●部分大数据知识工程引论
章传统知识工程到大数据知识工程2
1.1人工智能与知识工程3
1.2知识工程的发展4
1.2.1实验性系统阶段（1965～1974年）4
1.2.2MYCIN阶段（1975～1980年）5
1.2.3知识工程的应用阶段（1980年至今）5
1.3大数据知识工程概念与处理框架5
1.3.1HACE定理6
1.3.2大数据知识工程模型——BigKE8
1.4大数据知识工程的应用场景10
1.4.1大数据知识工程在电子商务领域的应用10
1.4.2大数据知识工程在教育领域的应用10
1.4.3大数据知识工程在医学领域的应用11
1.4.4大数据知识工程在决策领域的应用12
1.4.5大数据知识工程在华谱系统的应用12
1.5小结：大人工智能时代13
参考资料13
第2章大知识与大知识工程16
2.1从大数据到大知识17
2.2大知识与大知识系统18
2.3大知识工程23
2.4大知识工程实践和原型系统25
2.5小结26
参考资料27
第二部分知识表示
第3章开放知识图谱33
3.1知识图谱简介33
3.2知识图谱的价值35
3.2.1辅助搜索35
3.2.2辅助问答36
3.2.3辅助大数据分析37
3.2.4辅助语言理解37
3.2.5辅助设备互联38
3.3开放的知识图谱项目40
3.3.1早期的知识库项目40
3.3.2互联网时代的知识图谱41
3.4中文领域开放知识图谱：OpenKG44
3.4.1中文领域知识图谱的开放现状44
3.4.2开放的中文领域知识图谱Schema45
3.4.3中文开放知识图谱众包平台46
3.5多源信息融合与开放网络知识计算46
3.5.1开放知识网络构建47
3.5.2开放知识融合48
3.5.3开放知识网络特征49
3.6大规模复杂网络的多元结构知识发现53
3.6.1SBM研究进展56
3.6.2小结58
参考资料59
第4章非规范知识表示与处理62
4.1非规范知识处理的基本理论概述
4.2非规范知识处理研究成果概述66
4.3基于模糊性的知识表示与学习71
4.3.1知识表示参数的神经网络净化71
4.3.2模糊极值熵理论71
4.3.3无监督学0.5-偏离模型和相应的计算策略72
4.4基于模糊粗糙集的建模与学习73
4.4.1知识约减73
4.4.2模糊集合上下近似算子的构造73
4.4.3基于模糊粗糙集的增量属性约简74
4.4.4核函数框架下的模糊粗糙集74
4.5粗糙近似算子的构建与多粒度多标记模型74
4.5.1多粒度标记粗糙集知识表示模型74
4.5.2粗糙集理论和证据理论75
4.5.3粗糙近似算子公理化75
4.5.4多粒度模式知识发现的数据建模方法76
4.6复杂环境下信息系统知识不确定度量76
4.6.1不协调序信息系统的大分布约简76
4.6.2不确定性知识度量77
4.7不完备与不一致信息的概念学习78
4.7.1不完备概念知识表示78
4.7.2不一致信息的概念知识表示78
4.7.3概念认知学习78
参考资料79
第5章因素空间与知识表示的数学理论82
5.1发展智能科学需要智能数学82
5.2因素空间的内容、意义与方法85
5.3因素空间对知识工程的基本构想94
参考资料98
第6章知识粒计算——理论、模型与方法100
6.1数据粒化101
6.2粒计算模型101
6.2.1模糊集模型101
6.2.2粗糙集模型102
6.2.3商空间模型102
6.2.4云模型102
6.2.5三支决策模型103
6.3不确定性度量103
粒计算推理103
6.5多粒度模型与方法104
6.5.1多粒度计算模型104
6.5.2多粒度不确定性度量104
6.5.3多粒度模式发现与融合105
6.6粒计算的应用研究105
参考资料106
第7章时空知识表示与推理108
7.1定性空间关系模型109
7.2定性空间关系推理109
7.3时空知识推理应用110
参考资料111
第三部分知识发现
第8章大数据知识发现——挑战与应对115
8.1大数据知识发现技术挑战115
8.1.1描述与存储的挑战115
8.1.2分析与理解的挑战116
8.1.3挖掘与预测的挑战116
8.2大数据知识发现技术研究成果116
8.2.1大数据处理技术116
8.2.2大数据挖掘与知识发现119
8.3大数据实践121
8.4小结122
参考资料123
第9章大数据知识发现——理论与技术125
9.1描述性统计方法125
9.2可视化数据挖掘方法126
9.3机器学习方法127
9.4国内研究现状129
参考资料130
0章富格式文本中的知识发现135
10.1背景135
10.2文档结构识别140
10.3自然语言语义提取142
10.4表格语义提取146
参考资料147
第四部分知识管理与搜索
1章大数据挖掘与知识管理154
11.1研究背景154
11.2智能知识管理研究概述156
11.3智能知识管理基本概念157
11.4智能知识管理研究现状160
11.5未来研究方向162
参考资料163
2章智能知识管理1
12.1引言1
12.2智能知识管理研究概况166
12.3智能知识的挖掘算法与技术167
12.3.1转化规则挖掘的方法167
12.3.2基于多目标线性规划的二次挖掘方法及其在信用卡客户流失管理中的应用168
12.3.3智能知识管理系统设计技术168
12.4知识可拓优化技术169
12.4.1研究概况169
12.4.2知识可拓自分类优化技术169
12.4.3知识可拓自聚类优化技术171
12.4.4知识可拓自识别优化技术171
12.5小结172
参考资料175
3章基于认知的多媒体大数据驱动知识搜索178
13.1大数据驱动的知识搜索178
13.2大数据异质媒体搜索环境下的认知行为规律分析180
13.2.1传统桌面搜索场景下的用户认知行为181
13.2.2泛在设备搜索场景下的用户认知行为182
13.3面向大数据泛在搜索环境的异质媒体搜索183
13.3.1面向异质媒体资源的表示学习方法183
13.3.2图像资源表示学习184
13.3.3音频资源表示学习184
13.3.4资源表示学习184
13.3.5面向带噪声数据的学习排序方法185
13.3.6数据驱动的带噪声数据学习排序185
13.3.7算法驱动的带噪声数据学习排序185
13.4面向复杂查询的异质媒体搜索技术186
13.4.1复杂查询的搜索意图理解与推理186
13.4.2基于知识图谱的搜索意图理解186
13.4.3基于智能问答的搜索意图理解187
13.4.4异质媒体数据聚合与深度排序188
13.4.5泛在搜索场景用户交互形式分析建模188
第五部分知识的智能建模
4章智能体系统192
14.1概述192
14.2智能体ABGP模型194
14.2.1环境感知194
14.2.2信念196
14.2.3目标196
14.2.4规划197
14.3智能体系统结构197
14.4脑机融合推理与决策198
14.4.1脑机融合的自动推理200
14.4.2脑机融合的协同决策200
参考资料201
5章多智能体协同与智能博弈203
15.1概述203
15.2多智能体学习207
15.3多智能体协作208
15.4分布式规划209
15.5算法博弈论210
15.6安全博弈论211
15.7智能对弈212
15.8未来展望213
参考资料213
6章脑机融合的信息处理217
16.1引言217
16.2脑机融合的混合智能218
16.3混合智能的信息回路模型220
1脑机融合的信息处理框架222
16.5脑机融合信息处理的实现思路初探224
16.6小结226
参考资料227
第六部分知识迁移和转换
7章迁移学习229
17.1迁移学习算法230
17.1.1基于样本实例重新加权的迁移学习算法230
17.1.2基于模型融合集成的迁移学习算法230
17.1.3基于特征选择的迁移算法231
17.1.4基于特征映射的迁移算法231
17.1.5基于深度学迁移学习算法232
17.2迁移学习研究前景及挑战233
参考资料235
8章可拓知识工程与知识转换240
18.1可拓信息―知识―策略形式化体系241
18.2基于可拓规则的知识表示方法242
18.3可拓知识获取244
18.3.1可拓分类知识获取245
18.3.2传导知识获取246
18.3.3基于知识库的可拓知识获取247
18.4不相容问题求解247
18.4.1可拓策略生成方法248
18.4.2可拓策略生成系统250
18.5小结251
参考资料251
第七部分知识工程交领域
9章基于知识的软件工程255
19.1全过程基于知识方法255
19.2基于环境建模的需求获取和分析258
19.3基于深度学软件代码分析和生成261
19.4知件和基于知件的软件工程262
参考资料2
第20章农业大数据知识服务266
20.1农业大数据的知识获取267
20.1.1基于智能引导的人工知识获取267
20.1.2自动和半自动知识获取268
20.2农业知识库构建269
20.2.1知识表示策略269
20.2.2推理机制270
20.2.3专家系统开发平台270
20.2.4知识发现系统开发平台271
20.3农业知识服务271
参考资料275
第21章深度学习与自然语言处理278
21.1自然语言处理278
21.2深度学习279
21.2.1深度学提出与发展279
21.2.2深度学基本原理280
21.3深度学习在自然语言处理中面临的问题281
21.4深度学习在自然语言处理中的应用282
21.5未来深度学习在自然语言处理中的发展284
21.6小结284
参考资料285
第22章互联网谣言检测与知识辨伪287
22.1技术背景288
22.2谣言检测相关定义290
22.3谣言检测任务的难点291
22.4谣言检测新技术292
22.4.1基于深度学谣言文本模式挖掘292
22.4.2基于深度学谣言视觉模式挖掘293
22.5小结294
参考资料294
第八部分展望
第23章知识工程领域未来展望299
23.1知识表示与推理300
23.2知识驱动的智能技术302
23.3机器学习可解释性研究303
23.4深度学习与传统方法的结合305
23.5小样本学习研究307
23.6小结309
参考资料309
后记313
外国人名中英文对照表315
外国机构名中英文对照表316