知识图谱

《知识图谱》是一门体系完备的视频与文字讲义课程，共 11 章 26 节，每节均配套视频、精修文字讲义与可运行代码示例（Python rdflib/networkx 为主，含 SPARQL/Turtle/OWL 实例）。

课程全面涵盖：

1. 知识图谱概览：知识图谱与语义技术发展脉络、典型知识库项目（DBpedia/YAGO/Freebase/Wikidata 等）、核心技术体系与典型应用案例。
2. 知识表示与知识建模：早期知识表示（一阶谓词/Horn 逻辑/描述逻辑/产生式/框架/语义网络）、RDF/RDFS/OWL 语义网表示框架、典型知识库的知识表示、基于 Protégé 的本体建模实践。
3. 知识抽取（多源数据）：面向非结构化文本（HMM/CRF/PCNN、远程监督）、结构化数据（D2R/R2RML 映射）、半结构化数据（infobox 抽取、DBpedia 两级策略）的抽取方法与实践。
4. 面向文本的知识抽取与挖掘：OpenIE/ClausIE、DeepDive 工程实战、关联规则挖掘（ARM）、知识表示学习（TransE/TransH/TransR/PRA/多模态）。
5. 知识存储与图数据库：三元组存储索引（Hexastore/属性表/垂直划分）、Jena TDB/SDB、图数据库与 SPARQL 查询优化。
6. 知识融合：本体对齐与实体匹配两条路线、相似度度量与分块（Blocking）、负载均衡与评估、Falcon-AO/Dedupe/LIMES/Silk 工具与 LIMES 实战。
7. 知识推理：描述逻辑推理、规则推理（产生式系统/RETE/Drools）、RDFox 物化与规则推理、基于一阶查询重写的 OBDA。
8. 语义搜索：基于 IR/DB/原生存储的三类路线、Semplore/Dataplorer/CE2/Hermes、混合搜索与分面浏览。
9. 知识问答：KBQA 语义解析与信息抽取路线、模板与 SPARQL 生成、实体链接与关系学习。
10. IBM Watson 与问答 Demo：Watson Lite 与语义搜索+知识问答 Demo 实战。
11. 行业知识图谱构建与应用：佛教知识图谱等垂直领域知识图谱的构建与问答应用。

课程以 Python 现代生态（rdflib, networkx）重写核心示例，是贯通知识图谱理论到工程落地的系统课程。