知识图谱的发展历史源远流长，从经典人工智能的核心命题——知识工程，到互联网时代的语义Web，再到当下很多领域构建的数千亿级别的现代知识图谱。知识图谱兼具人工智能、大数据和互联网的多重技术基因，是知识表示、表示学习、自然语言处理、图数据库和图计算等多个领域技术的综合集成。本书全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答和分析等七大方面，一百多个基础知识点的内容，同时囊括多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱，以及知识增强的语言预训练模型等新热点、新发展。作为一本导论性质的书，本书希望帮助初学者梳理知识图谱的基本知识点和关键技术要素，也希望帮助技术决策者建立知识图谱的整体视图和系统工程观，为前沿科研人员拓展创新视野和研究方向。
本书在技术广度和深度上兼具极强的参考性，适合高等院校的计算机专业师生阅读，也可供计算机相关行业的管理者和研发人员参考。

陈华钧，浙江大学计算机科学与技术学院教授。浙江大学阿里巴巴知识引擎联合实验室负责人、浙江省大数据智能计算重点实验室副主任、中国人工智能学会知识工程与分布智能专业委员会副主任委员、中国中文信息学会语言与知识计算专业委员会副主任委员、OpenKG发起人。曾获国际语义网会议ISWC最佳论文奖。

第1章 知识图谱概述
1.1 语言与知识
1.1.1 构建有学识的人工智能
1.1.2 知识的承载与表示方式
1.1.3 知识图谱是一种世界模型
1.2 知识图谱的起源
1.2.1 知识图谱的互联网基因
1.2.2 数据的互联网—Semantic Web
1.2.3 Things, Not Strings
1.2.4 典型的知识图谱项目
1.2.5 知识图谱的概念演进
1.3 知识图谱的价值
1.3.1 知识图谱支持语义搜索
1.3.2 知识图谱支持智能问答
1.3.3 知识图谱支持下的推荐系统
1.3.4 知识图谱辅助语言语义理解
1.3.5 知识图谱扩展视觉理解的深度和广度
1.3.6 知识图谱辅助IoT设备互联
1.3.7 知识图谱支持下的大数据分析
1.4 知识图谱的技术内涵
1.4.1 知识图谱是交叉技术领域
1.4.2 知识图谱的两个核心技术维度
1.4.3 知识图谱的技术栈
1.5 建立知识图谱的系统工程观
第2章 知识图谱的表示
2.1 什么是知识表示
2.1.1 知识表示的五个用途
2.1.2 符号表示与向量表示
2.2 人工智能历史发展长河中的知识表示
2.2.1 描述逻辑
2.2.2 霍恩规则逻辑
2.2.3 产生式系统
2.2.4 框架系统
2.2.5 语义网络
2.3 知识图谱的符号表示方法
2.3.1 基于图的知识表示方法
2.3.2 属性图
2.3.3 RDF图模型
2.3.4 OWL Web本体语言
2.4 知识图谱的向量表示方法
2.4.1 从词向量讲起
2.4.2 从词向量到实体向量
2.4.3 知识图谱向量表示学习模型
2.4.4 知识图谱向量表示的局限性
2.5 总结
第3章 知识图谱的存储与查询
3.1 基于关系型数据库的知识图谱存储
3.1.1 图数据存储的特点
3.1.2 基于三元组表的图谱存储
3.1.3 基于属性表的图谱存储
3.1.4 基于垂直划分表的知识图谱存储
3.1.5 基于全索引结构的知识图谱存储
3.2 基于原生图数据库的知识图谱存储
3.2.1 关系数据库的局限性
3.2.2 原生图数据库的优点
3.2.3 原生图数据库使用举例
3.2.4 什么时候使用原生图数据库
3.3 原生图数据库实现原理浅析
3.3.1 免索引邻接
3.3.2 原生图数据库的物理存储设计
3.3.3 节点和关系边的存储处理
3.3.4 图遍历查询的物理实现
3.3.5 属性数据的物理存储处理
3.3.6 属性图与RDF图存储的比较
3.4 总结
第4章 知识图谱的获取与构建
4.1 重新理解知识工程与知识获取
4.1.1 知识工程发展历史简介
4.1.2 知识获取的瓶颈问题
4.1.3 知识图谱工程
4.1.4 知识图谱与传统知识工程的差异
4.2 实体识别
4.2.1 实体识别任务简介
4.2.2 基于HMM的实体识别
4.2.3 基于CRF的实体识别
4.2.4 基于深度学习的实体识别
4.3 关系抽取
4.3.1 关系抽取任务定义
4.3.2 基于模板的关系抽取
4.3.3 基于特征工程的关系抽取
4.3.4 基于核函数的关系抽取
4.3.5 基于深度学习模型的关系抽取
4.3.6 实体关系联合抽取
4.3.7 基于远程监督的关系抽取
4.3.8 基于Bootstrapping的半监督关系抽取
4.4 属性补全
4.5 概念抽取
4.5.1 概念图谱简介
4.5.2 概念抽取的方法
4.5.3 概念图谱的应用场景
4.6 事件识别与抽取
4.6.1 事件抽取概述
4.6.2 事件抽取的方法
4.7 知识抽取技术前沿
4.7.1 知识抽取发展趋势
4.7.2 少样本知识抽取
4.7.3 零样本知识抽取
4.7.4 终生知识抽取
4.8 总结
第5章 知识图谱推理
5.1 推理简述
5.1.1 什么是推理
5.1.2 机器推理举例
5.2 知识图谱推理简介
5.2.1 知识图谱上的推理实现
5.2.2 基于本体公理的知识图谱推理
5.2.3 基于图结构与规则学习的知识图谱推理
5.2.4 基于表示学习的知识图谱推理
5.2.5 基于图神经网络的知识图谱推理
5.2.6 符号推理与表示学习的融合
5.3 基于符号逻辑的知识图谱推理
5.3.1 基于本体的推理
5.3.2 基于Datalog的知识图谱推理
5.3.3 基于产生式规则的推理
5.3.4 符号知识图谱推理总结
5.4 基于表示学习的知识图谱推理
5.4.1 利用机器学习实现知识图谱归纳推理
5.4.2 基于嵌入学习的知识图谱推理
5.4.3 基于规则学习的知识图谱推理
5.4.4 本体嵌入
5.5 知识图谱推理总结
第6章 知识图谱融合
6.1 知识图谱融合概述
6.1.1 知识异构性
6.1.2 知识异构的原因分析
6.1.3 不同层次的知识图谱融合
6.2 概念层融合——本体匹配
6.2.1 基于术语匹配的本体层融合
6.2.2 基于结构特征的本体层融合
6.2.3 基于知识分块的大规模本体匹配
6.3 实例层的融合——实