知识图谱与认知智能：基本原理、关键技术、应用场景与解决方案
内 容 简 介认知的高度决定了你创造价值的高度，包括你对世界的认知及世界对你的认知。知识图谱与认知智能技术的发展，既孕育了圈层变更的机会，也带来了人、机器、企业如何协同与博弈的难题。本书总计12章，从理论到产业应用对知识图谱与认知智能进行了介绍。第1～7章围绕知识图谱与认知智能的需求，以用户、设备、企业为中心，讲解知识体系建设、知识图谱构建、知识存储、知识推理的基本原理与关键技术。第8～12章讲解如何运用知识图谱与认知智能技术，构建产品化及系统化解决方案，以满足企业营销、服务、供应链、生产、运维、经营管理、数据交易等应用场景的业务需求。读者通过本书可以了解企业认知智能的原理、应用方法、执行策略，以此构建企业认知博弈的策略。企业数据智能相关从业者可以参考本书，构建以用户为中心的企业认知智能解决方案，通过人机协同的方式，实现对业务的认知与引导，并从业务演变中获益。此外，本书可以作为自然语言处理、知识工程、人工智能、社会计算等相关课程的教材。吴睿毕业于伦敦大学学院，主要研究方向为用户认知与引导，相关领域包括用户画像、知识图谱、认知智能、搜索推荐、智能对话、社会计算等。作为腾讯数据智能技术负责人，主导了多项腾讯云企业数据智能项目的落地，涉及营销、服务、生产、运维、企业经营管理等多个领域，开发了腾讯星图、腾讯云知识图谱、腾讯云图计算等多款产品。作为腾讯数据负责人，主导规划并建设了QQ用户画像体系，通过统一的数据中台，支持广告营销、个性化推荐、用户增长、信贷风控、金融投资等多项业务。第1章 知识图谱与认知智能理论的基本概念11.1 人工智能2
1.1.1 人工智能的类型2
1.1.2 人工智能的能力层级5
1.2 知识图谱6
1.2.1 知识的形态6
1.2.2 知识图谱的定义7
1.2.3 知识图谱涉及的技术领域9
1.3 认知智能10
1.3.1 认知智能的定义10
1.3.2 认知智能与知识图谱的技术关联13
1.3.3 认知智能的技术领域14
第2章 知识图谱与认知智能的需求场景15
2.1 知识图谱与认知智能需求总览16
2.1.1 认知智能的产业需求16
2.1.2 认知智能的产业落地18
2.1.3 认知智能的产业价值21
2.1.4 认知智能的产业影响22
2.2 个体认知智能23
2.2.1 个体对环境的认知智能需求场景23
2.2.2 环境对个体的认知智能需求场景25
2.3 物联认知智能26
2.3.1 消费物联网中的认知智能27
2.3.2 工业物联网中的认知智能29
2.4 企业认知智能31
2.4.1 企业认知智能与企业协同32
2.4.2 企业认知智能需求总览33
2.4.3 企业全域数据治理场景35
2.4.4 企业营销认知智能场景36
2.4.5 企业生产认知智能场景38
2.4.6 企业经营管理认知智能场景40
第3章 知识体系建设42
3.1 知识体系建设理论43
3.1.1 知识体系定义43
3.1.2 知识体系建设的方法44
3.1.3 知识体系建设的原则48
3.2 用户知识体系49
3.2.1 用户画像知识体系理论50
3.2.2 用户画像知识体系建设的挑战51
3.2.3 用户画像知识体系建设的方法52
3.2.4 用户画像基础知识体系56
3.2.5 用户营销领域的用户画像知识体系58
3.2.6 用户增长领域的用户画像知识体系62
3.3 物联知识体系63
3.3.1 商品知识图谱知识体系64
3.3.2 设备知识图谱知识体系66
3.4 企业业务知识体系69
3.4.1 企业全域知识体系69
3.4.2 企业营销服务知识体系71
3.4.3 企业生产与运维知识体系72
3.4.4 企业经营管理知识体系73
3.4.5 企业风险管理与投资知识体系74
3.5 知识体系建设与知识治理78
3.5.1 数据治理79
3.5.2 知识治理与企业知识战略84
第4章 知识图谱构建86
4.1 知识图谱构建系统87
4.1.1 知识图谱的构建流程87
4.1.2 知识图谱构建系统的整体架构90
4.2 知识抽取系统92
4.2.1 知识抽取的数据来源92
4.2.2 知识抽取框架94
4.2.3 实体抽取100
4.2.4 关系抽取101
4.2.5 属性抽取103
4.3 知识融合系统104
4.3.1 知识融合的流程104
4.3.2 知识融合系统的架构106
4.3.3 用户域的知识融合108
4.3.4 物联域的知识融合110
4.3.5 企业域的知识融合111
4.4 知识质量校验112
第5章 知识存储与计算之图数据库115
5.1 知识图谱与图数据库116
5.1.1 图数据库的基础知识116
5.1.2 知识图谱与图数据库存储解决方案118
5.1.3 知识图谱应用与图数据库121
5.2 图数据库相关技术122
5.2.1 图数据库技术的发展史122
5.2.2 图数据库与传统数据库123
5.2.3 图数据库的数据模型124
5.2.4 图数据库的存储介质125
5.2.5 图数据库的引擎126
5.3 开源图数据库产品介绍126
5.4 图数据库评估标准129
第6章 知识存储计算之图计算130
6.1 知识图谱与图计算131
6.2 图计算基础134
6.2.1 图网络的基础定义与理论134
6.2.2 节点分析类算法136
6.2.3 关系链分析类算法137
6.2.4 全图分析类算法138
6.2.5 子图匹配算法138
6.2.6 社区发现算法138
6.3 图深度学习139
6.3.1 图深度学习与知识图谱140
6.3.2 图神经网络算法的原理141
6.3.3 图神经网络算法的对比143
6.3.4 图表示学习算法144
6.3.5 GraphSAGE146
6.3.6 GAT148
6.4 图计算框架149
6.4.1 图计算平台的难点149
6.4.2 开源图计算框架介绍150
6.4.3 图计算平台的评估标准152
第7章 知识推理155
7.1 知识推理的理论156
7.1.1 基础理论156
7.1.2 认知科学理论157
7.1.3 产业实践理论157
7.1.4 认知协同理论159
7.2 知识推理的技术体系161
7.3 知识问答163
7.3.1 知识问答的定义与需求场景163
7.3.2 垂直域的知识问答166
7.3.3 知识问答产品的需求拆解167
7.3.4 知识问答技术的难点168
7.3.5 知识问答系统的整体技术方案169
7.3.6 知识问答系统的技术架构171
7.3.7 知识问答系统中的意图识别模块174
7.3.8 知识问答系统中的推理查询模块174
7.3.9 知识问答系统中的配置管理模块177
7.3.10 知识问答运营178
7.4 知识补全179
7.4.1 知识补全定义179
7.4.2 知识补全的方法180
7.4.3 知识补全的技术架构与方案183
7.4.4 对知识补全的进一步思考184
第8章 知识图谱管理平台186
8.1 知识图谱管理平台的产品架构187
8.1.1 知识图谱管理平台的应用场景与流程187
8.1.2 知识图谱管理平台的产品设计挑战188
8.1.3 知识图谱管理平台的产品架构概览189
8.1.4 知识建模模块190
8.1.5 知识构建模块191
8.1.6 知识存储与计算模块193
8.1.7 知识推理模块194
8.1.8 知识图谱管理平台的产品落地195
8.2 知识图谱管理平台评估197
8.2.1 技术架构评估198
8.2.2 知识建模模块评估199
8.2.3 知识构建模块评估199
8.2.4 知识存储与计算模块评估200
8.2.5 知识推理模块评估201
8.2.6 安全能力评估202
8.2.7 系统运维评估202
第9章 知识图谱与营销认知智能204
9.1 认知智能与企业营销系统的整体解决方案205
9.1.1 用户营销的认知过程206
9.1.2 企业营销系统207
9.1.3 企业营销认知智能的系统实现209
9.1.4 营销认知之企业私域流量场景212
9.1.5 营销认知之B2B营销场景214
9.1.6 营销认知之企业产销协同场景216
9.2 知识图谱与用户智能认知217
9.2.1 用户画像分析引擎218
9.2.2 用户智能标签引擎219
9.2.3 智能用户数据中台227
9.3 知识图谱与社群认知引导231
9.3.1 社群认知的形态231
9.3.2 社群认知引导与社群演变233
9.3.3 社群认知引导与智能推荐234
9.3.4 社群认知引导与营销机器人236
9.4 知识图谱与商品搜索238
9.4.1 商品搜索基础理论239
9.4.2 商品搜索技术架构241
9.5 知识图谱与智能推荐244
9.5.1 知识图谱助力推荐的方法论245
9.5.2 知识图谱助力推荐的技术架构247
9.5.3 知识图谱助力推荐的产品方案250
9.5.4 知识图谱助力推荐的标签映射253
9.6 知识图谱与营销服务机器人254
9.6.1 社群营销机器人255
9.6.2 智能客服机器人256
9.6.3 营销机器人的认知能力建设258
9.7 知识图谱与智能供应链260
9.7.1 供应链管理中的知识图谱与认知智能261
9.7.2 智能渠道管理263
9.7.3 供应链风险预警264
9.7.4 企业智能采购助手266
第10章 知识图谱与物联网认知智能269
10.1 设备认知智能270
10.2 设备知识图谱建设272
10.3 设备数据采集、存储与计算274
10.3.1 设备数据采集与存储计算平台274
10.3.2 设备物联网与图数据库275
10.3.3 设备物联网与图计算277
10.3.4 电网配网潮流计算278
10.4 设备健康管理280
10.4.1 设备健康状态管理系统280
10.4.2 设备运维检修283
10.5 设备智能调度与先进控制286
10.5.1 设备智能调度286
10.5.2 设备先进控制288
10.6 能源设备认知智能解决方案290
10.6.1 能源设备认知智能解决方案总览290
10.6.2 能源设备知识图谱建设291
10.6.3 能源的知识推理案例：能源设备运行断面检索295
第11章 知识图谱与企业认知智能300
11.1 企业认知大脑301
11.1.1 企业认知智能战略301
11.1.2 企业认知大脑的整体架构304
11.1.3 企业认知大脑与企业物联网平台308
11.1.4 企业认知大脑与企业数据中台309
11.1.5 企业认知大脑与企业AI中台310
11.1.6 企业认知智能应用体系311
11.1.7 企业认知大脑的团队建设313
11.1.8 企业认知大脑的落地流程示例315
11.1.9 企业认知大脑的投入产出分析317
11.2 企业知识库319
11.2.1 企业知识库面临的挑战319
11.2.2 企业知识库与知识图谱320
11.2.3 企业知识库的解决方案321
11.3 企业决策助手323
11.3.1 企业决策助手的理论体系323
11.3.2 企业决策助手的产品需求325
11.3.3 企业决策助手的产品方案326
11.3.4 企业管理驾驶舱329
11.3.5 商业智能决策助手332
11.3.6 专业智能决策助手334
11.4 企业办公智能338
11.4.1 企业办公协同338
11.4.2 企业数字人339
11.4.3 企业智能组织管理342
11.5 企业风控与投资认知智能344
11.5.1 企业风控认知智能345
11.5.2 企业投资认知智能346
11.6 企业认知智能与个体认知智能351
11.6.1 认知博弈与认知协同351
11.6.2 宏观协同与微观协同352
第12章 认知智能与数据交易流通354
12.1 数据的要素355
12.2 数据交易的特性356
12.3 数据交易解决方案357
12.3.1 数据交易解决1
内容简介:内 容 简 介认知的高度决定了你创造价值的高度，包括你对世界的认知及世界对你的认知。知识图谱与认知智能技术的发展，既孕育了圈层变更的机会，也带来了人、机器、企业如何协同与博弈的难题。本书总计12章，从理论到产业应用对知识图谱与认知智能进行了介绍。第1～7章围绕知识图谱与认知智能的需求，以用户、设备、企业为中心，讲解知识体系建设、知识图谱构建、知识存储、知识推理的基本原理与关键技术。第8～12章讲解如何运用知识图谱与认知智能技术，构建产品化及系统化解决方案，以满足企业营销、服务、供应链、生产、运维、经营管理、数据交易等应用场景的业务需求。读者通过本书可以了解企业认知智能的原理、应用方法、执行策略，以此构建企业认知博弈的策略。企业数据智能相关从业者可以参考本书，构建以用户为中心的企业认知智能解决方案，通过人机协同的方式，实现对业务的认知与引导，并从业务演变中获益。此外，本书可以作为自然语言处理、知识工程、人工智能、社会计算等相关课程的教材。作者简介:吴睿毕业于伦敦大学学院，主要研究方向为用户认知与引导，相关领域包括用户画像、知识图谱、认知智能、搜索推荐、智能对话、社会计算等。作为腾讯数据智能技术负责人，主导了多项腾讯云企业数据智能项目的落地，涉及营销、服务、生产、运维、企业经营管理等多个领域，开发了腾讯星图、腾讯云知识图谱、腾讯云图计算等多款产品。作为腾讯数据负责人，主导规划并建设了QQ用户画像体系，通过统一的数据中台，支持广告营销、个性化推荐、用户增长、信贷风控、金融投资等多项业务。目录:第1章 知识图谱与认知智能理论的基本概念11.1 人工智能2
1.1.1 人工智能的类型2
1.1.2 人工智能的能力层级5
1.2 知识图谱6
1.2.1 知识的形态6
1.2.2 知识图谱的定义7
1.2.3 知识图谱涉及的技术领域9
1.3 认知智能10
1.3.1 认知智能的定义10
1.3.2 认知智能与知识图谱的技术关联13
1.3.3 认知智能的技术领域14
第2章 知识图谱与认知智能的需求场景15
2.1 知识图谱与认知智能需求总览16
2.1.1 认知智能的产业需求16
2.1.2 认知智能的产业落地18
2.1.3 认知智能的产业价值21
2.1.4 认知智能的产业影响22
2.2 个体认知智能23
2.2.1 个体对环境的认知智能需求场景23
2.2.2 环境对个体的认知智能需求场景25
2.3 物联认知智能26
2.3.1 消费物联网中的认知智能27
2.3.2 工业物联网中的认知智能29
2.4 企业认知智能31
2.4.1 企业认知智能与企业协同32
2.4.2 企业认知智能需求总览33
2.4.3 企业全域数据治理场景35
2.4.4 企业营销认知智能场景36
2.4.5 企业生产认知智能场景38
2.4.6 企业经营管理认知智能场景40
第3章 知识体系建设42
3.1 知识体系建设理论43
3.1.1 知识体系定义43
3.1.2 知识体系建设的方法44
3.1.3 知识体系建设的原则48
3.2 用户知识体系49
3.2.1 用户画像知识体系理论50
3.2.2 用户画像知识体系建设的挑战51
3.2.3 用户画像知识体系建设的方法52
3.2.4 用户画像基础知识体系56
3.2.5 用户营销领域的用户画像知识体系58
3.2.6 用户增长领域的用户画像知识体系62
3.3 物联知识体系63
3.3.1 商品知识图谱知识体系64
3.3.2 设备知识图谱知识体系66
3.4 企业业务知识体系69
3.4.1 企业全域知识体系69
3.4.2 企业营销服务知识体系71
3.4.3 企业生产与运维知识体系72
3.4.4 企业经营管理知识体系73
3.4.5 企业风险管理与投资知识体系74
3.5 知识体系建设与知识治理78
3.5.1 数据治理79
3.5.2 知识治理与企业知识战略84
第4章 知识图谱构建86
4.1 知识图谱构建系统87
4.1.1 知识图谱的构建流程87
4.1.2 知识图谱构建系统的整体架构90
4.2 知识抽取系统92
4.2.1 知识抽取的数据来源92
4.2.2 知识抽取框架94
4.2.3 实体抽取100
4.2.4 关系抽取101
4.2.5 属性抽取103
4.3 知识融合系统104
4.3.1 知识融合的流程104
4.3.2 知识融合系统的架构106
4.3.3 用户域的知识融合108
4.3.4 物联域的知识融合110
4.3.5 企业域的知识融合111
4.4 知识质量校验112
第5章 知识存储与计算之图数据库115
5.1 知识图谱与图数据库116
5.1.1 图数据库的基础知识116
5.1.2 知识图谱与图数据库存储解决方案118
5.1.3 知识图谱应用与图数据库121
5.2 图数据库相关技术122
5.2.1 图数据库技术的发展史122
5.2.2 图数据库与传统数据库123
5.2.3 图数据库的数据模型124
5.2.4 图数据库的存储介质125
5.2.5 图数据库的引擎126
5.3 开源图数据库产品介绍126
5.4 图数据库评估标准129
第6章 知识存储计算之图计算130
6.1 知识图谱与图计算131
6.2 图计算基础134
6.2.1 图网络的基础定义与理论134
6.2.2 节点分析类算法136
6.2.3 关系链分析类算法137
6.2.4 全图分析类算法138
6.2.5 子图匹配算法138
6.2.6 社区发现算法138
6.3 图深度学习139
6.3.1 图深度学习与知识图谱140
6.3.2 图神经网络算法的原理141
6.3.3 图神经网络算法的对比143
6.3.4 图表示学习算法144
6.3.5 GraphSAGE146
6.3.6 GAT148
6.4 图计算框架149
6.4.1 图计算平台的难点149
6.4.2 开源图计算框架介绍150
6.4.3 图计算平台的评估标准152
第7章 知识推理155
7.1 知识推理的理论156
7.1.1 基础理论156
7.1.2 认知科学理论157
7.1.3 产业实践理论157
7.1.4 认知协同理论159
7.2 知识推理的技术体系161
7.3 知识问答163
7.3.1 知识问答的定义与需求场景163
7.3.2 垂直域的知识问答166
7.3.3 知识问答产品的需求拆解167
7.3.4 知识问答技术的难点168
7.3.5 知识问答系统的整体技术方案169
7.3.6 知识问答系统的技术架构171
7.3.7 知识问答系统中的意图识别模块174
7.3.8 知识问答系统中的推理查询模块174
7.3.9 知识问答系统中的配置管理模块177
7.3.10 知识问答运营178
7.4 知识补全179
7.4.1 知识补全定义179
7.4.2 知识补全的方法180
7.4.3 知识补全的技术架构与方案183
7.4.4 对知识补全的进一步思考184
第8章 知识图谱管理平台186
8.1 知识图谱管理平台的产品架构187
8.1.1 知识图谱管理平台的应用场景与流程187
8.1.2 知识图谱管理平台的产品设计挑战188
8.1.3 知识图谱管理平台的产品架构概览189
8.1.4 知识建模模块190
8.1.5 知识构建模块191
8.1.6 知识存储与计算模块193
8.1.7 知识推理模块194
8.1.8 知识图谱管理平台的产品落地195
8.2 知识图谱管理平台评估197
8.2.1 技术架构评估198
8.2.2 知识建模模块评估199
8.2.3 知识构建模块评估199
8.2.4 知识存储与计算模块评估200
8.2.5 知识推理模块评估201
8.2.6 安全能力评估202
8.2.7 系统运维评估202
第9章 知识图谱与营销认知智能204
9.1 认知智能与企业营销系统的整体解决方案205
9.1.1 用户营销的认知过程206
9.1.2 企业营销系统207
9.1.3 企业营销认知智能的系统实现209
9.1.4 营销认知之企业私域流量场景212
9.1.5 营销认知之B2B营销场景214
9.1.6 营销认知之企业产销协同场景216
9.2 知识图谱与用户智能认知217
9.2.1 用户画像分析引擎218
9.2.2 用户智能标签引擎219
9.2.3 智能用户数据中台227
9.3 知识图谱与社群认知引导231
9.3.1 社群认知的形态231
9.3.2 社群认知引导与社群演变233
9.3.3 社群认知引导与智能推荐234
9.3.4 社群认知引导与营销机器人236
9.4 知识图谱与商品搜索238
9.4.1 商品搜索基础理论239
9.4.2 商品搜索技术架构241
9.5 知识图谱与智能推荐244
9.5.1 知识图谱助力推荐的方法论245
9.5.2 知识图谱助力推荐的技术架构247
9.5.3 知识图谱助力推荐的产品方案250
9.5.4 知识图谱助力推荐的标签映射253
9.6 知识图谱与营销服务机器人254
9.6.1 社群营销机器人255
9.6.2 智能客服机器人256
9.6.3 营销机器人的认知能力建设258
9.7 知识图谱与智能供应链260
9.7.1 供应链管理中的知识图谱与认知智能261
9.7.2 智能渠道管理263
9.7.3 供应链风险预警264
9.7.4 企业智能采购助手266
第10章 知识图谱与物联网认知智能269
10.1 设备认知智能270
10.2 设备知识图谱建设272
10.3 设备数据采集、存储与计算274
10.3.1 设备数据采集与存储计算平台274
10.3.2 设备物联网与图数据库275
10.3.3 设备物联网与图计算277
10.3.4 电网配网潮流计算278
10.4 设备健康管理280
10.4.1 设备健康状态管理系统280
10.4.2 设备运维检修283
10.5 设备智能调度与先进控制286
10.5.1 设备智能调度286
10.5.2 设备先进控制288
10.6 能源设备认知智能解决方案290
10.6.1 能源设备认知智能解决方案总览290
10.6.2 能源设备知识图谱建设291
10.6.3 能源的知识推理案例：能源设备运行断面检索295
第11章 知识图谱与企业认知智能300
11.1 企业认知大脑301
11.1.1 企业认知智能战略301
11.1.2 企业认知大脑的整体架构304
11.1.3 企业认知大脑与企业物联网平台308
11.1.4 企业认知大脑与企业数据中台309
11.1.5 企业认知大脑与企业AI中台310
11.1.6 企业认知智能应用体系311
11.1.7 企业认知大脑的团队建设313
11.1.8 企业认知大脑的落地流程示例315
11.1.9 企业认知大脑的投入产出分析317
11.2 企业知识库319
11.2.1 企业知识库面临的挑战319
11.2.2 企业知识库与知识图谱320
11.2.3 企业知识库的解决方案321
11.3 企业决策助手323
11.3.1 企业决策助手的理论体系323
11.3.2 企业决策助手的产品需求325
11.3.3 企业决策助手的产品方案326
11.3.4 企业管理驾驶舱329
11.3.5 商业智能决策助手332
11.3.6 专业智能决策助手334
11.4 企业办公智能338
11.4.1 企业办公协同338
11.4.2 企业数字人339
11.4.3 企业智能组织管理342
11.5 企业风控与投资认知智能344
11.5.1 企业风控认知智能345
11.5.2 企业投资认知智能346
11.6 企业认知智能与个体认知智能351
11.6.1 认知博弈与认知协同351
11.6.2 宏观协同与微观协同352
第12章 认知智能与数据交易流通354
12.1 数据的要素355
12.2 数据交易的特性356
12.3 数据交易解决方案357
12.3.1 数据交易解决1
《知识图谱与认知智能：基本原理、关键技术、应用场景与解决方案》电子书在线阅读
5.0用户推荐指数科技类型可以朗读语音朗读266千字字数2022-02-01发行日期展开全部主编推荐语本书讲述企业认知智能的原理、应用方法和执行策略，读者可以此构建企业认知博弈的最优策略。
内容简介本书总计12章，从理论到产业应用对知识图谱与认知智能进行了介绍。
第1-7章围绕知识图谱与认知智能的需求，以用户、设备、企业为中心，讲解知识体系建设、知识图谱构建、知识存储、知识推理的基本原理与关键技术。第8-12章讲解如何运用知识图谱与认知智能技术，构建产品化及系统化解决方案，以满足企业营销、服务、供应链、生产、运维、经营管理、数据交易等应用场景的业务需求。
目录版权信息内容简介推荐序序言第1章知识图谱与认知智能理论的基本概念1.1人工智能1.1.1人工智能的类型1.1.2人工智能的能力层级1.2知识图谱1.2.1知识的形态1.2.2知识图谱的定义1.2.3知识图谱涉及的技术领域1.3认知智能1.3.1认知智能的定义1.3.2认知智能与知识图谱的技术关联1.3.3认知智能的技术领域第2章知识图谱与认知智能的需求场景2.1知识图谱与认知智能需求总览2.1.1认知智能的产业需求2.1.2认知智能的产业落地2.1.3认知智能的产业价值2.1.4认知智能的产业影响2.2个体认知智能2.2.1个体对环境的认知智能需求场景2.2.2环境对个体的认知智能需求场景2.3物联认知智能2.3.1消费物联网中的认知智能2.3.2工业物联网中的认知智能2.4企业认知智能2.4.1企业认知智能与企业协同2.4.2企业认知智能需求总览2.4.3企业全域数据治理场景2.4.4企业营销认知智能场景2.4.5企业生产认知智能场景2.4.6企业经营管理认知智能场景第3章知识体系建设3.1知识体系建设理论3.1.1知识体系定义3.1.2知识体系建设的方法3.1.3知识体系建设的原则3.2用户知识体系3.2.1用户画像知识体系理论3.2.2用户画像知识体系建设的挑战3.2.3用户画像知识体系建设的方法3.2.4用户画像基础知识体系3.2.5用户营销领域的用户画像知识体系3.2.6用户增长领域的用户画像知识体系3.3物联知识体系3.3.1商品知识图谱知识体系3.3.2设备知识图谱知识体系3.4企业业务知识体系3.4.1企业全域知识体系3.4.2企业营销服务知识体系3.4.3企业生产与运维知识体系3.4.4企业经营管理知识体系3.4.5企业风险管理与投资知识体系3.5知识体系建设与知识治理3.5.1数据治理3.5.2知识治理与企业知识战略第4章知识图谱构建4.1知识图谱构建系统4.1.1知识图谱的构建流程4.1.2知识图谱构建系统的整体架构4.2知识抽取系统4.2.1知识抽取的数据来源4.2.2知识抽取框架4.2.3实体抽取4.2.4关系抽取4.2.5属性抽取4.3知识融合系统4.3.1知识融合的流程4.3.2知识融合系统的架构4.3.3用户域的知识融合4.3.4物联域的知识融合4.3.5企业域的知识融合4.4知识质量校验第5章知识存储与计算之图数据库5.1知识图谱与图数据库5.1.1图数据库的基础知识5.1.2知识图谱与图数据库存储解决方案5.1.3知识图谱应用与图数据库5.2图数据库相关技术5.2.1图数据库技术的发展史5.2.2图数据库与传统数据库5.2.3图数据库的数据模型5.2.4图数据库的存储介质5.2.5图数据库的引擎5.3开源图数据库产品介绍5.4图数据库评估标准第6章知识存储计算之图计算6.1知识图谱与图计算6.2图计算基础6.2.1图网络的基础定义与理论6.2.2节点分析类算法6.2.3关系链分析类算法6.2.4全图分析类算法6.2.5子图匹配算法6.2.6社区发现算法6.3图深度学习6.3.1图深度学习与知识图谱6.3.2图神经网络算法的原理6.3.3图神经网络算法的对比6.3.4图表示学习算法6.3.5GraphSAGE6.3.6GAT6.4图计算框架6.4.1图计算平台的难点6.4.2开源图计算框架介绍6.4.3图计算平台的评估标准第7章知识推理7.1知识推理的理论7.1.1基础理论7.1.2认知科学理论7.1.3产业实践理论7.1.4认知协同理论7.2知识推理的技术体系7.3知识问答7.3.1知识问答的定义与需求场景7.3.2垂直域的知识问答7.3.3知识问答产品的需求拆解7.3.4知识问答技术的难点7.3.5知识问答系统的整体技术方案7.3.6知识问答系统的技术架构7.3.7知识问答系统中的意图识别模块7.3.8知识问答系统中的推理查询模块7.3.9知识问答系统中的配置管理模块7.3.10知识问答运营7.4知识补全7.4.1知识补全定义7.4.2知识补全的方法7.4.3知识补全的技术架构与方案7.4.4对知识补全的进一步思考第8章知识图谱管理平台8.1知识图谱管理平台的产品架构8.1.1知识图谱管理平台的应用场景与流程8.1.2知识图谱管理平台的产品设计挑战8.1.3知识图谱管理平台的产品架构概览8.1.4知识建模模块8.1.5知识构建模块8.1.6知识存储与计算模块8.1.7知识推理模块8.1.8知识图谱管理平台的产品落地8.2知识图谱管理平台评估8.2.1技术架构评估8.2.2知识建模模块评估8.2.3知识构建模块评估8.2.4知识存储与计算模块评估8.2.5知识推理模块评估8.2.6安全能力评估8.2.7系统运维评估第9章知识图谱与营销认知智能9.1认知智能与企业营销系统的整体解决方案9.1.1用户营销的认知过程9.1.2企业营销系统9.1.3企业营销认知智能的系统实现9.1.4营销认知之企业私域流量场景9.1.5营销认知之B2B营销场景9.1.6营销认知之企业产销协同场景9.2知识图谱与用户智能认知9.2.1用户画像分析引擎9.2.2用户智能标签引擎9.2.3智能用户数据中台9.3知识图谱与社群认知引导9.3.1社群认知的形态9.3.2社群认知引导与社群演变9.3.3社群认知引导与智能推荐9.3.4社群认知引导与营销机器人9.4知识图谱与商品搜索9.4.1商品搜索基础理论9.4.2商品搜索技术架构9.5知识图谱与智能推荐9.5.1知识图谱助力推荐的方法论9.5.2知识图谱助力推荐的技术架构9.5.3知识图谱助力推荐的产品方案9.5.4知识图谱助力推荐的标签映射9.6知识图谱与营销服务机器人9.6.1社群营销机器人9.6.2智能客服机器人9.6.3营销机器人的认知能力建设9.7知识图谱与智能供应链9.7.1供应链管理中的知识图谱与认知智能9.7.2智能渠道管理9.7.3供应链风险预警9.7.4企业智能采购助手第10章知识图谱与物联网认知智能10.1设备认知智能10.2设备知识图谱建设10.3设备数据采集、存储与计算10.3.1设备数据采集与存储计算平台10.3.2设备物联网与图数据库10.3.3设备物联网与图计算10.3.4电网配网潮流计算10.4设备健康管理10.4.1设备健康状态管理系统10.4.2设备运维检修10.5设备智能调度与先进控制10.5.1设备智能调度10.5.2设备先进控制10.6能源设备认知智能解决方案10.6.1能源设备认知智能解决方案总览10.6.2能源设备知识图谱建设10.6.3能源的知识推理案例：能源设备运行断面检索第11章知识图谱与企业认知智能11.1企业认知大脑11.1.1企业认知智能战略11.1.2企业认知大脑的整体架构11.1.3企业认知大脑与企业物联网平台11.1.4企业认知大脑与企业数据中台11.1.5企业认知大脑与企业AI中台11.1.6企业认知智能应用体系11.1.7企业认知大脑的团队建设11.1.8企业认知大脑的落地流程示例11.1.9企业认知大脑的投入产出分析11.2企业知识库11.2.1企业知识库面临的挑战11.2.2企业知识库与知识图谱11.2.3企业知识库的解决方案11.3企业决策助手11.3.1企业决策助手的理论体系11.3.2企业决策助手的产品需求11.3.3企业决策助手的产品方案11.3.4企业管理驾驶舱11.3.5商业智能决策助手11.3.6专业智能决策助手11.4企业办公智能11.4.1企业办公协同11.4.2企业数字人11.4.3企业智能组织管理11.5企业风控与投资认知智能11.5.1企业风控认知智能11.5.2企业投资认知智能11.6企业认知智能与个体认知智能11.6.1认知博弈与认知协同11.6.2宏观协同与微观协同第12章认知智能与数据交易流通12.1数据的要素12.2数据交易的特性12.3数据交易的解决方案12.3.1数据交易解决方案总览12.3.2数据交易的平台建设12.3.3数据交易的知识治理12.3.4数据交易的需求匹配12.3.5数据交易的隐私保护展开全部评分及书评5.03个评分quan01-29给这本书评了5.0很全面的知识图谱资料深入浅出写出了知识图谱的架构、原理、应用及实践，让我们整个了解了知识图谱的整个生态，值得利用里面的知识去深入实践！转发转发同时评论快速转发评论3分享「微信」扫码分享出版方电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
知识图谱与认知智能
人类社会已经进入智能时代，智能时代的社会发展催生了大量的智能化应用，智能化应用对机器的认知智能化水平提出了前所未有的要求，而机器认知智能的实现依赖于知识图谱技术。
知识图谱自2012年提出至今，发展迅速，如今已经成为人工智能领域的热门问题之一，并在一系列实际应用中取得了较好的落地效果，产生了巨大的社会与经济效益。以知识图谱为代表的符号主义有日渐复兴的迹象，成为以深度学习为代表的联结主义在近几年大发展后人工智能另一个值得期待的方向。
大数据的发展与应用离不开符号知识
经过从2012年开始的一波大数据浪潮，各行各业都积累了非常多的数据。但是，数据并没有像我们想象的那样创造出我们期待的价值，很多时候甚至变成负担，不仅需要增加运维人员，还需要增加设备来存储这些数据。数据如果不能够变现，那就是负资产。然而，大数据变现困难重重，就好比高射炮打蚊子，大材小用。缺乏有效的智能化手段是阻碍大数据价值变现的根本原因。
那么，我们需要怎样的智能化手段？计算机解决问题一直以来有两个基本的观念，一是靠统计管理解决问题，二是靠符号推理解决问题。例如，如果问3乘以4等于几？很多人可以脱口而出答案是12。这是因为大家在小时候都记住了九九乘法运算表，已经把3乘以4跟12建立了非常强的统计关联。所谓题海战术，其实就是建立题目与解题之间较强的统计关联来解决问题。当然，很多时候还需要用符号推理来解决问题。例如，如果问345乘以123等于几？估计很少有人能够立刻给出答案。这时，大家通常会拿出笔和纸，把符号写下来，然后运用学习过的乘法运算规则一步步求解，这实际上就是利用了符号推理在解决问题。
事实上，人工智能的发展从20世纪90年代后期开始，以挖掘统计中统计模式为主，这也成就了今天的机器学习。但是，仅用统计学习不足以支撑智能化实现。符号知识对于智能化实现是不可或缺的，因为符号知识使机器具备可解释能力，也使机器具备语言“理解”能力。因此，我们必须让机器学会利用符号知识解决问题，实现认知智能。
所谓让机器具备认知智能，其核心就是让机器具备理解和解释能力。这种能力的实现与知识库、符号化的知识是密不可分的。一直以来，社会科学家还不能精准回答什么是理解、什么是解释。但是，人工智能的研究迫切需要定义这些问题。在我看来，所谓的理解离不开知识库，机器理解数据在某种程度上就是建立起从数据到知识库中实体、概念、关系的映射。解释数据，是指利用知识库中实体、概念、关系解释现象的过程。
知识工程是认知智能的核心
既然符号知识这么重要，那么符号知识在应用中的具体抓手到底是什么？符号知识的一系列应用体现为新一代的知识工程。知识工程是以专家系统构建为核心内容，研究知识表示、处理和应用的方法和开发工具的学科。在大数据时代，知识工程实际上是由知识图谱来引领的。知识图谱富含实体、概念、属性、关系等信息，使得机器理解与解释成为可能。简单来说，知识图谱就是大规模语义网络，这是大数据时代知识表示的重要方式之一。但是，知识图谱发展到今天已经不仅仅作为语义网络，而是作为一个技术体系，这是大数据时代知识工程的代表性进展。回顾过去，知识图谱是从符号主义演化而来的，符号主义是人工智能最早的一个思潮和流派。符号主义的主要观点包括：认知就是计算；知识是信息的一种形式，是构成智能的基础；知识的表示、推理和运用是人工智能的核心。
传统知识工程在规则明确、边界清晰、应用封闭的应用场景取得了巨大成功。例如，AlphoGo很成功，正是因为下棋是封闭的，它只需要使用下棋的规则，绝对不会用其他开放世界的知识。那么，为什么人工智能应用会有这么苛刻的条件？这是因为传统知识工程严重依赖专家和人的干预。但是，隐性知识、过程知识等难以表达。例如，如何表达做蛋炒饭的知识？老中医看病用到了哪些知识？而且，领域知识的形式化表达也较为困难。专家知识不可避免地存在主观性，不同专家之间知识可能存在不一致性。认知心理学里有一个家族相似性的理论，比如一个杯子矮一点可能还叫杯子，矮到一定程度上到底是叫杯子还是叫碗就说不清楚了。也就是说，不同人看同一个事物得出的结论是不一样的。此外，知识表达存在模糊性，而且难以完备，缺漏是常态。
传统知识工程到了大数据时代，就不再适应大数据时代的应用需求了。那么，大数据时代的应用有什么特点？以谷歌、百度搜索引擎为例，这是一种典型大规模开放性应用，我们永远都不知道用户下一个搜索的关键字会是什么，用户不断在创造新的搜索需求。但是，用户对精度要求不高，搜索引擎从来不需要保证每个搜索的理解和检索都是正确的。此外，大部分搜索的理解与回答只需要实现简单的推理。
那么，互联网时代大规模开放性应用需要什么？答案是需要足够量、足够宽以及覆盖面足够广，但还要非常简单、非常轻量级的知识表示。因此，谷歌公司提出了知识图谱，以满足搜索中知识应用的需求。知识图谱跟传统知识功能的本质不同，就是在于它使大规模、自动化的知识获取成为可能。
知识图谱助力行业智能化升级与转型
大规模知识图谱的出现基本上宣告了大数据知识工程时代的到来，传统知识图谱的瓶颈问题也将被突破。知识图谱发展到今天已经越来越多地承担起各行各业升级和发展的使命，可以说，整个大规模知识工程面临前所未有的机遇，当然也存在不少挑战。
那么，知识图谱对各行业有什么用？首先，对很多行业大数据来讲，它可以补齐缺失的因果链条。万事万物都处在一个复杂的因果网络中。很多业务系统产生的数据只是用户最终行为结果的数据，但缺乏产生这些数据的背景或原因，知其然不知其所以然。例如，美国一家大型超市经过调查发现一个有趣的现象，购买尿布的顾客经常会同时购买啤酒。于是，超市就在尿布旁边放上啤酒，结果尿布销量大增，啤酒一抢而空。啤酒和尿布，看似毫无关联的两件事，实际上有很强的统计关联，蕴藏着巨大的商机。如果我们不满足于只是发现啤酒和尿布之间存在较强的统计关联，而是进一步追问为什么，就会更有意思。我们会发现，啤酒和尿布之间的统计关联是有原因的，买尿布意味着家里有新生儿，产妇刚刚生产行动不便，因此都是父亲去买尿布。一个要去买尿布的新手父亲，家里刚刚有了新生儿，自然很紧张，因此很可能买啤酒缓解压力。如果能够知道用户是出于什么原因产生这些数据，那么这些数据的威力将会充分发挥出来。由此可见，如果能把场景和背景知识建立出来，那么数据就会产生非常巨大的价值，这就是现在整个互联网行业在做的事情。其次，知识图谱可以对碎片化的数据进行关联和融合。知识图谱为融合提供元数据，使得自主、普适融合成为可能。此外，知识图谱能够深化行业数据的理解与洞察。基于行业知识图谱，可以形成行业数据理解能力，实现数据中的实体、概念、主题认知，实现可视化洞察。
在各行业的智能化发展进程中，AI赋能成为传统行业智能化升级和转型的一个基本模式。传统行业面临非常多的机遇，增加收入、降低成本、提高效率和安全保障等一系列核心问题都将受益于智能化技术。
●增加收入
通过构建电商认知知识图谱，将用户-场景-货物进行有效的关联，可以挖掘出更多的用户标签，精准感知用户场景，从而使电商搜索和推荐更加准确，有效提高货品转化率。根据招投标信息构建的商情图谱，并基于商情图谱为用户推荐相似招投标项目，能让用户发现商机。基于知识图谱推理，还可以帮助客户发现更多的二次商机。这样既能有效提升企业的业务量，又能增加企业营收。
●超市减少成本
现在，智能客服系统已经在很多行业大规模应用，尤其是在金融、电商领域以及电信行业等。智能客服的实现正是依赖于行业知识图谱，让机器能真正听懂用户的话，极大地减少企业的客服人力成本。一些大型企业和政府机构每天都会产生大量工单，对于相同产品会存在大量重复采购、同类产品故障单重复出现等问题。构建供应商的产品图谱，自动挖掘抽取工单信息，并通过关联分析检测重复工单。例如，北欧部门遇到了一个产品故障，该产品故障同时在北非出现并被解决。通过重复工单检测即可复用该经验，从而减少人力成本。
●提高效率
司法知识图谱将法律文书信息以结构化形式呈现，通过抽取案件文书中相关信息，判断案件繁简程度，进行繁简分流。这能帮助从业人员快速地在线检索相关的法务内容，提高法院审判工作质量和效率。
将企业内部数据整合，打通数据孤岛，构建企业知识图谱，可以把人员、项目、产品等关联起来。基于知识图谱的语义搜索能力，能使搜索结果更准、更全。基于图谱的个性化推荐系统，可以实现知识精准传播和主动传播，让知识找人。这些应用都促进了沉淀知识的有效使用，极大地提高了工作效率。
●降低风险
银行利用知识图谱可以进行借贷反欺诈。把与借款人相关的所有的数据源打通，并构建包含多数据源的知识图谱，把借款人的消费记录、行为记录、关系信息、线上日志信息等整合到反欺诈知识图谱里，从而进行分析和预测，可以挖掘识别出欺诈案件，如身份造假、团体欺诈、代办包装等。
知识图谱还可以进行合同风险识别。通过自动提取文档内容的关键信息，协助企业工作人员完成内容一致性检查等工作，自动生成对比结果报告。知识图谱能够自动识别数十种常见内置风险，根据不同行业特性支持个性化定制风险审核项。目前，知识图谱已经广泛应用于金融、制造、通信、法律、审计、政府等多种文字密集型行业，有效帮助识别风险。
当然，我们现在还面临很多挑战。让机器“掌握”一定的知识，并利用这些知识更好地为人类服务已经是服务机器人产业乃至整个人工智能产业进一步发展所面临的重大问题。首先是知识表达困难重重。例如，如何在一个统一的表示空间表达多模态的数据与知识？如何将知识的向量表示与符号表示相融合？这个问题本质上是大规模符号接地（SymbolGrounding），这是我们现在正在开展的工作，这跟图片、语音、视频都有关系。其次是知识获取任重道远。虽然大数据时代为知识获取带来了量的提升，但是质的方面还有很大的上升空间。元知识获取依旧缺乏有效的方法，常识在语料中的稀疏造成了常识获取的巨大困难。此外，知识库的应用仍需深化，自动知识适配仍然十分困难。如何协同各类不同的知识表示形成有效的推理机制，有待进一步研究。
总之，知识的沉淀与传承，铸就了人类文明的辉煌，也将成为机器智能持续提升的必经道路。只是对机器而言，知识的沉淀变成了知识的表示，知识的传承变成了知识的应用。
肖仰华，复旦大学计算机科学与技术学院教授，博士生导师，知识工场实验室负责人。
知识图谱与认知智能：基本原理、关键技术、应用场景与解决方案（博文视点出品）
01神经机器翻译：基础、原理…
01神经机器翻译：基础、原理、实践…02智能风控实践指南：从模型…
02智能风控实践指南：从模型、特征…03数字化人机工程设计
03数字化人机工程设计04人机物融合群智计算
04人机物融合群智计算05人工智能原理与实践
05人工智能原理与实践06人工智能：何时机器能掌控…
06人工智能：何时机器能掌控一切07掌控Python：人工智能之语…
07掌控Python：人工智能之语音识别…08人人都离不开的算法：图解…
08人人都离不开的算法：图解算法应…09服务与资源调度
09服务与资源调度10虚拟偶像AI实现
10虚拟偶像AI实现