验要求 107

5．5．3 实验原理 107

5．5．4 实验步骤 107

5．5．5 实验结果 110

习题 110

参考文献 111

第6章 本体 112

6．1 本体概述 112

6．1．1 本体的定义 112

6．1．2 本体的作用 113

6．1．3 本体的构成要素 114

6．2 本体的分类 115

6．3 本体的构建 118

6．3．1 本体建模语言 118

6．3．2 本体构建的规则 121

6．3．3 本体构建的方法 122

6．3．4 本体的构建工具 126

6．4 本体的应用 128

6．5 领域本体的构建 129

6．5．1 领域本体的构建过程 129

6．5．2 领域本体的设计原则 130

6．5．3 领域本体建模的生命周期 131

6．6 实验：小型本体构建示例 131

6．6．1 实验目的 131

6．6．2 实验要求 132

6．6．3 实验原理 132

6．6．4 实验步骤 132

6．6．5 实验结果 139

习题 140

参考文献 141

第7章 知识图谱 143

7．1 知识图谱简述 143

7．1．1 知识图谱的概念 143

7．1．2 知识图谱的产生历程 145

7．1．3 知识图谱的生命周期 147

7．2 知识图谱的关键技术 150

7．2．1 知识图谱构建技术 150

7．2．2 知识图谱查询和推理计算技术 151

7．2．3 知识图谱应用技术 151

7．3 知识图谱可视化 153

7．3．1 知识图谱表示方法 153

7．3．2 知识图谱可视化类型 154

7．3．3 知识图谱可视化流程 154

7．3．4 知识图谱可视化方法 154

7．4 知识图谱分类 157

7．4．1 知识图谱分类概述 157

7．4．2 通用知识图谱 157

7．4．3 领域知识图谱 158

7．5 知识图谱工具 159

7．5．1 知识建模工具 159

7．5．2 知识获取工具 159

7．5．3 实体识别链接工具 160

7．5．4 知识存储工具 160

7．5．5 本体知识推理工具 160

7．5．6 知识图谱可视化工具 161

7．5．7 知识图谱数据智能平台 161

7．6 实验：知识图谱实践 162

7．6．1 实验目的 162

7．6．2 实验要求 162

7．6．3 实验原理 162

7．6．4 实验步骤 162

7．6．5 实验结果 169

习题 170

参考文献 170

第8章 知识推理 172

8．1 推理简述 172

8．1．1 推理的概念 172

8．1．2 推理方式及分类 173

8．1．3 推理控制策略及分类 176

8．1．4 匹配与冲突消解 178

8．2 自然演绎推理 180

8．2．1 推理规则 180

8．2．2 三段论 181

8．2．3 命题演算形式 182

8．2．4 谓词演算形式 182

8．3 归结演绎推理 183

8．3．1 命题逻辑中的归结演绎推理 186

8．3．2 谓词逻辑中的归结演绎推理 188

8．4 归纳推理 194

8．4．1 完全归纳推理 195

8．4．2 不完全归纳推理 195

8．5 非单调推理 201

8．5．1 缺省推理 201

8．5．2 非单调推理系统 203

8．6 实验：运用逻辑推理的方法解决八皇后问题 206

8．6．1 实验目的 206

8．6．2 实验要求 206

8．6．3 实验原理 206

8．6．4 实验步骤 207

8．6．5 实验结果 208

习题 208

参考文献 209

第9章 不确定性推理 210

9．1 基本概念 210

9．1．1 不确定性推理的概念 210

9．1．2 不确定性推理中的基本问题 210

9．1．3 不确定性推理方法的分类 212

9．2 不确定性推理中的数学基础 213

9．2．1 概率理论 213

9．2．2 模糊集 216

9．2．3 粗糙集 221

9．3 基于概率论的推理方法 224

9．3．1 贝叶斯网络方法 224

9．3．2 主观贝叶斯方法 229

9．3．3 可信度方法――C-F模型 232

9．4 模糊推理 235

9．4．1 模糊匹配 235

9．4．2 模糊推理的基本模式 236

9．4．3 模糊推理的基本模型 237

9．4．4 合成推理规则 238

9．5 实验：模糊矩阵的运算 239

9．5．1 实验目的 239

9．5．2 实验要求 239

9．5．3 实验原理 239

9．5．4 实验步骤 239

9．5．5 实验结果 242

习题 244

参考文献 244

第10章 知识迁移学习 246

10．1 知识迁移简述 246

10．1．1 人类知识迁移 246

10．1．2 迁移学习的意义 249

10．2 同构空间实例迁移学习 251

10．2．1 TrAdaBoost算法 251

10．2．2 核均值匹配算法 254

10．2．3 同构空间实例迁移学习的特点 255

10．3 同构空间特征迁移学习 256

10．3．1 基于特征选择的迁移学习算法 256

10．3．2 基于特征映射的迁移学习算法 258

10．3．3 同构空间特征迁移学习的特点 261

10．4 异构空间迁移学习 261

10．4．1 翻译学习 262

10．4．2 基于稀疏特征变换的无监督异构迁移学习 264

10．4．3 异构空间迁移学习的特点 266

10．5 实验：基于预训练VGG16网络的迁移学习 266

10．5．1 实验目的 266

10．5．2 实验要求 266

10．5．3 实验原理 267

10．5．4 实验步骤 267

10．5．5 实验结果 270

习题 270

参考文献 270

附录A 人工智能实验环境 272

附录B 人工智能云平台

各行各业不断涌现人工智能应用，资本大量涌入人工智能领域，互联网企业争抢人

工智能人才……人工智能正迎来发展“黄金期”。放眼全球，人工智能人才储备告急，仅

我国，人工智能的人才缺口即超过500 万人，而国内人工智能人才供求比例仅为1:10。

为此，加强人才培养、填补人才空缺成了当务之急。

2017 年，国务院发布《新一代人工智能发展规划》，明确将举全国之力在2030 年抢

占人工智能全球制高点，加快培养聚集人工智能高端人才，完善人工智能领域学科布局，

设立人工智能专业。2018 年，教育部印发《高等学校人工智能创新行动计划》，要求“对

照国家和区域产业需求布点人工智能相关专业……加大人工智能领域人才培养力度”。

2019 年，国家主席习近平在致2019 中国国际智能产业博览会的贺信中指出，以互联网、

大数据、人工智能为代表的新一代信息技术日新月异，中国高度重视智能产业发展，加

快数字产业化、产业数字化，推动数字经济和实体经济深度融合。

在国家政策支持及人工智能发展新环境下，全国各大高校纷纷发力，设立人工智能

专业，成立人工智能学院。根据教育部发布的《教育部关于公布2020 年度普通高等学校

本科专业备案和审批结果的通知》，2020 年，全国共有130 所高校新增“人工智能”专业，

84 所高校新增“智能制造工程”专业，53 所高校新增“机器人工程”专业；在2021 年

普通高等学校本科新增设的37 个专业中，电子信息类和人工智能类专业共11 个，约占

本科新增专业的1/3，其中包括智能交互设计、智能测控工程、智能工程与创意设计、智

能采矿工程、智慧交通、智能飞行器技术、智能影像工程等，人工智能成为主流方向的

趋势已经不可逆转！

然而，在人工智能人才培养和人工智能课程建设方面，大部分院校仍处于起步阶段，

需要探索的问题还有很多。例如，人工智能作为新专业，尚未形成系统的人工智能人才

培养课程体系及配套资源；同时，人工智能教材大多内容老旧、晦涩难懂，大幅度提高

了人工智能专业的学习门槛；再者，过多强调理论学习，以及实践应用的缺失，使人工

智能人才培养面临新困境。

由此可见，人工智能作为注重实践性的综合型学科，对相应人才培养提出了易学性、

实战性和系统性的要求。高级人工智能人才培养丛书以此为出发点，尤其强调人工智能

内容的易学性及对读者动手能力的培养，并配套丰富的课程资源，解决易学性、实战性

和系统性难题。

易学性：能看得懂的书才是好书，本丛书在内容、描述、讲解等方面始终从读者的

角度出发，紧贴读者关心的热点问题及行业发展前沿，注重知识体系的完整性及内容的

易学性，赋予人工智能名词与术语生命力，让学习人工智能不再举步维艰。

实战性：与单纯的理论讲解不同，本丛书由国内一线师资和具备丰富人工智能实战

经验的团队携手倾力完成，不仅内容贴近实际应用需求，保有高度的行业敏感性，同时

几乎每章都有配套实战实验，使读者能够在理论学习的基础上，通过实验进一步巩固提

高。“云创大数据”使用本丛书介绍的一些技术，已经在模糊人脸识别、超大规模人脸比

对、模糊车牌识别、智能医疗、城市整体交通智能优化、空气污染智能预测等应用场景

下取得了突破性进展。特别是在2020 年年初，我受邀率“云创大数据”同事加入了钟南

山院士的团队，我们使用大数据和人工智能技术对新冠肺炎疫情发展趋势做出了不同于

国际预测的准确预测，为国家的正确决策起到了支持作用，并发表了高水平论文。

系统性：本丛书配套免费教学PPT，无论是教师、学生，还是其他读者，都能通过

教学PPT 更为清晰、直观地了解和展示图书内容。与此同时，“云创大数据”研发了配套

的人工智能实验平台，以及基于人工智能的专业教学平台，实验内容和教学内容与本丛

书完全对应。

本丛书非常适合作为“人工智能”和“智能科学与技术”专业的系列教材，也适合“智

能制造工程”“机器人工程”“智能建造”“智能医学工程”专业部分选用作为教材。

在此，特别感谢我的硕士生导师谢希仁教授和博士生导师李三立院士。谢希仁教授

所著的《计算机网络》已经更新到第7 版，与时俱进且日臻完善，时时提醒学生要以这

样的标准来写书。李三立院士为我国计算机事业作出了杰出贡献，曾任国家攀登计划项

目首席科学家。他严谨治学，带出了一大批杰出的学生。

本丛书是集体智慧的结晶，在此谨向付出辛勤劳动的各位作者致敬！书中难免会有

不当之处，请读者不吝赐教。邮箱：gloud@126.com，微信公众号：刘鹏看未来（lpoutlook）。