东南大学2019年最新研究生精品课程《知识图谱》资源分享

    该课程系统地讲解了知识图谱相关的知识，涉及知识表示、知识建模、知识抽取基础（数据采、实体识别、关系抽取、事件抽取）、 知识融合、 知识图谱表示学习、知识存储、基于知识的智能问答、实体链接、知识推理等所有知识图谱相关的知识点。

    该课程适用于研究生、对知识图谱感兴趣的研究人员和工程师。

 文末附课程ppt等资料下载地址。

课程目录

第1讲 知识图谱概论 （2019-3-1,2019-3-8）

        1.1 知识图谱起源和发展

        1.2 知识图谱 VS 深度学习

        1.3 知识图谱 VS 关系数据库 VS 传统专家库

        1.4 知识图谱本质和核心价值

        1.5 知识图谱技术体系

        1.6 典型知识图谱

        1.7 知识图谱应用场景

 

  第2讲 知识表示 (2019-3-15)

        2.1 知识表示概念

        2.2 知识表示方法

            语义网络

            产生式系统

            框架系统

            概念图

            形式化概念分析

            描述逻辑

            本体

            本体语言

            统计表示学习

 

 第3讲 知识建模 （2019-3-15，2019-3-22）

        3.1 本体

        3.2 知识建模方法

            本体工程

            本体学习

            知识建模工具

            知识建模实践

 

  第4讲 知识抽取基础:问题和方法（2019-3-22）

        4.1 知识抽取场景

        4.2 知识抽取挑战

        4.3 面向结构化数据的知识抽取

        4.4 面向半结构化数据的知识抽取

        4.5 面向非机构化数据的知识抽取

 

   第5讲 知识抽取:数据采集（2019-3-29）

        5.1 数据采集原理和技术

            爬虫原理

            请求和响应

            多线程并行爬取

            反爬机制应对

        5.2 数据采集实践

            百科 论坛 社交网络等爬取实践

 

    第6讲 知识抽取:实体识别（2019-3-29）

        6.1 实体识别基本概念

        6.2 基于规则和词典的实体识别方法

        6.3 基于机器学习的实体识别方法

        6.4 基于深度学习的实体识别方法

        6.5 基于半监督学习的实体识别方法

        6.6 基于迁移学习的实体识别方法

        6.7 基于预训练的实体识别方法

 

   第7讲 知识抽取:关系抽取（2019-4-19，2019-4-26）

        7.1 关系基本概念

        7.2 语义关系

        7.3 关系抽取的特征

        7.4 关系抽取数据集

        7.5 基于监督学习的关系抽取方法

        7.6 基于无监督学习的关系抽取方法

        7.7 基于远程监督的关系抽取方法

        7.8 基于深度学习/强化学习的关系抽取方法

 

第8讲 知识抽取:事件抽取（2019-3-29）

        8.1 事件抽取基本概念

        8.2 基于规则和模板的事件抽取方法

        8.3 基于机器学习的事件抽取方法

        8.4 基于深度学习的事件抽取方法

        8.5 基于知识库的事件抽取方法

        8.6 基于强化学习的事件抽取方法

 

    第9讲 知识融合（2019-4-28）

        9.1 知识异构

        9.2 本体匹配

        9.3 匹配抽取和匹配调谐

        9.4 实体匹配

        9.5 大规模实体匹配处理

        9.6 知识融合应用实例

 

    第10讲 知识图谱表示学习（2019-5-5）

        10.1 知识表示学习概念

        10.2 基于距离的表示学习模型

        10.3 基于翻译的表示学习模型

        10.4 基于语义的表示学习模型

        10.5 融合多源信息的表示学习模型

        10.6 知识图谱表示学习模型的评测

        10.7 知识图谱表示学习前沿进展和挑战

 

    第11讲 知识存储（2019-5-10）

        11.1 知识存储概念

        11.2 图数据库管理系统、模型、查询语言

        11.3 RDF数据库管理系统、模型、查询语言

        11.4 基于关系型数据库的知识存储

 

    第12讲 基于知识的智能问答（2019-5-10）

        12.1 智能问答基础

        12.2 问题理解

        12.3 问题求解

        12.4 基于模板的知识问答方法

        12.5 基于语义分析的知识问答方法

        12.6 基于深度学习的知识问答方法

        12.7 IBM Watson原理和技术剖析

        12.8 微软小冰的原理和技术剖析

 

    第13讲 实体链接（2019-5-17）

        13.1 实体链接基本概念

        13.2 基于概率生成模型的实体链接方法

        13.3 基于主题模型的实体链接方法

        13.4 基于图的实体链接方法

        13.5 基于深度学习的实体链接方法

        13.6 基于无监督的实体链接方法

 

 第14讲 知识推理（2019-5-17）

        14.1 知识推理基础概念

        14.2 基于逻辑的知识推理方法

        14.3 基于统计学习的知识推理方法

        14.4 基于图的知识推理方法

        14.4 基于神经网络的知识推理方法

        14.5 多种方法混合的知识推理方法

资源整理自网络，源 / ppt等资源下载地址:

https://github.com/npubird/KnowledgeGraphCourse

往期精品内容下载地址

形形色色的仿生机器人汇编

推荐系统原理、工程、大厂(Youtube、BAT、TMB)架构干活分享

AI算法工程师遇到技术瓶颈该如何解决？

深度学习基础：正向模型、可微损失函数与优化

历史最全-130本科技互联网类免费书籍整理-汇总分享

百度、腾讯、阿里AI云平台资源分享

2019年BAT、TMD等互联网最新、最全面试题目及答案汇总

深度学习基础系列之2019深度学习暑期课程视频分享（中英字幕）

最全中文自然语言处理数据集、平台和工具整理

《自动化机器学习：方法，系统和挑战》-最新版-免费下载

【干货】史上最全的PyTorch学习资源汇总

强大的自学习系统-Demis Hassabis

Tensorflow实现的深度NLP模型集锦