第一章 知識工程發展概況  1

第一節 知識工程的發展歷史 1

第二節 數據處理與研究方法 1

第三節 知識工程研究的演進脈絡 2

一、時間分布2

二、學科滲透2

三、作者分布4

四、機構分布4

第四節 知識工程研究的主題分布 4

第五節 知識工程研究的發展趨勢 5

第六節 發展總結  6
 
第二章 知識工程之知識表示  7

第一節 知識表示概述  7

一、表示學習的基本概念7

二、表示學習的理論基礎9

三、知識表示學習的典型應用10

四、知識表示學習的主要優點11

第二節 知識表示學習的主要方法 12

一、距離模型12

二、單層神經網絡模型13

三、能量模型14

四、雙線性模型14

五、張量神經網絡模型15

六、矩陣分解模型16

七、翻譯模型16

八、其他模型19

第三節 知識表示學習的主要挑戰與已有解決方案  20

一、復雜關系建模20

二、多源信息融合30

三、關建路徑建模32

第四節 知識表示學習未來研究方向展望  33

一、面向不同知識類型的知識表示學習33

二、多源信息融合的知識表示學習34

三、考慮復雜推理模式的知識表示學習35

四、其他研究方向36
 
第三章 知識工程之數據庫  37

第一節 智庫知識庫的概述  37

第二節 智庫知識庫的建設案例  38

一、rand知識庫建設38

二、swp知識庫建設  39

三、rand和swp兩者比較 40

第三節 智庫知識庫的構建要求  40

第四節 智庫知識庫的構建流程  42

一、明確項目的知識需求42

二、信息資源的收集獲取43

三、信息資源的知識組織43

四、智庫知識庫服務提供44

第五節 智庫知識庫的聯盟化策略探討 44

第六節 企業知識庫管理系統數據庫的設計 46

一、系統設計原則46

二、數據庫建模方法48

第七節 企業知識庫系統的設計  52

一、系統的設計52

二、系統的應用62
 
第四章 知識工程之知識推理  64

第一節 基于本體的貝葉斯網絡知識推理概述  64

第二節 建立本體設計知識模型  64

第三節 貝葉斯網絡知識推理 67

第四節 實例驗證  68

第五節 總結  71
 
第五章 知識工程之專家系統  73

第一節 概述  73

第二節 專家系統的類型 73

第三節 專家系統的構造 74

第四節 專家系統的模型 81

一、基于規則的專家系統81

二、基于框架的專家系統82

三、基于模型的專家系統83

四、新型專家系統85
 
第六章 知識工程之大數據機器學習 87

第一節 大數據機器學習系統研究背景 87

第二節 大數據機器學習系統的技術特征  88

第三節 大數據機器學習系統的主要研究問題  90

第四節 大數據機器學習系統的分類  94

第五節 典型大數據學習方法和系統介紹  96

第六節 跨平臺統一大數據機器學習系統octopus的研究設計 103

第七節 大數據機器學習總結 110
 
第七章 知識工程之知識圖譜  112

第一節 知識圖譜的定義與架構  112

一、知識圖譜的定義112

二、知識圖譜的架構113

第二節 知識圖譜的構建技術 115

一、信息抽取115

二、知識融合120

三、知識加工126

四、知識更新131

第三節 跨語言知識圖譜的構建  132

一、跨語言知識抽取132

二、跨語言知識鏈接133

第四節 知識圖譜的應用 134

第五節 問題與挑戰 135

第六節 總結  137
 
第八章 知識工程未來發展方向  138

第一節 知識工程的典型應用 138

一、在工業設計中的應用138

二、在機械產品參數化設計中的應用138

三、在工藝決策方面的應用139

第二節 知識工程在教育領域的應用  139

第三節 知識工程的新興應用領域 140

一、在電子政務中的應用140

二、在電子商務中的應用140

三、在虛擬企業中的應用141

四、本體與知識共享141

第四節 知識工程技術發展方向  142
 
圖表目錄

圖表：現實世界與內隱世界的特點10

圖表：張量神經網絡模型15

圖表：transe模型  18

圖表：復雜關系示例21

圖表：transh模型  21

圖表：transr模型  23

圖表：transd模型  24

圖表：傳統模型和transa模型比較  27

圖表：傳統模型與transg模型比較 28

圖表：kg2e模型 28

圖表：dkrl（cbow）模型1  31

圖表：dkrl（cnn）模型2 31

圖表：ptranse模型32

圖表：知識庫的構建模型41

圖表：智庫知識庫的構建流程42

圖表：系統的體系構架47

圖表：目錄分類信息結構鄰接列表模型數據示例表50

圖表：知識目錄分類基本情況表50

圖表：目錄分類擴展屬性表51

圖表：企業知識庫系統構架53

圖表：企業成果數據庫表54

圖表：企業專家數據庫表56

圖表：用戶問題數據庫表57

圖表：企業經驗交流數據庫表58

圖表：包裝設計任務本體模型65

圖表：包裝設計知識本體模型66

圖表：設計人員本體模型67

圖表：紙箱的強度設計知識本體模型67

圖表：紙箱的強度設計知識的貝葉斯網絡拓撲結構69

圖表：貝葉斯網絡拓撲結構節點及變量信息69

圖表：“緩沖設計”知識節點條件概率分布（1）70

圖表：“強度設計”節點條件概率分布（2）70

圖表：設計知識節點后驗概率分布（3）  71

圖表：專家系統的概念結構75

圖表：專家系統的理想結構77

圖表：專家系統的實際結構示例78

圖表：地質圖件繪制智能輔助系統結構78

圖表：專家系統的客戶(機)/服務器結構及瀏覽器/服務器結構  79

圖表：黑板結構80

圖表：基于規則的專家系統的工作模型81

圖表：基于規則的專家系統的機構82

圖表：基于框架專家系統的結構83

圖表：神經網絡專家系統的基本結構84

圖表：大數據機器學習系統所涉及的復雜因素88

圖表：大數據機器學習系統抽象90

圖表：研究者apacheflink提出的分析維度和研究現狀91

圖表：spark系統研究者提出的分析維度和研究現狀 91

圖表：octopus（大章魚）軟件系統框架 106

圖表：基于r語言和octopus的跨平臺統一大數據機器學習系統  109

圖表：基于octopus和常規r語言的linearregresssion算法代碼比較110

圖表：知識圖譜的技術架構114