一、知识学习

声明：知识学习中本文主体按照浙江大学陈华钧教授的《知识图谱》公开课讲义进行介绍，并个别地方加入了自己的注释和思考，希望大家尊重陈华钧教授的知识产权，在使用时加上出处。感谢陈华钧教授。

（一）B站 《浙大知识图谱完整版》——3

学识时间：2023年4月18日17:05:32

3、知识图谱的存储与查询

3.1基于关系型数据库的知识图谱存储

3.1.1 知识图谱的存储方式

（1）知识图谱的存储需要综合考虑知识结构、 图的特点、 索引和查询优化等问题。
（2）典型的知识图谱存储引擎分为基于关系数据库的存储和基于原生图的存储。
（3）图数据库存储并非必须， 例如Wikidata项目后端是MySQL实现的。

图结构模型
属性图和RDF图模型都是有向标记图: Directed Labeled Graph

3.1.2 图上的查询语言

SPARQL语言：

SPARQL语法参考

3.2基于原生图数据库的知识图谱存储

3.3 原生图数据库实现原理浅析

4、知识图谱的抽取与构建

4.1重新理解知识工程与知识获取

4.2 知识抽取——实体识别与分类

4.3 知识抽取——关系抽取与属性补全

4.4 知识抽取——概念抽取

4.5 知识抽取——事件识别与抽取

4.6知识抽取技术前沿

5、知识图谱推理

5.1什么是推理

5.2 知识图谱推理简介

5.3基于符号逻辑的知识图谱推理

5.3.1 基于Ontology的推理
5.3.2 规则的推理

5.4基于表示学习的知识图谱推理

5.4.1基于嵌入学习的知识图谱推理
5.4.2基于规则学习的知识图谱推理
5.4.3Ontology Embedding—本体概念层推理

6、知识图谱融合

6.1知识图谱融合概述

6.2概念层融合——本体匹配

6.3实例层的融合——实体对齐

6.4知识融合技术前沿

7、知识图谱问答

7.1 智能问答系统概述

7.2基于查询模版的知识图谱问答

7.3基于语义解析的知识图谱问答

7.4基于检索排序的知识图谱问答

7.5基于深度学习的知识图谱问答

8、图算法与图数据分析

8.1图的基本知识

8.2基础图算法

8.3图神经网络与图表示学习

8.4图神经网络与知识图谱

9、知识图谱技术发展

9.1 多模态知识图谱

9.2 知识图谱与语言预训练

9.3 事理知识图谱