大数据知识工程旨在从大数据中获取知识、表示知识，并基于这些知识进行推理计算，解决大数据背景下的实际工程问题。大数据知识工程是信息化迈向智能化的必由之路。《大数据知识工程》全面系统地介绍大数据知识工程的有关内容。《大数据知识工程》共9章，第1章介绍大数据知识工程的背景；第2章介绍大数据知识工程的“三跨”特点及面临的“散、杂、乱”挑战；第3～6章介绍知识表示、知识获取与融合、知识表征学习、知识推理四个核心环节；第7章介绍教育、税务、网络舆情领域的大数据知识工程应用；第8章指出未来研究方向；第9章对《大数据知识工程》进行总结。

目录 前言 第1章 绪论 1 1.1 知识工程发展历程 1 1.2 大数据知识工程概述 3 1.2.1 产生背景 3 1.2.2 基本概念 4 1.2.3 与传统知识工程的区别 5 1.3 与新一代人工智能的关系 6 1.3.1 新一代人工智能的特点 6 1.3.2 大数据知识工程是共性技术 7 1.4 本书的组织结构 7 1.5 本章小结 8 参考文献 9 第2章 挑战与科学问题 11 2.1 “三跨”特点 11 2.2 散、杂、乱三个挑战 12 2.3 研究框架与科学问题 16 2.4 本章小结 18 参考文献 18 第3章 知识表示 21 3.1 研究现状与趋势 21 3.2 传统的知识表示方法 23 3.3 知识图谱 26 3.3.1 知识图谱的定义 26 3.3.2 知识图谱的分类 26 3.3.3 知识图谱的存储 28 3.4 事件图谱 29 3.4.1 事件图谱的定义 30 3.4.2 事件图谱的数据模型 31 3.4.3 常见事件图谱 32 3.5 知识森林 33 3.5.1 知识森林的提出背景 33 3.5.2 知识森林的定义 34 3.5.3 知识森林的存储模型 37 3.6 本章小结 39 参考文献 39 第4章 知识获取与融合 42 4.1 研究现状与趋势 42 4.1.1 研究现状 42 4.1.2 挑战与发展趋势 44 4.2 知识图谱自动构建 45 4.2.1 三元组知识抽取 45 4.2.2 三元组知识融合 49 4.3 逻辑公式抽取 50 4.3.1 逻辑公式的形式化定义 51 4.3.2 基于统计量的抽取方法 52 4.3.3 基于矩阵序列的抽取方法 54 4.3.4 基于关系路径的抽取方法 56 4.3.5 挑战与展望 57 4.4 知识森林自动构建 57 4.4.1 主题分面树生成 58 4.4.2 文本碎片知识装配 61 4.4.3 认知关系挖掘 63 4.4.4 知识森林可视化 67 4.5 本章小结 70 参考文献 71 第5章 知识表征学习 75 5.1 研究现状与趋势 75 5.1.1 研究现状 76 5.1.2 挑战与发展趋势 78 5.2 知识图谱表征学习 79 5.2.1 直推式学习 79 5.2.2 归纳式学习 82 5.3 异构图表征学习 84 5.3.1 浅层异质信息网络表征学习 85 5.3.2 深层异质信息网络表征学习 87 5.3.3 挑战与发展趋势 91 5.4 逻辑公式表征学习 92 5.4.1 基于序列的方法 93 5.4.2 基于树结构的方法 93 5.4.3 基于图结构的方法 95 5.4.4 挑战与发展趋势 97 5.5 本章小结 98 参考文献 98 第6章 知识推理 102 6.1 研究现状与趋势 102 6.1.1 基本概念 102 6.1.2 研究现状 103 6.1.3 挑战与发展趋势 106 6.2 带有记忆的推理模型 106 6.2.1 记忆机制在推理中的作用 107 6.2.2 神经图灵机 107 6.2.3 可微神经计算机 111 6.2.4 记忆模型总结 114 6.3 符号化分层递阶学习模型 115 6.3.1 SHiL模型 115 6.3.2 SHiL模型构建方法 116 6.3.3 复杂数据系统的层次划分和介区域识别 117 6.3.4 符号化可微编程的介区域控制机制 118 6.3.5 跨界区域推理路径生成 121 6.4 知识检索 124 6.4.1 基本概念 124 6.4.2 典型知识检索方法 126 6.4.3 知识检索中的why-not问题 130 6.4.4 挑战与发展趋势 132 6.5 智能问答 133 6.5.1 自然语言问答 133 6.5.2 视觉问答 137 6.5.3 教科书式问答 140 6.5.4 问题生成 145 6.6 本章小结 150 参考文献 150 第7章 典型应用 154 7.1 知识森林个性化导学 154 7.1.1 知识森林导航学习系统 155 7.1.2 知识森林AR交互学习 158 7.1.3 应用示范 161 7.2 智能化税务治理 163 7.2.1 税收知识库构建 163 7.2.2 税收优惠计算 171 7.2.3 偷逃骗税风险智能识别 176 7.3 网络舆情的智能监控 179 7.3.1 舆情网络的定义和构建 180 7.3.2 舆情网络应用分析 181 7.4 本章小结 185 参考文献 185 第8章 未来研究方向 186 8.1 复杂大数据知识获取 186 8.1.1 视觉知识 186 8.1.2 常识知识 191 8.1.3 知识增殖与量质转化 196 8.2 知识引导+数据驱动的混合学习 198 8.2.1 可微编程 199 8.2.2 反事实推理 203 8.2.3 可解释机器学习 208 8.3 脑启发的知识编码与记忆 212 8.3.1 双过程理论启发的认知图谱 212 8.3.2 海马体理论启发的知识记忆与推理 214 8.4 本章小结 217 参考文献 217 第9章 结语 222 致谢 224