知識圖譜KnowledgeGraph核心技術培訓班

2021-02-08 深度學習科研平臺

 知識圖譜KnowledgeGraph核心技術培訓班

各企事業單位、高等院校及科研院所：

隨著人工智慧的快速發展，知識圖譜knowledge graph作為一個主要領域活躍起來。它以其強大的語義處理能力和開放組織能力，為網際網路時代的知識化組織和智能應用奠定了基礎。自2012年穀歌在提出知識圖譜概念以來，國內外大規模知識圖譜的研究不斷深入，並廣泛應用於知識融合、語義搜索和推薦、問答和對話系統、大數據分析與決策等方面，應用領域覆蓋金融、製造、政府、電信、電商、客服、零售、娛樂、醫療、農業、出版、保險、知識服務、教育等行業。

為了貫徹落實國務院印發的「新一代人工智慧發展規劃」精神，推廣人工智慧與知識圖譜技術的應用，幫助高校師生及科研工作者解決具體應用實踐。

中國管理科學研究院職業資格認證培訓中心（http://www.cnzgrz.org）特舉辦「知識圖譜KnowledgeGraph核心技術培訓班」。本次對前沿的知識圖譜方法及應用進行了全面的講解，同時進行深入的案例分析，幫助學員掌握和利用深度學習進行具體工作的開展。

本次培訓由北京中科軟博信息技術研究院、北京宏盛元亨文化交流中心具體承辦。如下；

 中國科學院計算技術研究所、清華大學、北京大學等科研機構和大學的高級專家，擁有豐富的科研及工程技術經驗，長期從事深度學習、人工智慧、知識圖譜、機器學習、專家系統等領域的教學與研究工作。

2021年02月03日—2021年02月06日   遠程在線授課

2021年02月03日—2021年02月06日   北京*機房上課

(第一天全天報到，授課三天，機房上課)

一、知識圖譜概論

1.1 知識圖譜的起源和歷史

1.2 知識圖譜的發展史——從框架、本體論、語義網、連結數據到知識圖譜

1.3 知識圖譜的本質和價值

1.4 知識圖譜VS傳統知識庫VS關係資料庫

1.5 經典的知識圖譜

1.5.1 經典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知識庫

1.5.2 行業知識圖譜：Google知識圖譜，微軟實體圖，阿里知識圖譜，醫學知識圖譜，基因知識圖譜等知識圖譜項目

二、知識圖譜應用

2.1 知識圖譜應用場景

2.2 知識圖譜應用簡介

2.2.1 知識圖譜在數字圖書館上的應用   

2.2.2 知識圖譜在國防、情報、公安上的應用

2.2.3 知識圖譜在金融上的應用         

2.2.4 知識圖譜在電子商務中的應用

2.2.5 知識圖譜在農業、醫學、法律等領域的應用

2.2.6 知識圖譜在製造行業的應用

2.2.7 知識圖譜在大數據融合中的應用   

2.2.8 知識圖譜在人機互動（智能問答）中的應用

三、知識表示與知識建模

3.1知識表示概念

3.2 知識表示方法

a.語義網絡b.產生式規則c.框架系統d.描述邏輯e.本體f.RDF和RDFS   g.OWL和OWL2 Fragments   h.SPARQL查詢語言

i.  Json-LD、RDFa、HTML5 MicroData等新型知識表示

3.3  典型知識庫項目的知識表示

3.4  知識建模方法學

3.5  知識表示和知識建模實踐

A.學術知識圖譜的表示和建模實踐案例1

B.歷史人物知識圖譜的表示和建模實踐案例2

C.三國演義知識圖譜的表示和建模實踐案例3

四、知識抽取與挖掘

4.1 知識抽取基本問題

a. 實體識別 b. 關係抽取 c. 事件抽取

4.2 數據採集和獲取

4.3 面向結構化數據的知識抽取

a. D2RQ     b. R2RML

4.4  面向半結構化數據的知識抽取

 a.  基於正則表達式的方法  b.  基於包裝器的方法

4.5. 面向非結構化數據的知識抽取

a. 實體識別技術（基於規則、機器學習、深度學習、半監督學習、預訓練等方法）

b. 關係抽取技術（基於模板、監督、遠程監督、深度學習等方法）

c. 事件抽取技術（基於規則、深度學習、強化學習等方法）

4.6.  知識挖掘

a. 實體消歧b. 實體連結c. 類型推斷 d. 知識表示學習

4.7  知識抽取上機實踐

A.面向半結構化數據的三國演義知識抽取

B.面向文本的三國演義知識抽取

C.人物關係抽取

五、知識融合

5.1 知識融合背景

5.2 知識異構原因分析

5.3 知識融合解決方案分析

5.4.本體對齊基本流程和常用方法

a. 基於文本的匹配 b. 基於圖結構的匹配 c. 基於外部知識庫的匹配

e. 不平衡本體匹配 d. 跨語言本體匹配   f. 弱信息本體匹配

5.5 實體匹配基本流程和常用方法

a.  基於相似度的實例匹配   b.  基於規則或推理的實體匹配

c.  基於機器學習的實例匹配 d.  大規模知識圖譜的實例匹配

(1)基於分塊的實例匹配

(2)無需分塊的實例匹配

(3)大規模實例匹配的分布式處理

5.6 知識融合上機實踐

1. 三國演義知識融合  2. 百科知識融合  3. OAEI知識融合任務

六、存儲與檢索

1. 知識圖譜的存儲與檢索概述

2. 知識圖譜的存儲

a.基於表結構的存儲        b.基於圖結構的存儲

3.知識圖譜的檢索

a.關係資料庫查詢：SQL語言  b資料庫查詢：SPARQL語言

4.上機實踐案例：利用GraphDB完成知識圖譜的存儲與檢索

七、知識推理

1.知識圖譜中的推理技術概述

2.歸納推理：學習推理規則

a.歸納邏輯程設計Øb.關聯規則挖掘  c.路徑排序算法

上機實踐案例：利用AMIE+算法完成Freebase數據上的關聯規則挖掘

3.演繹推理：推理具體事實

a.馬爾可夫邏輯網 b.概率軟邏輯

4.基於分布式表示的推理

a. TransE模型及其變種         b.RESCAL模型及其變種

c.（深度）神經網絡模型介紹    d.表示學習模型訓練

5.上機實踐案例：利用分布式知識表示技術完成Freebase上的連結預測

八、語義搜索

1. 語義搜索概述

2. 搜索關鍵技術

a. 索引技術：倒排索引 b. 排序算法：BM25及其擴展

3. 知識圖譜搜索a. 實體搜索b. 關聯搜索

4. 知識可視化  a. 摘要技術

5. 上機實踐案例：SPARQL語義搜尋引擎實現

九、知識問答

1. 知識問答概述

2. 知識問答基本流程

3. 相關測試集：QALD、WebQuestions等

4. 知識問答關鍵技術

 a. 基於模板的方法

 b. 語義解析

 c. 基於深度學習的方法

5. 上機實踐案例：面向WebQuestions的問答系統實現

十、輔助課程

1. 建立通訊錄、微信群（課後免費技術指導）

2. 體驗32小時GPU訓練。


A類，每人4580元（含培訓費、會議費、技術諮詢費、證書費、資料費、GPU訓練）

B類，每人5180元（含培訓費、會議費、技術諮詢費、證書費、資料費、GPU訓練）

    註：住宿可統一由會務組進行安排，費用自理。

參加相關培訓並通過考試的學員，可以獲得：

A類，由中國管理科學研究院職業資格認證培訓中心頒發的《知識圖譜開發與應用工程師》（高級）專業技能資格證書，官方網站查詢，該證書可作為有關單位專業技術人員能力評價、考核和任職的重要依據。

B類，由工業和信息化部全國網絡與信息技術考試管理中心頒發的《人工智慧算法工程師》職業技能證書，官方網站查詢，該證書直接納入專業人才資料庫。（加上A類共兩本證書）。

註：請學員帶兩寸彩照兩張（背面註明姓名）、身份證複印件和學歷證明複印件各兩張。

聯繫人:  期濤（老師）             

手機（微信同號）：15210196261

電話：010-56129268                

網址：http://www.cnzgrz.org

E_mail：cashq_ict@vip.163.com     

官方諮詢QQ：513692711

知識圖譜KnowledgeGraphQQ群號:731308007（加群備註：期濤邀請）




相關焦點

  • Awesome Knowledge Graph : 知識圖譜資源匯總
    簡單來說，知識圖譜是一張很大的圖，各種各樣的實體是圖中的節點，實體之間的關係是圖中的邊。例如，對於創業投資知識圖譜，投資者、創業公司是實體節點，投資關係是邊。項目地址訪問 https://github.com/husthuke/awesome-knowledge-graph 可以獲取到最新版本的這個倉庫。
  • 知識圖譜注意力網絡:Knowledge Graph Attention Network
    說到知識網絡，人人都會搞，但是搞它你能搞出啥來呢？新加坡國立大學都翔哥（Xiang Wang）說可以用來做推薦。
  • 從知識圖譜到認知圖譜:歷史、發展與展望
    知識圖譜由節點和邊組成，節點表示實體，邊表示實體與實體之間的關係，這是最直觀、最易於理解的知識表示和實現知識推理的框架，也奠定了現代問答系統的基礎。從20世紀80年代的知識庫與推理機，到21世紀初的語義網絡和本體論，其核心是早期版本的知識圖譜，要麼側重知識表示，要麼側重知識推理，但一直苦於規模小、應用場景不清楚而發展緩慢。
  • CC2: 了解知識圖譜(Knowledge Graph)
    圖譜構建主要包含三個部分，知識抽取，知識融合和知識存儲。 之後才可以進行知識的探索。首先是知識抽取。知識抽取會從大數據中抽取大量的實體和關係。大數據表示數據的來源非常廣泛並且數量龐大。知識圖譜會從這些數據源中提取文本的信息再基於自然語言理解技術（也就是使計算機能像人類一樣理解語言的技術），抽出其中的實體，關係和勾畫它們的屬性信息。小樂某天在簡書中寫道，「小露昨天晚上在某寶上購買了安熱沙」。知識圖譜就可以從這句話抽出兩個實體——小樂和安熱沙，一個關係——購買，和勾畫購買這個關係的屬性——時間是晚上，地點在某寶。
  • 這周日,北理工將邀數位大咖研討「知識圖譜與智能問答」
    在過去幾個月中，其有效地融合了高校資源和業界資源推出了Python、知識圖譜、機器學習等系列專題學習與研討活動，其中知識圖譜專題涉及了知識圖譜構建技術、知識圖譜應用、大規模知識圖譜數據存儲、知識圖譜與聊天機器人等主題，引起了北京地區廣大師生和業界人員的高度關注。
  • 分享| 知識圖譜的前世今生:為什麼我們需要知識圖譜?
    當然，這只是知識圖譜在搜尋引擎上的一部分應用場景。舉這個例子也是為了表明，知識圖譜這樣一種概念、或者技術，它的誕生是符合計算機科學、網際網路發展潮流的。我在這裡借用一下「Exploiting Linked Data and Knowledge Graphs in Large Organisations」這本書對於知識圖譜的定義： A knowledge graph consists of a set of interconnected typed entities
  • 「2018年全國知識圖譜與語義計算大會」開始徵文!
    全國知識圖譜與語義計算大會是兩個全國性會議的合併：中文知識圖譜研討會 the Chinese Knowledge Graph Symposium (CKGS) 和中國語義網際網路與 Web 科學大會 Chinese Semantic Web and Web Science Conference (CSWS)。
  • 使用Facebook的Pytorch的BigGraph從知識圖譜中提取知識
    知識圖譜下面我們將討論PYTORCH-BIGGRAPH:一個大規模的圖嵌入系統論文（進一步命名為PBG）以及相關論文。知識圖譜是一種特殊的圖形類型，它包含已知的實體和不同類型的邊。它代表結構知識。在知識圖譜中，節點通過不同類型的關係連接起來。
  • 知識圖譜與智能問答研討會將於北理工召開
    「北京理工大學大數據創新學習中心」有效地融合了高校資源和業界資源推出了Python、知識圖譜、機器學習等系列專題學習與研討活動，其中知識圖譜專題涉及了知識圖譜構建技術、知識圖譜應用、大規模知識圖譜數據存儲、知識圖譜與聊天機器人等主題，引起了北京地區廣大師生和業界人員的高度關注。
  • 知識圖譜系列:Task 1 知識圖譜介紹
    /team-learning-nlp/tree/master/KnowledgeGraph_Basic感謝Datawhale社區的無私分享想學習的小夥伴可以一起來1.知識圖譜知識圖譜本質上是語義網絡（Semantic Network）的知識庫。
  • 【推薦系統】推薦系統結合知識圖譜簡單總結
    首先對簡單介紹推薦系統，之後整理了幾篇結合知識表示的論文。一句話來介紹的話，就是通過分析歷史數據，來給用戶 推薦 可能會喜歡/購買的商品， 這裡面的核心就是用戶 (User) 和 商品 (Item)。評價局限性稍微大，需要大量的知識圖譜中的額外信息，在實際的推薦中不易獲得。Wang H, Zhang F, Xie X, et al. Dkn: Deep knowledge-aware network for news recommendation[C]//WWW, 2018: 1835-1844.
  • 除了知識圖譜,圖還能做什麼?
    提到圖，大家可能不怎麼了解，但是提到知識圖譜（knowledge graph），絕對是當前的熱門話題。近年來，各個行業湧現出大量的垂直應用及服務提供商，各個企業，從技術到業務的各個條線，紛紛學習知識圖譜的概念、技術、建設方法。知識圖譜，是對現實世界的抽象，通過點和邊描述實體之間的關係，構成一個大型的語義網絡，提供一種從關係的視角來觀察世界的方法。
  • 「神經+符號」:從知識圖譜角度看認知推理的發展
    ，則必須藉助外部的符號知識（如知識圖譜）進行認知推理，才能完成求解過程。綜上所述，「神經+符號」系統無疑是人工智慧的理想模型。我們可以總結出一個完美的「神經+符號」系統的特點和優勢：1.可以輕鬆處理目前主流機器學習擅長的問題；2. 對於數據噪音有較強的魯棒性；3. 系統的求解過程和結果容易被人理解、解釋和評價；4.
  • 【知識圖譜】知識圖譜嵌入模型簡介
    由於在表達人類先驗知識上具有優良的特性，知識圖譜近年來在自然語言處理、問答系統、推薦系統等諸多領域取得了廣泛且成功的應用。    圖1：知識圖譜示意圖  然而，知識圖譜通常存在連結缺失問題，這限制了知識圖譜在相關下遊任務中的應用。為解決該問題，知識圖譜補全任務應運而生。
  • 技術動態 | ACL 2019 知識圖譜的全方位總結
    文章則圍繞ACL大會上關於知識圖譜（KG）的研究進行了詳細且完整的探討的內容，共包含五個部分，分別為：1、基於知識圖譜的對話系統2、知識圖譜事實的自然語言生成3、基於知識圖譜的問答4、基於知識圖譜的NER和關係連結5、知識圖譜嵌入和圖表示一、基於知識圖譜的對話系統
  • AAAI2020必讀的10篇「知識圖譜(Knowledge Graph)」相關論文和代碼
    隨著AAAI2020的到來，專知小編整理了最新10篇關於知識圖譜的論文，來自清華大學、中科大、北航、中山大學、UCL、Facebook、騰訊、阿里巴巴等，包含義原知識圖譜、知識圖譜表示學習、知識遷移、知識圖譜層次表示、常識知識圖譜補全等，請大家查看！
  • 聚焦CCKS 2020 |醫渡雲運用知識圖譜技術 更好發揮「黑盒」和...
    作為國內知識圖譜、語義技術、語言理解和知識計算等領域的核心會議，2020全國知識圖譜與語義大會吸引了來自清華大學、哈爾濱工業大學、騰訊、阿里巴巴等眾多國內知名大學與企業前來參加。多年來，醫渡雲一直支持並參與CCKS大會評測委員會工作，本屆大會醫渡雲首席人工智慧科學家閆峻博士受邀擔任大會組委會評審主席（Evaluation Chair）。
  • 試驗知識圖譜分析
    前言：知識圖譜是知識工程不斷發展衍生出的新一代知識工程技術，知識圖譜的概念最早是由谷歌在2012年正式提出，最初僅應用在智能搜索領域，目前已應用在多垂直領域，比如金融行業、醫療衛生、政府、能源與工業得到廣泛的應用。本期課程重點分為以下四個方面：試驗知識綜述、試驗知識圖譜分析、試驗知識圖譜構建技術和試驗知識圖譜技術展望。
  • 中文醫療NLP領域 數據集,論文 ,知識圖譜,語料,工具包
    ，基於大規模醫學文本數據，以人機結合的方式研發的中文醫學知識圖譜。knowledge graph and against expert physician opinions.The noisy OR model produces a high quality knowledge graph reaching precision of 0.85 for a recall of 0.6 in the clinical evaluation.
  • 縱覽知識圖譜在AI領域的有效應用,2019知識圖譜前沿技術論壇即將開幕
    為提升行業人員準確界定知識圖譜應用場景需求能力，提高知識圖譜技術的行業普及程度，進一步推進知識圖譜技術人工在智能領域的有效應用，北京理工大學與復旦大學再次聯手，發起2019年「知識圖譜前沿技術論壇」。本論壇不收取任何費用，旨在提供學界與業界的充分交流平臺，歡迎各界人士蒞臨本論壇。