知识图谱的自然语言查询和关键词查询
作 译 者：胡新,段江丽
出 版 日 期：2019-11-01
书 代 号：G0354290
Ｉ Ｓ Ｂ Ｎ：9787121354298
图书简介：
知识图谱的自然语言查询和关键词查询是知识问答中较有前景的两种知识图谱查询方式。知识图谱是一种结构化的语义知识库，以图的方式展现“实体”、实体的“属性”，以及实体与实体之间的“关系”。知识图谱的自然语言查询和关键词查询，使搜索引擎不仅能返回与查询相关的网页，而且能返回智能化的答案。本书介绍知识图谱的自然语言查询和关键词查询，包括自然语言查询中的语义关系识别、自然语言聚集查询、SPARQL 和关键词相结合的自然语言查询、关键词查询等。本书可供高等院校计算机、人工智能、大数据等相关专业研究生和高年级本科生参考阅读，也可供知识工程领域的技术人员参考阅读。
-
配 套 资 源
本书资源
本书暂无资源 -
图 书 内 容
内容简介
知识图谱的自然语言查询和关键词查询是知识问答中较有前景的两种知识图谱查询方式。知识图谱是一种结构化的语义知识库，以图的方式展现“实体”、实体的“属性”，以及实体与实体之间的“关系”。知识图谱的自然语言查询和关键词查询，使搜索引擎不仅能返回与查询相关的网页，而且能返回智能化的答案。本书介绍知识图谱的自然语言查询和关键词查询，包括自然语言查询中的语义关系识别、自然语言聚集查询、SPARQL 和关键词相结合的自然语言查询、关键词查询等。本书可供高等院校计算机、人工智能、大数据等相关专业研究生和高年级本科生参考阅读，也可供知识工程领域的技术人员参考阅读。图书详情
ISBN：9787121354298开 本：16开页 数：136字 数：204.0本书目录
第1 章 绪论·································.1 1.1 研究背景及意义··················.1 1.2 研究现状···························.3 1.2.1 知识图谱自然语言查询的 研究现状························3 1.2.2 知识图谱关键词查询的 研究现状························4 1.3 存在的关键问题··················.5 1.4 研究内容及创新点···············.7 1.5 本书组织结构·····················10 第2 章 自然语言查询和关键词查询的 相关研究···························12 2.1 知识图谱的自然语言查询······12 2.1.1 语义关系识别················.12 2.1.2 自然语言聚集查询···········.13 2.1.3 查询映射·····················.14 2.1.4 多样化的自然语言查询······.15 2.2 知识图谱的关键词查询·········16 2.2.1 模式图························.16 2.2.2 多样化的关键词查询········.17 2.3 两种查询共用的基础技术······19 2.3.1 实体识别和实体链接········.19 2.3.2 解释词典·····················.19 2.4 众包—辅助语义关系识别规则 挖掘·································20 2.5 知识图谱的其他非结构化 查询方式···························21 2.5.1 交互式查询···················.21 2.5.2 实例查询和样例查询········.22 第3 章 基于众包的自然语言查询中 语义关系识别规则挖掘·········23 3.1 问题描述及创新点···············23 3.2 众包模型···························24 3.2.1 迭代模型和并行模型········.25 3.2.2 迭代式并行模型和 并行式迭代模型·············.25 3.2.3 带反馈的并行式迭代模型···.26 3.3 生成语义关系数据集和 依赖结构数据集··················27 3.3.1 众包模型标记语义关系·····.27 3.3.2 Stanford Parser 生成依赖 结构··························.27 3.4 挖掘语义关联规则···············28 3.4.1 挖掘语义关联规则的算法···.28 3.4.2 算法MSAR 的复杂度·······.30 3.5 实验结果及分析—众包模型··31 3.5.1 实验数据及评估标准········.31 3.5.2 迭代模型和并行模型········.32 3.5.3 迭代式并行模型和并行式 迭代模型·····················.33 3.5.4 带反馈的并行式迭代模型···.35 3.6 实验结果及分析—语义关联 规则·································36 3.7 语义关系识别·····················38 3.7.1 语义关系识别的算法········.38 3.7.2 算法SRR 的复杂度··········.39 3.7.3 实验结果及分析—语义关系 识别··························.39 3.8 本章小结···························40 第4 章 知识图谱的自然语言聚集 查询·································42 4.1 问题描述及创新点···············42 4.2 查询流程···························45 4.3 查询理解···························45 4.3.1 意图解释·····················.45 4.3.2 依赖结构分类················.46 4.3.3 从依赖结构中识别意图解释·.47 4.3.4 查询理解的优化·············.49 4.3.5 算法AIII 的复杂度··········.49 4.4 构建基本图模式··················50 4.4.1 扩展的解释词典ED ·········.50 4.4.2 短语映射·····················.51 4.4.3 谓词-类型邻近集PT ·········.51 4.4.4 谓词-谓词邻近集PP ·········.53 4.4.5 语义关系映射················.53 4.4.6 算法SRM 的复杂度·········.55 4.4.7 构建基本图模式BGP········.56 4.4.8 算法BBGP 的复杂度········.57 4.5 将基本图模式翻译为 SPARQL 语句·····················58 4.5.1 数值型谓词···················.58 4.5.2 翻译基本图模式·············.59 4.5.3 翻译聚集·····················.59 4.5.4 算法TA 的复杂度···········.61 4.6 实验结果及分析··················61 4.6.1 实验数据集···················.61 4.6.2 各阶段的优化能力···········.61 4.6.3 算法的有效性················.63 4.6.4 与现有算法对比·············.65 4.6.5 回答错误的原因·············.66 4.7 相关问题及解决方案············67 4.8 本章小结···························69 第5 章 知识图谱的自然语言查询— SPARQL 和关键词··············70 5.1 问题描述及创新点···············70 5.2 查询流程···························71 5.3 SPARQL 语句的生成过程······72 5.4 查询分解···························73 5.4.1 查询理解阶段················.73 5.4.2 查询映射阶段················.74 5.4.3 执行SPARQL 阶段··········.74 5.4.4 查询分解算法················.75 5.4.5 算法DQ 的复杂度···········.76 5.5 构建关键词索引··················77 5.5.1 算法QUKI ···················.77 5.5.2 算法QUKI 的复杂度········.78 5.6 聚合SPARQL 结果子图和 关键词查询························78 5.6.1 算法CSK ····················.78 5.6.2 算法CSK 的复杂度·········.80 5.7 实验结果及分析··················81 5.7.1 算法的有效性················.81 5.7.2 回答正确的原因·············.83 5.7.3 回答错误的原因·············.84 5.7.4 以SPARQL 查询为主导的 优势··························.85 5.7.5 关键词索引的效率···········.85 5.8 本章小结···························86 第6 章 知识图谱的关键词聚集查询···88 6.1 问题描述及创新点···············88 6.2 查询流程···························90 6.3 构建类型-谓词图·················90 6.3.1 关系提取·····················.90 6.3.2 关系标准化··················.91 6.3.3 类型-谓词图··················.92 6.4 查询理解···························92 6.5 基于类型-谓词图构建 查询图······························94 6.5.1 查询图························.94 6.5.2 构建查询图··················.94 6.5.3 算法BQG 的复杂度·········.99 6.6 将查询图翻译为SPARQL 语句·································99 6.6.1 数值型谓词···················.99 6.6.2 翻译一般路径················.99 6.6.3 翻译聚集·····················100 6.6.4 算法TQGS 的复杂度········102 6.7 实验结果及分析···············.102 6.7.1 算法的有效性················102 6.7.2 输入的可扩展性·············104 6.7.3 数据集的可扩展性···········106 6.7.4 组件的有效性················106 6.8 本章小结························.108 第7 章 总结与展望·····················.109 7.1 总结······························.109 7.2 展望······························.111 参考文献····································.112展开前 言
近年来，智能对话系统取得了很大的发展和进步，按功能可划分为三类：任务型、聊 天型、知识问答型。任务型对话系统的主要目标是完成任务或动作，典型应用是担任用户 的个人助理，如苹果的“Siri”、微软的“Cortana”、谷歌的“Allo”、百度的“度秘”、中科 汇联的“爱客服”。聊天型对话系统以闲聊为主，典型应用是为用户提供娱乐和情感陪护， 如微软的“小冰”。知识问答型对话系统为用户提供知识，主要应用为知识搜索，如谷歌、 搜狗、百度等搜索引擎尝试提供少量的知识问答功能，以及新一代的知识搜索平台Wolfram 的“Wolfram Alpha”和IBM 的“Watson”，知识问答型对话系统是以知识图谱为基础的。 知识图谱是一种结构化的语义知识库，以图的方式展现“实体”、实体的“属性”，以 及实体与实体之间的“关系”。随着LOD（Linking Open Data）项目规模的不断壮大，互 联网上出现了越来越多的知识图谱，如DBpedia、Yago、Freebase、CN-DBpedia（中文）、 PKU-PIE（中文）等。各大搜索引擎公司也纷纷以此为基础构建自己的知识图谱改善搜索 结果，如谷歌的“Knowledge Graph”、微软的“Probase”、搜狗的“知立方”、百度的“知 心”等。 知识图谱的自然语言查询和关键词查询让搜索引擎和知识搜索平台开始智能化，但是 距离实现真正的智能化还有很长的路。华盛顿大学图灵中心主任 Etzioni 教授曾指出：“以 直接而准确的方式回答用户自然语言问句的自动问答系统将构成下一代搜索引擎的基本形 态。”当用户输入一个查询，原来的搜索引擎只会返回相关的网页，用户还需要浏览多个网 页并从网页中艰难地寻找期望的答案。直到知识图谱的出现，用户可以看到与查询有关的 智能化的答案，如用户输入“姚明的孩子”，谷歌、搜狗、百度等搜索引擎都会直接给出准 确答案“姚沁蕾”。利用知识图谱为用户提供更准确、完整、广泛的知识才是搜索引擎的未 来发展方向，即充分了解用户的查询意图并提供准确的查询结果。但是，目前的问答技术 还处于初级阶段，能够回答的问题很少，如用户输入“姚明的退役时间”，目前的搜索引擎 都不能给出准确答案，只能返回很多相关网页，网页中包含退役时间为“2011 年7 月20 日”。尽管知识图谱问答系统“Wolfram Alpha”和“Watson”已经取得了令人惊叹的成就， 可以智能化地回答一些问题，但是仍然不能广泛地回答用户。综上所述，知识图谱问答中 的自然语言查询和关键词查询是知识搜索的未来，但是目前的问答技术还需要不断改善。 本书正是在人工智能快速发展和搜索引擎对智能问答的迫切需求的情况下，在编者总 结博士期间知识储备和科学研究成果的基础上撰写而成的。本书不仅概述了近些年知识图 谱的自然语言查询和关键词查询的研究现状及相关研究介绍，还针对目前研究中存在的不 足，进行了深入的研究，并展示了最新的研究成果。本书还以大量的实例来加强读者对书 中方法的深度理解。 本书主要内容包括自然语言查询中语义关系的识别、自然语言聚集查询、SPARQL 和 关键词相结合的自然语言查询方法、关键词聚集查询。其中，第1 章介绍了研究背景及意 义、研究现状、存在的关键问题；第2 章介绍了自然语言查询和关键词查询相关的研究工 作和技术；第3 章介绍了基于众包的自然语言查询中语义关系识别规则的挖掘；第4 章介 绍了知识图谱的自然语言聚集查询；第5 章介绍了将SPARQL 查询和关键词查询相结合的 知识图谱的自然语言查询方法；第6 章介绍了知识图谱的关键词聚集查询方法；第7 章总 结了本书的基本工作，并指出未来的研究方向。 本书的出版得到了长江师范学院大数据与智能工程学院的资助，以及北京师范大学人 工智能学院众多老师和同学的帮助，在此一并致谢。 由于作者水平有限，加之知识图谱问答发展非常迅速，疏漏和不妥之处在所难免，殷 切希望广大读者批评指正。 著 者展开作者简介
本书暂无作者简介 -
样 章 试 读
-
图 书 评 价 我要评论
