人工智能知识图谱从基础理论到项目案例实战课程视频教程下载。本课程从实战出发，围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术，使得学员具备研发知识图谱相关应用的基础能力。结合医疗、金融、电商等实际应用场景，介绍知识图谱各个技术点的实际应用落地方式，使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

课程大纲：

第一课：知识图谱概论  
1、知识图谱的起源和历史
2、典型知识库项目简介
3、知识图谱应用简介
4、本次课程覆盖的主要范围：知识表示与建模、知识抽取与挖掘、知识存储、知识融合、知识推理、语义搜索、知识问答和行业知识图谱应用剖析等内容。

第二课：知识表示与知识建模
1、早期知识表示简介
2、基于语义网的知识表示框架
    a、RDF和RDFS
    b、OWL和OWL2 Fragments
    c、SPARQL查询语言
    d、Json-LD、RDFa、HTML5 MicroData等新型知识表示
3、典型知识库项目的知识表示
4、基于本体工具（Protege）的知识建模最佳实践

第三课：知识抽取与挖掘I

1、知识抽取任务定义和相关比赛：实体识别、关系抽取和事件抽取
2、面向结构化数据（关系数据库）的知识抽取，包括D2RQ和R2RML等转换与映射规范与技术介绍
3、面向半结构化数据（Web tables, 百科站点等）的知识抽取
    a、基于正则表达式的方法
    b、Bootstrapping和Wrapper Induction介绍
4、实践展示：基于百科数据的知识抽取

第四课：知识抽取与挖掘II
1、面向非结构化数据（文本）的知识抽取
    a、基于本体的知识抽取，包括NELL和DeepDive系统介绍
    b、开放知识抽取，包括TextRunner、Reverb和OLLIE等系统介绍
2、知识挖掘
    a、知识内容挖掘：实体消歧与链接
    b、知识结构挖掘：关联规则挖掘与社区发现
    c、知识表示学习与链接预测，包括TransE和PRA等算法介绍

第五课：知识存储
1、基于关系数据库的存储设计，包括各种表设计和索引建立策略
2、基于RDF的图数据库介绍
    a、开源数据库介绍：Apache Jena、Sesame、gStore、RDF-3X等
    b、商业数据库介绍：Virtuoso、AllegroGraph、BlazeGraph等
3、原生图数据库介绍，包括Neo4j、OrientDB、Titan和Cayley等
4、实践展示：使用Apache Jena存储百科知识，并使用Fuseki构建图谱查询服务

第六课：知识融合
1、知识融合任务定义和相关竞赛：本体对齐和实体匹配
2、本体对齐基本流程和常用方法
    a、基于Linguistic的匹配
    b、基于图结构的匹配
    c、基于外部知识库的匹配
3、实体匹配基本流程和常用方法
    a、基于分块的多阶段匹配
    b、基于规则（配置或通过学习）的实体匹配
4、知识融合工具介绍：包括Falcon-AO、Silk、PARIS、DEDUPE、LIMES和KnowledgeVault
5、实践展示：使用Falcon-AO融合百度百科与维基百科中的知识

第七课：知识推理
1、本体知识推理简介与任务分类，包括概念可满足性、概念包含、实例分类和一致性检测等
2、本体推理方法与工具介绍
    a、基于Tableaux运算的方法：Fact++、Racer、Pellet和Hermit等
    b、基于一阶查询重写的方法：Ontology-based Data Access的Ontop等
    c、基于产生式规则的方法（如Rete)：Jena、Sesame和OWLIM等
    d、基于逻辑编程（如Datalog）改写的方法：KAON2和RDFox等
3、实践展示：使用Jena完成百科知识上的上下位推理、缺失类别补全和一致性检测等

第八课：语义搜索
1、语义搜索概述，包括Knowledge Card、Rich Snippet、Facebook Graph Search等
2、基于语义标注的网页搜索
    a、Web Data Commons项目介绍
    b、排序算法介绍，扩展BM25
3、基于图谱的知识搜索
    a、本体搜索（ontology lookup）
    b、探索式知识检索，包括查询构造、结果排序和分面（facets）推荐
4、知识可视化，包括本体、查询、结果等的展现方式和可视化分析
5、实践展示：使用ElasticSearch实现百科数据的语义搜索

第九课：知识问答I
1、知识问答概述和相关数据集（QALD和WebQuestions）
2、知识问答基本流程
3、知识问答主流方法介绍
    a、基于模板的方法，包括模板定义、模板生成和模板匹配等步骤
    b、基于语义解析的方法，包括资源映射，逻辑表达式候选生成与排序等
    c、基于深度学习的方法

第十课：知识问答II
1、IBM Watson问答系统及核心组件详细解读
    a、问句理解
    b、候选答案生成
    c、基于证据的答案排序
2、实践展示：面向百科知识的问答baseline实现

第十一课：行业知识图谱应用
1、行业知识图谱特点
2、行业知识图谱应用，包括金融、医疗、数字图书馆等领域应用
3、行业知识图谱构建与应用的挑战
4、行业知识图谱生命周期定义和关键组件

主讲老师：
著名知识图谱专家
博士毕业于上海交通大学，CCF术语专委会执委，中文信息学会语言与知识计算委员会副秘书长，共发表75余篇高水平论文。中文知识图谱zhishi.me创始人，OpenKG联盟发起人之一，其带队构建的语义搜索系统在Billion Triple Challenge中荣获全球第2名；在著名的本体匹配竞赛OAEI的实体匹配任务中斩获得全球第1名。曾主持并参与多项国家自然科学基金、863重大专项和国家科技支撑项目，以学术负责人身份参与Paypal、Google、Intel、IBM、百度等企业的合作项目。

课程简介：
本次的知识图谱课程主要包括三大部分：
1、知识图谱的工程方法论。指导学员了解并掌握知识图谱的基本概念和发展历史，梳理清知识图谱的技术体系，掌握知识图谱的核心技术原理，建立知识图谱工程的方法论思维。
2、知识图谱的实战技术。从实战出发，围绕知识表示、知识抽取、语义搜索、知识问答、知识推理、知识融合等系统性介绍知识图谱相关的实战技术，使得学员具备研发知识图谱相关应用的基础能力。
3、知识图谱的典型应用。结合医疗、金融、电商等实际应用场景，介绍知识图谱各个技术点的实际应用落地方式，使得学员具备结合自身背景开展知识图谱技术实践的应用能力。

面向人群：
1、希望学习知识图谱的学生；
2、希望了解知识图谱实战技术的IT从业人员；
3、未来希望成为知识图谱工程师的求职者；
4、想在知识图谱方向进行深入研究者。

学习收益：
通过本课程的学习，学员将会收获：
1、帮助学员系统性的掌握知识图谱的核心技术原理，结合近期研究成果，学习从基本概念到各个先进算法和技术的转化思路
2、了解国内外典型的开源知识库数据及技术资源
3、实践与理论结合，培养学员面对工程及学术问题的思考解决能力
4、基于百科知识进行各项核心技术的实例训练，并结合医疗、金融、电商等行业应用帮助学员快速积累知识图谱工程项目经验
5、对有志于从事知识问答工作或学术研究的学员，提供IBM Watson系统实现原理的讲解与指导