系列一：知识图谱完整项目实战（附源码）
章节1:基础理论篇
课时1完整项目案例运行演示21:18
课时2项目开发环境安装部署12:13
课时3项目业务需求分析07:49
课时4项目总体架构设计25:07
章节2:模型设计篇
课时5知识图谱模型设计方法论15:44
课时6知识图谱语义类型设计15:24
课时7知识图谱语义关系设计08:52
章节3:知识获取篇
课时8开发环境安装部署11:55
课时9汽车品牌数据获取10:36
课时10汽车车系数据获取11:49
课时11汽车数据批量导入14:53
课时12汽车车型数据获取09:28
课时13汽车配置数据获取14:08
章节4:程序设计篇
课时14web前端框架设计20:43
课时15通用命名实体识别11:20
课时16领域命名实体识别08:07
课时17实体查询程序设计10:19
课时18关系查询程序设计10:00
课时19知识图谱数据可视化09:43
章节5:知识图谱应用
课时20推荐系统基本原理和实现机制20:22
课时21知识图谱与推荐系统融合的模式11:46
课时22基于KGE的开源推荐系统框架13:38
课时23RippleNet开源框架源码剖析
系列二：知识图谱实战案例完全剖析（附完整源码和数据集）
第1章:知识图谱基础
1.知识图谱完整案例演示 16:34
2.知识图谱和人工智能 21:26
3.知识图谱典型应用 10:46
4.知识图谱系统架构 12:06
第2章:知识图谱设计
1.知识设计方法 20:10
2.语义类型设计 18:42
3.语义关系设计 13:09
4.本体对象设计 12:21
第3章:知识图谱存储
1.知识存储模型 18:12
2.图数据库选型 15:03
3.Neo4j开发环境部署 13:53
4.Neo4j-可视化操作基础 15:04
5.Neo4j-CQL语法基础 18:24
6.Neo4j-完整案例操作实战 11:52
7.Neo4j系统管理 20:55
第4章:知识图谱应用
1.自己动手开发第一个智能聊天机器人 7:10
2.人工智能标记语言AIML基础 10:49
3.Python与Neo4j的集成 16:13
4.AIMl与Neo4j的集成 11:48
第5章:知识图谱获取
1.常用知识获取方法 13:00
2.国内外可用知识图谱资源 14:44
3.如何系统学习知识图谱1 9:59
4.如何系统学习知识图谱2 10:37
5.如何系统学习知识图谱3 23:11
系列三：知识图谱全解析
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
语义搜索概述，包括Knowledge Card、Rich Snippet、Facebook Graph Search等
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
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
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
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
系列四：2019张老师教你完完全全学习知识图谱
第1章知识图谱基础1小时4节
1-1知识图谱完整案例演示[免费试看]16:34
1-2知识图谱的典型应用10:47
1-3知识图谱与人工智能[免费试看]21:26
1-4知识图谱的系统架构12:06
第2章知识图谱设计1小时4分钟4节
2-1知识设计方法[免费试看]20:10
2-2语义类型设计[免费试看]18:42
2-3语义关系设计[免费试看]13:09
2-4本体对象设计12:21
第3章知识图谱存储1小时53分钟7节
3-1知识存储模型18:13
3-2知识存储系统选型15:03
3-3Noe4j可视化操作基础15:04
3-4CQL操作基础18:24
3-5Neo4j-完整案例演示11:52
3-6Neo4j数据库系统管理20:55
3-7Neo4j开发环境安装部署13:53
第4章知识图谱应用46分钟4节
4-1第一个智能对话程序07:11
4-2人工智能标记语言AIML10:50
4-3python和Neo4j的集成16:13
4-4Neo4j和AIML的集成11:48
第5章知识图谱获取27分钟2节
5-1常用知识图谱资源获取方法[免费试看]13:00
5-2国内外常用知识图谱资源14:44
获取资料Q 2844366079