珠峰书《知识图谱：认知智能理论与实战》“升级”了：配套PPT，教学更easy！

大模型运动轰轰烈烈，但其“一本正经胡说八道”的能力依然如故。这是因为其本质上是模拟人类大脑，而人类大脑自身就是模糊记忆，对于精确记忆依赖于外部知识来源。从结绳记事到文字的发明，再到造纸术和印刷术，再到百科全书和维基百科、搜索引擎、知识图谱，等等。

那么，基于大模型的人工智能的“百科全书”在哪呢？毫无疑问，知识图谱是迄今为止最重要、最核心和最合理的AI界百科全书，以AI能够理解的方式提供知识，同时又方便人类专家对知识进行更新和修正。同时，将知识图谱和大模型结合，实现可控、可靠和可信的文本生成，是大模型产业应用所关注的焦点。

而说起知识图谱，相信许多小伙伴会想起珠峰书《知识图谱：认知智能理论与实战》，这是一本全面覆盖知识图谱和认知智能有关前沿技术的最全面、最权威、最前沿和最精彩的书籍。

全书在宏观上介绍认知智能和知识图谱的基本概念，并从全局视角介绍知识图谱技术体系，知识图谱行业应用的特点和价值，以及针对具体场景介绍知识图谱的应用。在深入技术方面，这本书深入浅出介绍了涵盖知识图谱的构建技术、存储技术、知识计算和知识推理技术等有关的算法原理，应用实践和代码示例。

正是其丰富的内容，理论与实践并重的特点，许多老师选择其为教学的教材，并咨询能否提供教学PPT。为此，本书作者花费巨大精力，为全书编写了精美的配套PPT。

如有选择此书作为参考教材的高校教师，可根据本书封底的读者服务，加入本书读者群，获取PPT文件！

全书分为8个章节，每个章节都提供数十页（近百页）配套的 PPT。

第1章 知识图谱概述

本章从实例和理论两个方面概述了什么是知识图谱，并从全局和顶层的视角介绍了知识图谱技术体系，帮助读者全面快速地了解知识图谱

1. 什么是知识图谱

2. DIKW模型

3. 知识图谱技术体系

4. 知识图谱在人工智能中的位置

5. 知识图谱是人工智能进步的阶梯

6. 知识图谱与人工智能其他技术的关系

7. 知识图谱与人工智能的历史与未来

第2章 知识图谱模式设计

本章从实践出发，阐明什么是知识图谱模式，剖析如何设计好知识图谱模式，为知识图谱的应用打好根基。正所谓“为之于未有，治之于未乱”，不能等楼摇晃了再推倒重建，也不能等到知识图谱应用出现问题时再返工从头开始。

1. 什么是知识图谱的上层知识的知识图谱模式
2. 什么是本体，本体和模式有什么区别？
3. 模式设计需要遵循的原则是什么？
4. 模式设计的方法论——六韬法
5. 模式设计的工程模型

第3章 实体抽取

本章全面系统地介绍了实体和实体抽取的概念，以及当前广泛应用的各种实体抽取方法的理论及其编程实践。

1. 什么是实体、实体抽取

2. 如何评价实体抽取的效果

3. 基于规则的实体抽取方法

4. 用于实体抽取的传统机器学习方法

5. 深度学习的方法

6. 详细介绍 Transformer 模型架构和实现

7. 弱监督学习的实体抽取方法

第4章 关系抽取

本章系统全面地介绍在知识图谱中建立知识间联系的方法——关系抽取，这是构建知识图谱的核心技术之一。“万物负阴而抱阳，冲气以为和”，知识间关系的建立，以及由此发生的相互作用，如同蝴蝶轻拍的翅膀带来强风，由此认知智能抟扶摇直上而蓬勃发展。

1. 什么是关系和关系抽取

2. 基于规则的关系抽取方法

3. 基于深度学习的关系抽取方法

4. 实体-关系联合抽取方法

5. 弱监督学习的关系抽取方法

第5章 知识存储

本章介绍知识的存储方法，并介绍了一种堪称为知识图谱量身定做的存储方式——图数据库。恰如庄子所言“量无穷，时无止，分无常，终始无故”，知识存储则需有容乃大，如若知识海洋，进而万川归海，为知识图谱应用程序所用而不竭。

1. 知识存储方法简史：从史前的结绳记事到最新的知识图谱

2. 存储模型

3. 属性图模型，完整性约束，事务和查询语言

4. JanusGraph 分布式图数据库详细介绍

5. Gremlin查询语言入门

6. Neo4J，DGraph，NebulaGraph 和其他图数据等

7. 如何进行图数据库选型

第6章 知识计算

知识计算是指充分利用了图论的研究成果，从图论的视角来研究和应用知识图谱。本章介绍了数学基础出发，系统介绍如何使用图论中的定理、推论、模型、算法，以及相应的工具来计算、分析、理解和处理知识图谱。子曰：“知变化之道者，其知神之所为乎。”数学正是我们理解世界变化之道的工具，熟练使用这些数学工具，能够让我们了解知识图谱应用中的“神之所为”。

1. 什么是知识计算？

2. 图论及数学基础

3. 系统剖析遍历算法、路径分析算法等

4. 系统介绍了常用的中心性算法，特点及实现

5. 系统介绍了社区分类算法和模块度指标等

6. 简要介绍了 TinkerPop、Spark GraphX、NetworkX、igraph、SNAP、JGraphT等工具

第7章 知识推理

知识图谱是其中的关键技术，构建于知识图谱之上的推理方法则是研究的重点，是实现机器至高无上之理性的探索与实践。本章从阐述推理的一般知识开始，系统介绍基于知识图谱的各种推理方法，为探索、研究与实践博大精深的认知智能夯实基础。

1. 什么是知识的表示与推理

2. 知识推理的四大类型：因果、演绎、归纳、概率

3. 基于规则和逻辑的推理方法

4. 欧式几何嵌入的推理方法，Trans*系列、RotatE 等

5. 非欧几何数学基础

6. 非欧几何嵌入的推理方法，MuRP、ATTH 等

7. 深度学习的推理方法，卷积神经网络 ConvE 和图神经网络 R-GCN 等

第8章 知识图谱行业应用

“他山之石，可以攻玉”，了解各行各业的典型应用有助于启迪思路、拓宽视野和激发创新，促进知识图谱的学术研究和行业应用。“纸上得来终觉浅，绝知此事要躬行”，唯有无数的企业或组织机构真真切切地进行产业实践，才能够不断促进知识图谱乃至认知智能的繁荣发展。

1. 通用知识图谱和行业知识图谱

2. 行业知识图谱的特点

3. 行业知识图谱的价值

4. 行业知识图谱的应用范式

5. 知识问答、可视化和交互式分析、认知推荐、知识中台等

6. 金融行业的应用场景

7. 医疗、生物医药和卫生健康等领域的应用场景

8. 智能制造行业的应用场景

在大模型引发的这一波轰轰烈烈的人工智能浪潮中，认知智能时代已经来临。智能化转型既是市场的需求，也是国家级的战略，而掌握知识图谱是实现认知智能的最重要和核心的一环。欢迎使用珠峰书《知识图谱：认知智能理论与实战》，为智能化征程助力！

更多知识图谱、大模型、AGI 等有关人工智能的内容，可关注本公众号，获取专业的知识！

下面是一些此前的文章：