这是一本能让读者快速从零开始构建工业级知识图谱的著作。作者是知识图谱和自然语言处理领域的专家，本书得到了OpenKG联合创始人王昊奋、清华大学教授李涓子、东南大学教授漆桂林、美团知识图谱团队负责人张富峥、文因互联创始人鲍捷等学界和业界知识图谱扛旗人的一致好评和**。 本书不仅详细讲解了知识图谱的技术原理和构建工具，而且还循序渐进地讲解了知识图谱的构建方法、步骤和行业应用。配有大量实战案例，并且开放了源代码，确保读者能学会并落地。 全书一共8章： 第1章介绍了知识图谱的概念、模式、应用场景和技术架构； 第2章围绕知识图谱的技术体系，详细阐述了知识的表示与建模、抽取与挖掘、存储与融合，以及检索与推理； 第3章通过具体的实例介绍了各种知识图谱工具的使用； 第4章和第5章从工业实践的角度讲解了从0到1构建通用知识图谱和领域知识图谱的步骤和方法，并配备详细的代码解读； 第6~7章讲解了知识图谱的具体应用和一个综合性的知识图谱案例——问答系统，进一步指导读者实践； 第8章对知识图谱的未来发展进行了总结和展望。

近年来，知识图谱技术及应用受到了广泛的关注。作为人工智能时代从感知跨越到认知的桥梁，知识图谱以图网络的形式连接人类丰富的知识，并尝试��决推理和理解问题。越来越多的学者和工业界人士投身于知识图谱的研究和落地，基于知识图谱的智能搜索、问答以及**也得到了推广和应用。 知识图谱相关技术发展迅速，应用也非常广泛，但仍然有很多问题需要解决。从理论研究方面，知识图谱的基础技术仍然需要进一步推进，一些问题，例如语言歧义性、长尾知识获取、时序知识获取、多模态知识的融合、复杂推理，还没有较好的解决办法。而从工业实践上来看，由于数据源繁多，数据规模庞大，异构数据质量参差不齐，高质量通用知识图谱的构建还有很长的路要走。 因此，很多公司将目光转向特定领域的知识图谱应用，也催生了诸如**、法律、公安、电商等基于行业的知识图谱。知识图谱的发展已经进入下半场，由于技术和工具的不断成熟，构建完整的知识图谱也不再是巨头的专利，具备一定基础的技术人员也能够将知识图谱技术应用于自身业务中。 如何将理论化为应用，是一线从业人员为关注的问题。虽然构建知识图谱的要求很高，但门槛已经大大降低。各行各业对知识图谱的关注度都在提升，知识图谱相关的课程、教材也已面世。但在理论之外，从业人员更需要一本能够结合工业实践将知识图谱落地的指南。 本书正是这样一本面向实战的知识图谱指南，不仅有基础的知识图谱技术介绍，还用大量的篇幅阐述如何快速构建和应用知识图谱。本书作者都是长期深耕于自然语言处理与知识图谱领域的一线研究人员和工程师，为国内的知识图谱开源社区OpenKG贡献了很多有价值的数据和工具。他们从实践角度，通过浅显易懂的解析以及开源的代码，对知识图谱的理论基础、相关工具、构建步骤进行了详细的阐述。相信无论是知识图谱从业人员还是研究学者，都可以通过本书了解知识图谱的全流程构建方法，并能够将其应用到实际项目和业务中。 王昊奋 同济大学特聘研究员，OpenKG联合创始人，CCF SIGKG主席

**序 前言 第1章 知识图谱概览 1 1.1 知识图谱序言 1 1.2 知识图谱基本概念 3 1.2.1 知识图谱背景 3 1.2.2 知识图谱的定义 5 1.2.3 典型知识图谱示例 7 1.3 知识图谱的模式 10 1.4 为什么需要知识图谱 13 1.5 知识图谱的典型应用 15 1.6 知识图谱的技术架构 17 参考文献 18 第2章 知识图谱技术体系 19 2.1 知识表示与知识建模 19 2.1.1 知识表示 19 2.1.2 知识建模 26 2.2 知识抽取与知识挖掘 29 2.2.1 知识抽取 29 2.2.2 知识挖掘 38 2.3 知识存储与知识融合 42 2.3.1 知识存储 42 2.3.2 知识融合 47 2.4 知识检索与知识推理 52 2.4.1 知识检索 53 2.4.2 知识推理 58 参考文献 61 第3章 知识图谱工具 63 3.1 知识建模工具 63 3.1.1 Protégé 64 3.1.2 其他本体建模工具 79 3.1.3 本体建模工具的选择 83 3.2 知识抽取工具 84 3.2.1 DeepDive 84 3.2.2 其他知识抽取工具 102 3.2.3 知识抽取工具对比 106 3.3 知识存储工具 107 3.3.1 Neo4j 108 3.3.2 Neo4j安装与部署 109 3.3.3 可视化 113 3.3.4 图模型 115 3.3.5 其他图数据库 120 参考文献 122 第4章 从零构建通用知识图谱 123 4.1 通用知识表示与抽取 123 4.1.1 通用知识数据来源 123 4.1.2 实体层构建 126 4.1.3 表述层构建 131 4.1.4 概念层构建 134 4.2 知识增强 135 4.2.1 实体层知识增强 135 4.2.2 模式完善 139 4.2.3 实体链接：表述层与实体层之间的映射 144 4.2.4 实体分类：实体层与概念层之间的映射 146 4.3 百科知识存储与更新 153 4.3.1 属性图存储模型 154 4.3.2 知识存储 156 4.3.3 知识更新 168 第5章 领域知识图谱构建 172 5.1 领域知识图谱概览 172 5.2 医药领域知识图谱 173 5.2.1 领域模式构建 174 5.2.2 领域知识抽取 176 5.2.3 领域图谱构建 178 5.2.4 图谱展示 182 5.3 用户画像图谱 183 5.3.1 用户画像知识表示 183 5.3.2 知识抽取和挖掘 185 5.3.3 抽取案例 194 参考文献 207 第6章 知识图谱应用 208 6.1 知识可视化 208 6.1.1 D3 208 6.1.2 ECharts 213 6.1.3 其他工具介绍 220 6.1.4 小结 225 6.2 实体链接 225 6.2.1 实体链接的定义 225 6.2.2 实体链接的步骤 226 6.2.3 实体链接工具 232 6.2.4 实体链接的应用 242 6.3 知识问答 245 6.3.1 知识问答系统概述 245 6.3.2 知识问答系统的主要流程 247 6.3.3 主流知识问答系统介绍 252 6.3.4 问答系统实战 260 6.4 联想 277 6.4.1 联想整体流程 278 6.4.2 话题识别 279 6.4.3 候选话题生成 280 6.4.4 候选话题排序 282 6.4.5 联想回复生成 290 参考文献 292 第7章 基于知识图谱的问答系统 297 7.1 简介 297 7.2 自然语言理解 300 7.2.1 概述 300 7.2.2 基础NLU 301 7.2.3 意图理解 309 7.2.4 实体识别与链接 317 7.2.5 文本相似度与向量化 317 7.3 对话管理 322 7.3.1 概述 322 7.3.2 知识问答 327 7.3.3 闲聊 331 7.4 自然语言生成 332 7.5 服务化 333 参考文献 335 第8章 总结与展望 336 参考文献 338