幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

大模型+知識圖譜全流程實踐指南--從技術構建到開發實戰

  • 作者：編者:睿思科技|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122502780
  • 出版日期：2026/06/01
  • 裝幀：平裝
  • 頁數：249
人民幣：RMB 89.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    大模型與知識圖譜融合開發是以結構化知識增強大模型的可信推理能力，同時借助大模型的語義理解實現知識庫的智能構建與自然交互，形成雙向驅動的認知智能系統。
    本書系統闡述了大模型與知識圖譜融合開發的完整技術體系。首先講解了知識圖譜的基礎構建流程，為系統開發奠定堅實基礎。然後，重點解析了如何利用大語言模型增強知識圖譜的邏輯推理、路徑推理與生成式補全能力，並結合量化、分散式計算等性能優化技術破解效率瓶頸。同時，通過搜索推薦、金融風控、法律智能和政務數字化等垂直案例，深入剖析了從需求分析、知識抽取到推理集成與系統部署的全流程方法。
    本書適合自然語言處理、知識工程、人工智慧應用開發等領域的工程師、研究人員及技術管理者閱讀，也可作為高等院校人工智慧、電腦科學等相關專業的教學參考用書。
作者介紹
編者:睿思科技|責編:耍利娜
目錄
第1章  大模型與知識圖譜
  1.1  知識圖譜定義
    1.1.1  語義網與RDF標準
    1.1.2  三元組表示與關係建模
    1.1.3  圖結構與本體約束
  1.2  大語言模型技術基礎
    1.2.1  Transformer與自注意力機制
    1.2.2  預訓練任務與微調
    1.2.3  向量化語義表示
  1.3  語義融合驅動
    1.3.1  知識增強語言模型（KALM）
    1.3.2  檢索增強生成（RAG）
    1.3.3  多模態知識集成
    1.3.4  邊、圖、鏈等基本概念簡介
  1.4  知識圖譜開發技術棧
    1.4.1  數據抽取、融合、推理
    1.4.2  信息存儲與查詢
    1.4.3  檢索優化的幾種方法
    1.4.4  應用集成與部署
  1.5  本章小結
第2章  數據採集與預處理
  2.1  數據源類型
    2.1.1  結構化數據
    2.1.2  半結構化數據
    2.1.3  非結構化數據
    2.1.4  多模態數據
  2.2  數據清洗與標準化
    2.2.1  格式統一與正則化
    2.2.2  缺失值與異常值處理
    2.2.3  重複數據檢測與消解
  2.3  數據標注與質量評估
    2.3.1  實體與關係標注規範
    2.3.2  數據一致性與完整性檢測
    2.3.3  數據採樣與標注工具實現
    2.3.4  常見的幾種數據質量評估方案
  2.4  數據預處理
    2.4.1  數據標籤
    2.4.2  雜訊過濾與內容分類
    2.4.3  數據對齊
    2.4.4  數據合規性分析
  2.5  本章小結
第3章  知識抽取技術
  3.1  命名實體識別（NER）
    3.1.1  基於規則與詞典的方法
    3.1.2  基於條件隨機場（CRF）與BiLSTM-CRF的方法
    3.1.3  案例分析：使用BERT與Prompt微調的NER
  3.2  關係抽取（RE）
    3.2.1  基於模式匹配的方法
    3.2.2  基於句法依存的關係識別
    3.2.3  基於零樣本與少樣本的關係抽取

    3.2.4  基於上下文的關係抽取
  3.3  事件抽取（EE）
    3.3.1  事件觸發詞識別
    3.3.2  論元抽取
    3.3.3  跨文檔事件聚合
  3.4  文本到結構化映射（Text-to-Graph）
    3.4.1  三元組生成與驗證
    3.4.2  結構化輸出控制
    3.4.3  本體映射的基本概念
  3.5  本章小結
第4章  知識融合與消歧
  4.1  實體對齊
    4.1.1  基於字元串相似度的方法
    4.1.2  基於嵌入的跨圖譜對齊
    4.1.3  聯合訓練與對齊模型
  4.2  同義詞合併與消歧
    4.2.1  詞形還原與變體處理
    4.2.2  上下文語境消歧
    4.2.3  跨語言消歧
  4.3  數據衝突檢測與合併策略
    4.3.1  時間衝突與版本控制
    4.3.2  屬性值衝突檢測
    4.3.3  衝突合併優先順序規則
  4.4  知識融合
    4.4.1  模型生成對齊候選
    4.4.2  置信度評估與人工複核
    4.4.3  基於規則的自動化融合
  4.5  本章小結
第5章  本體知識建模
  5.1  本體建模原則
    5.1.1  類與實例的區分
    5.1.2  關係類型與屬性設計
    5.1.3  繼承與約束規則
  5.2  模式定義語言
    5.2.1  RDFS與OWL
    5.2.2  SHACL與數據驗證
    5.2.3  圖模式優化
  5.3  本體構建工具與流程
    5.3.1  Protege使用
    5.3.2  模型導出與導入
    5.3.3  本體版本管理
  5.4  本體生成設計
    5.4.1  領域術語提取
    5.4.2  有關自動關係模式的建議
    5.4.3  語義一致性檢測
  5.5  本章小結
第6章  存儲與查詢優化
  6.1  圖資料庫選型與架構
    6.1.1  Neo4j與Cypher
    6.1.2  JanusGraph與Gremlin

    6.1.3  RDF三元組存儲系統
  6.2  查詢性能優化
    6.2.1  索引構建與緩存機制
    6.2.2  查詢計劃與執行優化
    6.2.3  分散式查詢與分片策略
  6.3  向量資料庫與混合檢索
    6.3.1  向量化實體存儲
    6.3.2  混合檢索
    6.3.3  Milvus、Weaviate集成
  6.4  大模型驅動的智能查詢
    6.4.1  自然語言到查詢語句生成
    6.4.2  查詢意圖識別與優化
    6.4.3  多輪查詢上下文保持
  6.5  本章小結
第7章  知識推理與補全
  7.1  邏輯推理
    7.1.1  基於規則的推理引擎
    7.1.2  前向鏈與反向鏈推理實現
    7.1.3  一致性檢查與衝突解析
  7.2  路徑與圖結構推理
    7.2.1  多跳推理演算法
    7.2.2  最短路徑與語義路徑分析
    7.2.3  子圖匹配與模式檢測
  7.3  嵌入與鏈路預測
    7.3.1  TransE、TransH與RotatE模型
    7.3.2  基於圖神經網路（GNN）的預測
    7.3.3  大模型輔助鏈路推理
  7.4  知識補全技術
    7.4.1  數據驅動的補全方法
    7.4.2  模型生成缺失關係
    7.4.3  推理、生成結合
    7.4.4  基於生成對抗網路（GAN）的知識補全技術
  7.5  本章小結
第8章  性能優化與推理加速
  8.1  數據索引與存儲優化
    8.1.1  壓縮編碼與列式存儲
    8.1.2  緩存層設計
    8.1.3  冷熱數據分層
  8.2  模型推理加速
    8.2.1  模型量化與蒸餾
    8.2.2  GPU、TPU並行推理
    8.2.3  向量檢索加速技術
  8.3  分散式與流式推理
    8.3.1  Spark GraphX與分散式圖計算
    8.3.2  流式推理框架
    8.3.3  在線與離線混合推理
  8.4  本章小結
第9章  基於知識圖譜的搜索與推薦系統
  9.1  知識圖譜驅動的搜索引擎
    9.1.1  語義檢索與意圖識別

    9.1.2  知識引導的結果排序
    9.1.3  複雜結構數據的搜索融合
  9.2  推薦系統增強
    9.2.1  基於圖的協同過濾
    9.2.2  語義興趣建模
    9.2.3  解釋性推薦生成
  9.3  大模型在搜索與推薦中的應用
    9.3.1  RAG增強搜索
    9.3.2  Query Rewrite與擴展
    9.3.3  個性化推薦生成
  9.4  本章小結
第10章  垂直領域定製與決策支持
  10.1  垂直領域方案定製流程
  10.2  金融知識圖譜
  10.3  法律與政務知識圖譜
  10.4  系統集成
  10.5  本章小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032