| 培训目标：
|
通过本课程的学习，学员将会收获：
- 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
- 了解国内外典型的开源知识库数据及技术资源
- 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
- 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
- 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
-
-
| 模块1：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。 |
| 模块2：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
- RDF和RDFS
- OWL和OWL2 Fragments
- SPARQL查询语言
- 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 |
| 模块3：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
- 基于正则表达式的方法
- Bootstrapping和Wrapper Induction介绍
4. 实践展示：基于百科数据的知识抽取
|
| 模块4：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
- 知识内容挖掘：实体消歧与链接
- 知识结构挖掘：关联规则挖掘与社区发现
- 知识表示学习与链接预测，包括TransE和PRA等算法介绍
|
| 模块5：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
- 开源数据库：Apache Jena、Sesame、gStore、RDF-3X等
- 商业数据库：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 |
| 模块6：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
- 基于Linguistic的匹配
- 基于图结构的匹配
- 基于外部知识库的匹配
3. 实体匹配基本流程和常用方法
- 基于分块的多阶段匹配
- 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 |
| 模块7：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
- 基于Tableaux运算的方法：Fact++、Racer、Pellet和Hermit等
- 基于一阶查询重写的方法：Ontology-based Data Access的Ontop等
- 基于产生式规则的方法（如Rete)：Jena、Sesame和OWLIM等
- 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 |
| 模块8：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
- Web Data Commons项目介绍
- 排序算法介绍，扩展BM25
3. 基于图谱的知识搜索
- 本体搜索（ontology lookup）
- 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 |
| 模块9：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
- 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
- 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
- 基于深度学习的方法
|
| 模块10：知识问答II |
1. IBM Watson问答系统及核心组件详细解读
2. 实践展示：面向百科知识的问答baseline实现 |
| 模块11：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
|
|
如果您想学习本课程，请
预约报名
如果没找到合适的课程或有特殊培训需求，请
订制培训
除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916
技术服务需求表下载请点击
服务优势：
丰富专家资源，精准匹配相关行业，相关项目技术精英，面向用户实际需求，针对性培训或咨询，互动式交流，案例教学，精品小班，实际工程项目经验分享，快捷高效，节省时间与金钱，少走弯路与错路。
专家力量：
中国科学院相关研究所高级研究人员
西门子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,达索，华为等
大型公司高级工程师，项目经理，技术支持专家
中科信软培训中心，资深专家或讲师
大多名牌大学，硕士以上学历，相关学历背景专业，理论素养高
多年实际项目实践，大型复杂项目实战案例分享，热情，乐于技术分享
针对客户实际需要，真实案例演示，互动式沟通，学有所值
