本书源于阿里巴巴千亿级知识图谱构建与产业化应用的工作总结，对知识图谱理论和大规模工业实践进行了全面和深入的阐述。本书以阿里巴巴的实战经验为中心，以深厚的理论成果为支撑，详细阐述了知识图谱的方方面面。首先介绍工业场景下知识图谱的现状、存在的问题和架构设计；然后从知识表示、知识融合、知识获取、知识推理、知识存储和知识图谱前沿方向等方面入手，介绍大规模商品知识图谱的构建方法；最后结合阿里巴巴的业务实践，详细介绍知识图谱的产品设计、技术实现和业务应用细节。通过阅读本书，读者不仅可以从零开始认识知识图谱，了解知识图谱技术方法和前沿技术方向，而且可以熟悉知识图谱工业实践的实现路径，清楚知识图谱的应用方向和方法。本书介绍的成果获得钱伟长中文信息处理科学技术一等奖。本书在知识图谱的广度和深度上兼具极强的参考性，适合人工智能相关行业的管理者和研发人员、高等院校的计算机专业学生阅读。
张 伟博士毕业于新加坡国立大学。研究方向为知识图谱（KG）、自然语言处理（NLP）等。曾任阿里巴巴资深算法专家、新加坡资讯通信研究院NLP应用实验室主任等职位。曾担任NLP会议ACL领域主席，期刊TACL常驻审稿人。兼职复旦大学、苏州大学硕士生校外导师。主导了阿里巴巴商品知识图谱的建设。论文发表在WWW/EMNLP/AAAI/IJCAI/AIJ/CoLing/ICDE/WSDM/IJCNLP/NAACL/CIKM等国际会议和期刊上。获得了钱伟长中文信息处理科学技术一等奖，杭州市省级领军人才等荣誉。陈华钧浙江大学计算机科学与技术学院教授/博导，主要研究方向为知识图谱、大数据系统、自然语言处理等。在WWW/IJCAI/AAAI/KR/ACL/EMNLP/KDD/VLDB/ICDE/TKDE/ACM MM/Briefings in Bioinforamtics等国际会议或期刊上发表多篇论文。曾获国际语义网会议ISWC2006最佳论文奖、教育部技术发明一等奖、钱伟长中文信息处理科技奖一等奖、阿里巴巴优秀学术合作奖、中国工信传媒出版集团优秀出版物一等奖等奖励。牵头发起中文开放知识图谱OpenKG，中国人工智能学会知识工程专业委员会副主任、中国中文信息学会语言与知识计算专委会副主任，全国知识图谱大会CCKS2020大会主席，Elsevier Big Data Research Journal Editor in Chief。张亦弛毕业于伦敦大学。工作研究方向为电商领域知识图谱构建、自然语言处理和多模态技术在知识图谱的应用等。曾任阿里巴巴商品知识图谱算法负责人。在阿里巴巴知识图谱藏经阁研究计划中，联合团队与清华大学、浙江大学、中科院软件所、中科院自动化所和苏州大学等科研机构协作，构建了千亿级商品知识图谱数据，服务了阿里十多个垂直电商平台和海内外多个国家市场。学术论文发表在BMVC/EMNLP/WSDM等国内外会议和期刊中。团队多次荣获中国国家编码中心和中国ECR委员会颁发的创新项目奖、卓越项目奖，中国中文信息学会钱伟长科技奖一等奖等国家机构和学术协会奖项。
目 录
第1章 工业级知识图谱概述 / 1
1.1 知识图谱概述 / 2
1.1.1 通用知识图谱 / 2
1.1.2 行业知识图谱 / 3
1.2 工业级知识图谱实战原则 / 4
1.2.1 实践中的典型问题 / 4
1.2.2 实战原则 / 4
1.3 阿里巴巴知识引擎技术架构 / 8
1.3.1 平台产品：知识建模与管理 / 9
1.3.2 平台产品：知识生产 / 11
1.3.3 业务、平台产品：知识服务 / 16
1.4 本章小结 / 19
第2章 商品知识的表示和建模 / 20
2.1 知识表示简介 / 21
2.1.1 基于符号逻辑的知识表示方法 / 21
2.1.2 面向互联网的知识表示方法 / 23
2.1.3 基于连续向量的知识表示 / 25
2.2 行业知识建模 / 27
2.2.1 基于专家的知识建模 / 27
2.2.2 基于机器学习的知识建模 / 29
2.3 商品知识建模实践 / 32
2.3.1 术语抽取 / 33
2.3.2 商品概念及上下位关系生成 / 36
2.4 构建商品知识体系 / 37
2.4.1 通用域知识图谱 / 37
2.4.2 阿里商品域知识体系 / 39
2.5 商品知识建模应用场景 / 48
2.5.1 服务国家和社会机构应用 / 48
2.5.2 零售业务应用 / 49
2.6 小结 / 50
2.6.1 知识建模技术的未来发展 / 50
2.6.2 知识体系设计的未来发展 / 51
第3章 商品知识融合 / 53
3.1 知识融合概述 / 54
3.1.1 知识融合的主要难点 / 54
3.1.2 知识融合的基本步骤 / 55
3.2 本体对齐 / 57
3.2.1 基于语言学特征的方法 / 58
3.2.2 基于结构特征的方法 / 61
3.2.3 商品知识图谱本体对齐算法 / 63
3.3 实体对齐 / 70
3.3.1 实体对齐的流程 / 70
3.3.2 实体对齐的技术路线 / 71
3.3.3 商品知识图谱实体对齐实践 / 80
3.4 信息融合 / 91
3.4.1 无监督的信息融合方法 / 92
3.4.2 有监督和半监督的信息融合方法 / 99
3.4.3 商品知识图谱信息融合算法实践 / 100
3.5 跨语言知识融合 / 103
3.5.1 跨语言知识融合的挑战 / 103
3.5.2 跨语言实体对齐的技术路线 / 104
3.5.3 基于规则的跨语言实体对齐方法 / 104
3.5.4 基于翻译的跨语言实体对齐方法 / 105
3.5.5 基于表示学习的跨语言实体对齐方法 / 107
3.6 知识融合质量评估体系 / 110
3.6.1 知识融合评估指标介绍 / 110
3.6.2 离线融合效果评估 / 112
3.6.3 在线融合效果评估 / 117
3.7 本章小结 / 119
第4章 商品知识获取 / 120
4.1 知识获取概述 / 121
4.1.1 知识获取相关任务 / 121
4.1.2 知识获取相关测评会议 / 123
4.2 命名实体识别 / 125
4.2.1 命名实体识别概览 / 125
4.2.2 标注体系及常用数据集 / 126
4.2.3 基于规则的命名实体识别 / 128
4.2.4 基于统计模型的命名实体识别 / 128
4.2.5 基于神经网络的实体识别 / 130
4.3 实体链接 / 133
4.3.1 实体链接概述 / 133
4.3.2 候选实体生成 / 133
4.3.3 候选实体排序 / 135
4.3.4 端到端的实体链接方法 / 138
4.4 关系抽取 / 139
4.4.1 关系抽取概述 / 139
4.4.2 基于模板的关系抽取方法 / 140
4.4.3 基于监督学习的关系抽取方法 / 140
4.4.4 基于半监督学习的关系抽取方法 / 149
4.4.5 基于无监督学习的关系抽取方法 / 154
4.5 槽填充与属性补全 / 156
4.5.1 槽填充与属性补全概述 / 156
4.5.2 基于模板的方法 / 158
4.5.3 基于关系分类的方法 / 160
4.6 面向半结构化数据的知识获取 / 160
4.6.1 百科类网站数据抽取 / 160
4.6.2 面向Web网页的知识获取 / 161
4.7 低资源条件下知识获取 / 162
4.7.1 基于监督学习和弱监督学习的方法 / 163
4.7.2 基于迁移学习的方法 / 163
4.7.3 基于元学习的方法 / 164
4.7.4 基于知识增强的方法 / 165
4.8 电商领域知识获取实践 / 166
4.8.1 电商知识获取框架 / 166
4.8.2 面向场景导购的知识获取示例 / 169
4.8.3 低资源商品知识获取示例 / 177
4.9 本章小结 / 180
第5章 商品知识推理 / 182
5.1 知识推理概述 / 183
5.1.1 知识推理的作用 / 183
5.1.2 专家系统与知识推理 / 184
5.1.3 神经网络与知识推理 / 185
5.2 基于符号逻辑的知识推理 / 186
5.2.1 基于本体的知识推理方法 / 187
5.2.2 基于规则的知识推理方法 / 191
5.2.3 基于规则学习的知识图谱推理 / 197
5.3 基于表示学习的知识推理 / 200
5.3.1 基于分布式表示的知识推理 / 200
5.3.2 基于神经网络的知识推理 / 210
5.4 基于图数据库的商品知识推理引擎工程实践 / 218
5.4.1 技术框架简介 / 219
5.4.2 与传统规则推理引擎的对比 / 223
5.5 可解释的商品知识图谱推理应用实践 / 226
5.5.1 电商应用背景 / 226
5.5.2 技术实践方案 / 228
5.5.3 实验结果及案例分析 / 233
5.6 基于强化学习的商品规则学习与推理应用实践 / 236
5.6.1 电商应用背景 / 236
5.6.2 技术实践方案 / 238
5.6.3 实验结果及案例分析 / 240
5.7 本章小结 / 241
第6章 知识图谱的存储、服务与质量 / 243
6.1 知识图谱的存储 / 244
6.1.1 数据模型 / 244
6.1.2 存储系统选型 / 247
6.1.3 图查询语言 / 252
6.1.4 关键技术与选择 / 254
6.2 知识图谱的服务 / 257
6.2.1 基于知识图谱的搜索 / 258
6.2.2 基于知识图谱的推荐 / 264
6.2.3 搜索推荐在业务智能中的应用 / 274
6.2.4 基于知识图谱的问答系统 / 278
6.3 知识图谱质量保障 / 281
6.3.1 质量保障架构 / 281
6.3.2 测试原则与方法 / 282
6.4 本章小结 / 284
第7章 大规模商品知识图谱
预训练 / 285
7.1 知识预训练概述 / 286
7.1.1 预训练语言模型 / 286
7.1.2 知识图谱中的结构化上下文信息 / 288
7.1.3 基于知识增强的预训练模型 / 289
7.1.4 预训练知识图谱模型与预训练语言模型的区别 / 293
7.2 商品知识图谱静态预训练模型 / 294
7.2.1 预训练知识图谱查询框架 / 294
7.2.2 预训练知识图谱查询模块 / 295
7.2.3 预训练知识图谱查询服务 / 296
7.2.4 在任务模块中使用查询服务 / 297
7.3 商品知识图谱动态预训练模型 / 299
7.3.1 上下文模块和整合模块 / 299
7.3.2 预训练阶段和微调阶段 / 301
7.4 商品知识图谱预训练实践案例 / 303
7.4.1 基于知识图谱预训练的商品分类 / 304
7.4.2 基于知识图谱预训练的商品对齐 / 309
7.4.3 基于知识图谱预训练的商品推荐 / 312
7.4.4 基于商品知识预训练的实体识别 / 316
7.4.5 基于商品知识预训练的关系抽取与属性补齐 / 318
7.4.6 基于商品知识预训练的标题生成 / 324
7.5 总结与展望 / 325
参考文献 / 326
书单推荐
