本書以知識表示與處理所涉及的相關知識，如知識獲取、知識表示、知識推理、知識遷移等內容為主體，完整呈現了知識表示與處理的知識體系。本書首先，介紹了知識表示與處理的發(fā)展、相關概念、流程等；其次，介紹了知識獲取的內容；再次，重點介紹了知識表示的各種方法，如邏輯謂詞、產生式規(guī)則、語義網絡、本體、知識圖譜等，以及知識推理所涉及的確定性知識推理和不確定性知識推理；最后，介紹了知識應用和知識遷移相關的內容。本書將免費提供配套PPT、實驗及應用案例等基本教學材料。本書注重基礎性、系統(tǒng)性和實用性，力求為學習知識表示與處理知識的讀者提供一本基礎的教材，同時為在其他學科應用知識表示與處理技術的讀者提供一本深入淺出的參考書。本書適合作為人工智能、計算機科學與技術、自動化控制等相關專業(yè)的本科生和研究生的教材；部分內容也適用于高職高專學校的教學。
劉鵬：博士畢業(yè)于清華大學，教授，現任南京大數據研究院院長、中國大數據應用聯(lián)盟人工智能專家委員會主任、中國大數據專家委員會委員。曾率隊奪得2002 PennySort國際計算機排序比賽冠軍（這是我國獲得的第一個大數據比賽世界冠軍），兩次奪得全國高�？萍急荣�*高獎，三次奪得清華大學科技比賽*高獎。主持完成科研項目25項，發(fā)表論文80余篇，出版專業(yè)圖書20部。獲部級科技進步二等獎4項、三等獎4項。2002年開創(chuàng)性地提出了“計算池”模式，被2007年開始流行的“云計算”所證實。2003年開創(chuàng)性地提出了“反垃圾郵件網格”，被2008年開始流行的“云安全”所證實。榮獲“全軍十大學習成才標兵”、南京市“十大杰出青年”、江蘇省中青年科學技術帶頭人、清華大學“學術新秀”等稱號。劉河，現就職于重慶市教育科學研究院，中國計算機學會會員，重慶市教育信息化專家委員會成員；主要研究領域為大數據、人工智能等；獨立開發(fā)了10余個軟件系統(tǒng)，主持主研了多項省部級重點課題，編著了多部教材，獲得了多個計算機軟件著作權登記證書。
第1章 緒論 1
1.1 知識表示基本概念 1
1.1.1 知識 1
1.1.2 知識表示 2
1.1.3 知識表示方法 3
1.2 知識處理的基本流程 7
1.2.1 知識抽取 7
1.2.2 知識表示 8
1.2.3 知識存儲 8
1.2.4 知識融合 9
1.2.5 知識推理 9
1.2.6 知識可視化 10
1.2.7 知識應用 10
1.2.8 知識更新 11
1.3 知識與人工智能的關系 11
習題 12
參考文獻 12
第2章 知識獲取 13
2.1 知識獲取基本概念 13
2.1.1 知識 13
2.1.2 知識獲取的發(fā)展背景 14
2.1.3 知識獲取 14
2.1.4 知識獲取的步驟和途徑 15
2.2 知識獲取的方式 15
2.2.1 人工知識獲取 15
2.2.2 半自動知識獲取 16
2.2.3 自動知識獲取 16
2.2.4 其他方式 17
2.3 面向非結構化數據的知識獲取 18
2.3.1 實體抽取 18
2.3.2 關系抽取 19
2.3.3 事件抽取 22
2.4 面向半結構化數據的知識獲取 24
2.5 面向結構化數據的知識獲取 25
2.6 實驗：使用 jieba進行中文分詞 28
2.6.1 實驗目的 28
2.6.2 實驗要求 28
2.6.3 實驗原理 28
2.6.4 實驗步驟 28
2.6.5 實驗結果 29
習題 30
參考文獻 30
第3章 謂詞邏輯 32
3.1 邏輯學的基本研究方法 32
3.1.1 概念化和理性化 32
3.1.2 符號化 33
3.1.3 公理化 33
3.1.4 形式化 34
3.1.5 現代邏輯學形式系統(tǒng) 34
3.2 命題邏輯 35
3.2.1 語法 35
3.2.2 語義 37
3.3 謂詞邏輯 42
3.3.1 語法 42
3.3.2 語義 47
3.4 命題演算推理系統(tǒng) 50
3.5 實驗：蘇格拉底推論符號化及論證 51
3.5.1 實驗目的 51
3.5.2 實驗要求 51
3.5.3 實驗原理 51
3.5.4 實驗步驟 51
3.5.5 實驗結果 52
習題 53
參考文獻 54
第4章 產生式規(guī)則 55
4.1 產生式表示 55
4.1.1 產生式的由來 55
4.1.2 產生式規(guī)則的一般形式 55
4.1.3 產生式規(guī)則與邏輯蘊含式 56
4.2 從規(guī)則到系統(tǒng) 57
4.2.1 產生式系統(tǒng)簡述 57
4.2.2 產生式系統(tǒng)的組成 57
4.2.3 產生式系統(tǒng)的運行過程 60
4.3 規(guī)則匹配——Rete算法 65
4.3.1 規(guī)則匹配算法簡述 65
4.3.2 Rete算法 66
4.3.3 Uni-Rete算法 70
4.4 產生式規(guī)則專家系統(tǒng) 73
4.4.1 專家系統(tǒng)簡述 73
4.4.2 專家系統(tǒng)的基本結構 77
4.4.3 產生式規(guī)則專家系統(tǒng)實例 80
4.5 實驗：基于產生式規(guī)則的動物識別專家系統(tǒng) 84
4.5.1 實驗目的 84
4.5.2 實驗要求 84
4.5.3 實驗原理 84
4.5.4 實驗步驟 84
4.5.5 實驗結果 95
習題 96
參考文獻 96
第5章 語義網絡 97
5.1 語義網絡簡述 97
5.1.1 語義網絡的概念 97
5.1.2 語義網絡的特點 97
5.2 語義網絡表示法 98
5.2.1 基本網元 98
5.2.2 基本語義關系 99
5.3 知識的語義網絡表示 102
5.3.1 事實性知識的表示 102
5.3.2 情況、動作和事件的表示 102
5.3.3 連詞和量詞的表示 104
5.3.4 用語義網絡表示知識的步驟 105
5.4 語義網絡的推理方法 106
5.4.1 繼承推理 106
5.4.2 匹配推理 106
5.5 實驗：語義網絡寫入圖形數據庫 107
5.5.1 實驗目的 107
5.5.2 實驗要求 107
5.5.3 實驗原理 107
5.5.4 實驗步驟 107
5.5.5 實驗結果 110
習題 110
參考文獻 111
第6章 本體 112
6.1 本體概述 112
6.1.1 本體的定義 112
6.1.2 本體的作用 113
6.1.3 本體的構成要素 114
6.2 本體的分類 115
6.3 本體的構建 118
6.3.1 本體建模語言 118
6.3.2 本體構建的規(guī)則 121
6.3.3 本體構建的方法 122
6.3.4 本體的構建工具 126
6.4 本體的應用 128
6.5 領域本體的構建 129
6.5.1 領域本體的構建過程 129
6.5.2 領域本體的設計原則 130
6.5.3 領域本體建模的生命周期 131
6.6 實驗：小型本體構建示例 131
6.6.1 實驗目的 131
6.6.2 實驗要求 132
6.6.3 實驗原理 132
6.6.4 實驗步驟 132
6.6.5 實驗結果 139
習題 140
參考文獻 141
第7章 知識圖譜 143
7.1 知識圖譜簡述 143
7.1.1 知識圖譜的概念 143
7.1.2 知識圖譜的產生歷程 145
7.1.3 知識圖譜的生命周期 147
7.2 知識圖譜的關鍵技術 150
7.2.1 知識圖譜構建技術 150
7.2.2 知識圖譜查詢和推理計算技術 151
7.2.3 知識圖譜應用技術 151
7.3 知識圖譜可視化 153
7.3.1 知識圖譜表示方法 153
7.3.2 知識圖譜可視化類型 154
7.3.3 知識圖譜可視化流程 154
7.3.4 知識圖譜可視化方法 154
7.4 知識圖譜分類 157
7.4.1 知識圖譜分類概述 157
7.4.2 通用知識圖譜 157
7.4.3 領域知識圖譜 158
7.5 知識圖譜工具 159
7.5.1 知識建模工具 159
7.5.2 知識獲取工具 159
7.5.3 實體識別鏈接工具 160
7.5.4 知識存儲工具 160
7.5.5 本體知識推理工具 160
7.5.6 知識圖譜可視化工具 161
7.5.7 知識圖譜數據智能平臺 161
7.6 實驗：知識圖譜實踐 162
7.6.1 實驗目的 162
7.6.2 實驗要求 162
7.6.3 實驗原理 162
7.6.4 實驗步驟 162
7.6.5 實驗結果 169
習題 170
參考文獻 170
第8章 知識推理 172
8.1 推理簡述 172
8.1.1 推理的概念 172
8.1.2 推理方式及分類 173
8.1.3 推理控制策略及分類 176
8.1.4 匹配與沖突消解 178
8.2 自然演繹推理 180
8.2.1 推理規(guī)則 180
8.2.2 三段論 181
8.2.3 命題演算形式 182
8.2.4 謂詞演算形式 182
8.3 歸結演繹推理 183
8.3.1 命題邏輯中的歸結演繹推理 186
8.3.2 謂詞邏輯中的歸結演繹推理 188
8.4 歸納推理 194
8.4.1 完全歸納推理 195
8.4.2 不完全歸納推理 195
8.5 非單調推理 201
8.5.1 缺省推理 201
8.5.2 非單調推理系統(tǒng) 203
8.6 實驗：運用邏輯推理的方法解決八皇后問題 206
8.6.1 實驗目的 206
8.6.2 實驗要求 206
8.6.3 實驗原理 206
8.6.4 實驗步驟 207
8.6.5 實驗結果 208
習題 208
參考文獻 209
第9章 不確定性推理 210
9.1 基本概念 210
9.1.1 不確定性推理的概念 210
9.1.2 不確定性推理中的基本問題 210
9.1.3 不確定性推理方法的分類 212
9.2 不確定性推理中的數學基礎 213
9.2.1 概率理論 213
9.2.2 模糊集 216
9.2.3 粗糙集 221
9.3 基于概率論的推理方法 224
9.3.1 貝葉斯網絡方法 224
9.3.2 主觀貝葉斯方法 229
9.3.3 可信度方法——C-F模型 232
9.4 模糊推理 235
9.4.1 模糊匹配 235
9.4.2 模糊推理的基本模式 236
9.4.3 模糊推理的基本模型 237
9.4.4 合成推理規(guī)則 238
9.5 實驗：模糊矩陣的運算 239
9.5.1 實驗目的 239
9.5.2 實驗要求 239
9.5.3 實驗原理 239
9.5.4 實驗步驟 239
9.5.5 實驗結果 242
習題 244
參考文獻 244
第10章 知識遷移學習 246
10.1 知識遷移簡述 246
10.1.1 人類知識遷移 246
10.1.2 遷移學習的意義 249
10.2 同構空間實例遷移學習 251
10.2.1 TrAdaBoost算法 251
10.2.2 核均值匹配算法 254
10.2.3 同構空間實例遷移學習的特點 255
10.3 同構空間特征遷移學習 256
10.3.1 基于特征選擇的遷移學習算法 256
10.3.2 基于特征映射的遷移學習算法 258
10.3.3 同構空間特征遷移學習的特點 261
10.4 異構空間遷移學習 261
10.4.1 翻譯學習 262
10.4.2 基于稀疏特征變換的無監(jiān)督異構遷移學習 264
10.4.3 異構空間遷移學習的特點 266
10.5 實驗：基于預訓練VGG16網絡的遷移學習 266
10.5.1 實驗目的 266
10.5.2 實驗要求 266
10.5.3 實驗原理 267
10.5.4 實驗步驟 267
10.5.5 實驗結果 270
習題 270
參考文獻 270
附錄A 人工智能實驗環(huán)境 272
附錄B 人工智能云平臺
書單推薦
