《知识图谱技术及应用》课程教学大纲

《知识图谱技术及应用》教学大纲一、课程基本信息课程名称知识图谱技术及应用KnowledgeGraphTechnologyandApplication课程编码CST522221015开课院部计算机科学与技术学院课程团队自然语言处理教学团队学分1.5课内学时28讲授16实验0上机12实践0课外学时0适用专业智能科学与技术授课语言中文先修课程机器学习、自然语言处理课程简介（限选）知识图谱是人工智能研究领域的一个分支，它以结构化的形式描述客观世界中概念、实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活力，同时也在智能问答中显示出强大威力，已经成为互联网知识驱动的智能应用的基础设施。知识图谱与大数据和深度学习一起，成为推动互联网和人工智能发展的核心驱动力之一。知识图谱技术是指知识图谱建立和应用的技术，是融合认知计算、知识表示与推理、信息检索与抽取、自然语言处理与语义Web、数据挖掘与机器学习等方向的交叉研究。本课程包括知识图谱构建、知识图谱查询和推理计算、知识图谱应用三部分。其中，知识图谱构建主要介绍知识表示与建模、知识表示学习、实体识别与链接、实体关系学习、事件知识学习；知识图谱查询和推理计算主要介绍知识存储和查询、知识推理；知识图谱应用涉及通用和领域知识图谱、语义集成、语义搜索、基于知识的问答四部分。除了必要的知识点与宽泛的关联知识，本课程还会介绍相关领域的基本概念、研究和应用方向，以及相关领域的前沿技术和发展趋势，激发学生的爱国热情，有助于学生树立正确的世界观、价值观、人生观。KnowledgeGraphisabranchintheresearchfieldofartificialintelligence.Itdescribesconcepts,entitiesandtheirrelationshipsintheobjectiveworldinastructuredform,andbringstheinformationtableoftheInternetclosertotheformofhumancognitionoftheworld,itprovidesabetterabilitytoorganize,manageandunderstandthevastamountofinformationontheInternet.KnowledgeGraphbringsvitalitytoInternetsemanticsearch,andalsoshowsgreatpowerinintelligentquestionandanswer.IthasbecometheinfrastructureofInternetknowledge-drivenintelligentapplications.Knowledgemapping,togetherwithbigdataandin-depthlearning,hasbecomeoneofthecoredrivingforcesforthedevelopmentoftheinternetandartificialintelligence.KnowledgeGraphtechnologyreferstothetechnologyofestablishingandapplyingknowledgegraph,whichintegratescognitivecomputing,knowledgerepresentationandreasoning,informationretrievalandextraction,naturallanguageprocessingandSemanticWeb,cross-cuttingresearchondataminingandmachinelearning.ThiscourseincludesKnowledgeGraphconstruction,KnowledgeGraphquery,reasoningandcalculation,andKnowledgeGraphapplication.Amongthem,theconstructionofknowledgegraphmainlyintroducesknowledgerepresentationandmodeling,knowledgerepresentationlearning,entityidentificationandlinking,entityrelationshiplearningandeventKnowledgeLearning;knowledgeGraphqueryandinferencecomputingmainlyintroducesknowledgestorage,queryandknowledgeinference.Theapplicationofknowledgegraphinvolvesfourparts:Generalanddomainknowledgegraph,semanticintegration,semanticsearchandknowledge-basedquestionandanswer.Inadditiontothenecessaryknowledgepointsandbroadrelatedknowledge,thiscoursewillalsointroducethebasicconcepts,researchandapplicationdirectionsofrelatedfields,aswellasthecutting-edgetechnologiesanddevelopmenttrendsinrelatedfields,itcanstimulatestudents'patriotism,andhelpsstudentstoestablishacorrectworldoutlook,valuesandoutlookonlife.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选1M1目标1：了解知识图谱的国际发展趋势与研究内容，掌握知识图谱的基本概念和思想方法，对知识图谱从整体上有一个较清晰全面的系统了解，学会通过文献调研了解知识图谱的国内外研究现状，学会利用知识图谱的基本理论分析解决实际应用问题。是2.32.32M2目标2：通过实践学时的训练及大作业提交的要求，学会撰写专业相关研究报告和设计文档，通过课堂互动和师生面对面交流，掌握在公众场合开展报告陈述及交流、答辩的能力。是10.110.13M3目标3：基于知识图谱研究领域快速发展的特点，传授学生自主学习的方法与技巧，结合文献阅读与综合归纳的基本方法，学会运用不断出现的新技术、新方法，具有适应社会和相关应用领域发展的能力。是12.212.2三、课程内容序号章节号标题课程内容/重难点支撑课程目标课内学时教学方式课外学时课外环节1第1章第1章绪论知识图谱的概念;知识工程的发展历程;知识图谱技术；国内知识图谱研究进展M11讲授1查资料2第2章第2章知识表示与建模知识的定义与表示;知识图谱的表示方法;常见知识库M11讲授1自学资料3第3章第3章知识表示学习本章重点难点：知识表示学习、复杂关系建模、多源信息融合。知识表示学习的概念；知识表示学习的优点；知识表示学习的研究意义；知识表示学习的主要研究内容、技术方法、研究现状和发展趋势M1,M2,M31讲授1自学资料4第4章第4章实体识别与链接本章重点难点：实体识别、实体名的歧义性和多样性、资源缺乏问题、实体的开放性问题。实体的定义；命名实体识别的概念，实体识别与链接的实际应用意义；实体识别；实体链接面临的关键科学问题；传统统计模型方法；深度学习方法；文本挖掘方法；技术展望与发展趋势M1,M22讲授2查阅文献5实验1实验1：基于深度学习的实体抽取学习实体识别的概念，构建实体抽取的深度学习模型，训练模型，掌握模型原理。M1,M23上机3撰写实验报告6第5章第5章实体关系学习本章重点难点：限定域关系抽取、开放域关系抽取。关系的定义；实体关系学习的概念；关系抽取的概念；限定域关系抽取；开放域关系抽取；限定域关系抽取和开放域关系抽取；基于规则的关系抽取和基于机器学习的关系抽取；技术展望和发展趋势。M1,M2,M31讲授1自学资料7第6章第6章事件知识学习本章重点难点：事件知识学习、面向非结构化文本的事件抽取、针对错误累积的事件抽取、针对标注语料规模小和数据稀疏问题的事件抽取。事件的概念；事件识别和抽取；事件监测与追踪，公开评测和数据集；认知层面针对复杂内部结构的事件知识学习；针对自然语言的灵活多变和歧义性的面向非结构化文本的事件抽取；针对错误累积的事件抽取；针对标注语料规模小、数据稀疏问题的事件抽取；基于模式匹配的方法；基于机器学习的方法；中文时事事件抽取；相似度聚类法；概率统计法；基于句子级的事件抽取；基于文档级的事件发现；技术展望与发展趋势。M2,M31讲授1查阅资料8第7章第7章知识存储与查询本章重点难点：基于关系数据模型的RDF数据存储和查询、基于图模型的RDF数据存储和查询。RDF的概念；SPARQL的概念；基于关系数据模型的RDF数据存储和查询；基于图模型的RDF数据存储和查询；技术展望与发展趋势。M2,M31讲授1查阅资料9第8章第8章知识推理本章重点难点：基于符号的并行知识推理、实体关系学习、模式归纳。知识图谱的关系缺失和属性缺失；知识图谱中的错误关系；智能问答；知识图谱的推理的定义；知识图谱的表示；基于符号的并行知识推理；实体关系学习；模式归纳；知识图谱的表示方法；基于多核、多处理器技术的大规模推理方法；基于分布式技术的大规模推理方法；基于表示学习的实体关系学习方法；基于图特征的实体关系学习方法；基于ILP的模式归纳方法；基于关联规则挖掘的模式归纳方法；基于机器学习的模式归纳方法；技术展望与发展趋势。M1,M21讲授1查阅资料10第9章第9章通用和领域知识图谱本章重点难点：知识建模、知识获取、知识融合、知识存储、知识计算。通用知识图谱；领域知识图谱；知识建模；知识获取；知识融合；知识存储；知识计算；知识应用；自底向上的知识图谱构建方法；自顶向下的知识图谱构建方法；通用知识图谱案例；领域知识图谱案例；技术展望与发展趋势。M1,M22讲授2查阅资料11实验2实验2：基于知识图谱的自然语言理解与自然语言生成学习知识图谱构建，训练基于知识图谱的自然语言理解与自然语言生成模型，掌握相关算法。M1,M23上机3编写代码12第10章第10章语义集成本章重点难点：预处理、匹配、知识融合。语义网；语义集成；知识融合；语义集成的输入；预处理；匹配；知识融合；语义集成的输出；多本体全体匹配；跨语言本体匹配；基于人机协作的实例匹配；基于表示学习的实例匹配；基于强化学习的实例匹配；知识融合；语义集成评测；技术展望与发展趋势。M2,M32讲授2查阅资料13实验3实验3：评测数据集的构建学习语义集成相关概念，构建领域评测数据集M2,M33上机3撰写实验报告14第11章第11章语义搜索本章重点难点：基于WEB的语义表达、针对RDF数据模型的文档分析和索引建立及查询匹配、自动化的共指消解技术。基本概念；基于WEB的语义表达；针对RDF数据模型的文档分析、索引建立和查询匹配；自动化的共指消解技术；基于语义网技术的传统WEB信息检索系统的改进；引入推理和关联关系的语义搜索；语义搜索中的查询扩展；语义搜索中的索引构建；技术展望与发展趋势。M1,M31讲授1查阅资料15第12章第12章基于知识的问答本章重点难点：问句语义解析、大规模知识推理、异构知识关联。问答系统；知识库问答；问句语义解析；大规模知识推理；异构知识关联；基于语义解析的知识库问答方法；基于检索排序的知识库问答方法；技术展望与发展趋势。M1,M32讲授2查阅资料16实验4实验4：面向复杂问句的深度学习知识库问答方法学习语义解析，构建基于语义解析的知识库问答方法模型并进行训练，掌握模型原理。M1,M33上机3编写代码四、考核方式序号考核环节操作细节总评占比1平时课堂表现随机检查学生上课精神状态、回答问题情况。10%2实验1.本课程12个学时实验，共四次