自然语言理解与行业知识图谱：概念、方法与工程落地

附录A 概率论基础

小结

8.4 技术背景调查

8.3 新兴方向预测

8.2.2 成果分类

8.2.1 成果分级

8.2 成果分级分类管理

8.1.3 价值发现与价值运营

8.1.2 高价值文本评价

8.1.1 高价值文本定义

8.1 高价值文本发现

第8章 行业文本智能应用

小结

7.3.3 安全管理

7.3.2 平台用户管理

7.3.1 架构与流程

7.3 权限与安全管理

7.2.6 信息流管理

7.2.5 价值运营

7.2.4 监控预警

7.2.3 文本挖掘

7.2.2 文本分析

7.2.1 文本检索

7.2 平台认知功能组件

7.1.3 功能服务架构

7.1.2 平台系统架构

7.1.1 硬件拓扑架构

7.1 平台架构初探

第7章 行业智能应用平台

小结

6.3 推理计算

6.2.3 事实型问答

6.2.2 功能搜索

6.2.1 语义搜索

6.2 搜索问答

6.1.2 产品图谱

6.1.1 术语图谱

6.1 关键词助手

第6章 行业知识图谱模块

小结

5.3.3 知识更新

5.3.2 训练框架

5.3.1 标注工具

5.3 标注、训练和更新

5.2.6 价值评估

5.2.5 关联图计算

5.2.4 文本生成

5.2.3 文本标注

5.2.2 文本分类

5.2.1 文本匹配

5.2 行业模型算法库

5.1.9 应用知识库

5.1.8 行业标准库

5.1.7 行业产品库

5.1.6 行业附图库

5.1.5 行业本体库

5.1.4 行业特征字段库

5.1.3 行业文本规则库

5.1.2 行业术语知识库

5.1.1 行业语料库

5.1 行业知识库

第5章 行业知识工程实践

小结

4.6.8 房地产知识图谱

4.6.7 图书文献知识图谱

4.6.6 电商生活知识图谱

2.行业痛点

4.6.5 司法知识图谱

4.6.4 公安知识图谱

4.6.3 教育知识图谱

4.6.2 医疗知识图谱

4.6.1 金融知识图谱

4.6 行业知识图谱

4.5.3 中文类知识图谱

4.5.2 常识知识图谱

4.5.1 百科知识图谱

4.5 通用知识图谱

4.4.5 区块链协作

4.4.4 推理决策

4.4.3 问答对话

4.4.2 搜索推荐

4.4.1 语义匹配

4.4 知识图谱智能

4.3.5 知识更新

4.3.4 知识存储与查询

4.3.3 知识建模与计算

4.3.2 知识加工

4.3.1 知识表示

4.3 知识图谱工程

4.2 知识图谱演进

4.1 语言知识与语言知识库

第4章 知识图谱

参考文献

小结

3.4.5 前沿与思考

3.4.4 预训练语言模型

3.4.3 深度表示学习

3.4.2 神经网络结构

3.4.1 神经网络学习

3.4 自然语言深度学习

3.3.6 图计算方法

3.3.5 文本匹配方法

3.3.4 文本生成方法

3.3.3 文本聚类方法

3.3.2 文本标注方法

3.3.1 文本分类方法

3.3 自然语言机器学习

3.2.4 语言模型

3.2.3 语料采样

3.2.2 语言语料库

3.2.1 统计学习基础

3.2 自然语言统计学习

3.1.4 语言特征选择

3.1.3 语言文本特征表示

3.1.2 行业语言文本特征

3.1.1 通用语言文本特征

3.1 自然语言文本特征

第3章 自然语言处理

参考文献

小结

2.3 语言理解体系

2.2.3 语用类任务

2.2.2 语义类任务

2.2.1 语法类任务

2.2 语言理解任务

2.1 符号-连接-融合

第2章 自然语言理解逻辑

参考文献[1]

小结

1.4.2 行业知识图谱构建问题

1.4.1 语言理解与语义知识的辨析

1.4 思辨未来

1.3.3 第一步在何方

1.3.2 走向智能之路

1.3.1 文本分析之锚

1.3 认知落脚点

1.2 商业曙光

1.1.3 理解困境

1.1.2 机器处理

1.1.1 文字传承

1.1 基本脉络

第1章 自然语言之“理解”

符号表

前言

推荐序二

推荐序一

作者简介

版权信息

封面

封面

版权信息

作者简介

推荐序一

推荐序二

前言

符号表

第1章 自然语言之“理解”

1.1 基本脉络

1.1.1 文字传承

1.1.2 机器处理

1.1.3 理解困境

1.2 商业曙光

1.3 认知落脚点

1.3.1 文本分析之锚

1.3.2 走向智能之路

1.3.3 第一步在何方

1.4 思辨未来

1.4.1 语言理解与语义知识的辨析

1.4.2 行业知识图谱构建问题

小结

参考文献[1]

第2章 自然语言理解逻辑

2.1 符号-连接-融合

2.2 语言理解任务

2.2.1 语法类任务

2.2.2 语义类任务

2.2.3 语用类任务

2.3 语言理解体系

小结

参考文献

第3章 自然语言处理

3.1 自然语言文本特征

3.1.1 通用语言文本特征

3.1.2 行业语言文本特征

3.1.3 语言文本特征表示

3.1.4 语言特征选择

3.2 自然语言统计学习

3.2.1 统计学习基础

3.2.2 语言语料库

3.2.3 语料采样

3.2.4 语言模型

3.3 自然语言机器学习

3.3.1 文本分类方法

3.3.2 文本标注方法

3.3.3 文本聚类方法

3.3.4 文本生成方法

3.3.5 文本匹配方法

3.3.6 图计算方法

3.4 自然语言深度学习

3.4.1 神经网络学习

3.4.2 神经网络结构

3.4.3 深度表示学习

3.4.4 预训练语言模型

3.4.5 前沿与思考

小结

参考文献

第4章 知识图谱

4.1 语言知识与语言知识库

4.2 知识图谱演进

4.3 知识图谱工程

4.3.1 知识表示

4.3.2 知识加工

4.3.3 知识建模与计算

4.3.4 知识存储与查询

4.3.5 知识更新

4.4 知识图谱智能

4.4.1 语义匹配

4.4.2 搜索推荐

4.4.3 问答对话

4.4.4 推理决策

4.4.5 区块链协作

4.5 通用知识图谱

4.5.1 百科知识图谱

4.5.2 常识知识图谱

4.5.3 中文类知识图谱

4.6 行业知识图谱

4.6.1 金融知识图谱

4.6.2 医疗知识图谱

4.6.3 教育知识图谱

4.6.4 公安知识图谱

4.6.5 司法知识图谱

2.行业痛点

4.6.6 电商生活知识图谱

4.6.7 图书文献知识图谱

4.6.8 房地产知识图谱

小结

第5章 行业知识工程实践

5.1 行业知识库

5.1.1 行业语料库

5.1.2 行业术语知识库

5.1.3 行业文本规则库

5.1.4 行业特征字段库

5.1.5 行业本体库

5.1.6 行业附图库

5.1.7 行业产品库

5.1.8 行业标准库

5.1.9 应用知识库

5.2 行业模型算法库

5.2.1 文本匹配

5.2.2 文本分类

5.2.3 文本标注

5.2.4 文本生成

5.2.5 关联图计算

5.2.6 价值评估

5.3 标注、训练和更新

5.3.1 标注工具

5.3.2 训练框架

5.3.3 知识更新

小结

第6章 行业知识图谱模块

6.1 关键词助手

6.1.1 术语图谱

6.1.2 产品图谱

6.2 搜索问答

6.2.1 语义搜索

6.2.2 功能搜索

6.2.3 事实型问答

6.3 推理计算

小结

第7章 行业智能应用平台

7.1 平台架构初探

7.1.1 硬件拓扑架构

7.1.2 平台系统架构

7.1.3 功能服务架构

7.2 平台认知功能组件

7.2.1 文本检索

7.2.2 文本分析

7.2.3 文本挖掘

7.2.4 监控预警

7.2.5 价值运营

7.2.6 信息流管理

7.3 权限与安全管理

7.3.1 架构与流程

7.3.2 平台用户管理

7.3.3 安全管理

小结

第8章 行业文本智能应用

8.1 高价值文本发现

8.1.1 高价值文本定义

8.1.2 高价值文本评价

8.1.3 价值发现与价值运营

8.2 成果分级分类管理

8.2.1 成果分级

8.2.2 成果分类

8.3 新兴方向预测

8.4 技术背景调查

小结

附录A 概率论基础