包装知识图谱（库）——大数据应用技术实例242页

资料大小：10.5 MB
资料语言：中文
下载扣点：70点
下载要求：计点资料
编辑日期：2018
资料数量：242页: 资料格式：PDF [下载阅读器]; 更新时间：2021-12-22 09:47:16; 推荐星级：; 所属类别：行业分类|造纸印刷包装; 所属分类：行业分类 | 造纸印刷包装

包装知识图谱（库）——大数据应用技术实例简介

内容全面系统地介绍了包装大数据知识图谱构建中平台框架、分类体系、模式构建、信息抽取、知识推理等关键技术。全书共分 9 章,第 1 章简单介绍了知识图谱的研究现状及其面临的研究问题;第 2 章详细说明了包装大数据知识图谱平台架构;第 3 章详细说明了包装大数据的分类依据及体系;第 4 章详细说明了包装大数据知识图谱模式构建过程及特点;第 5 章详细说明了包装大数据来源及多源数据获取方法;第 6 章详细说明了结构化、半结构化和非结构化数据的抽取方法及实施过程;第 7 章详细介绍了包装大数据知识图谱中实体命名、关系抽取、事件抽取以及模板元素抽取;第 8 章简单介绍了包装大数据知识库实体对齐的语义自动标注模型;第 9 章介绍了常见的知识推理方法及包装大数据知识图谱中知识推理及智能查询的实现机制。

目录
第 1 章绪论 1
1.1 研究背景和现实需求 1
1.1.1 研究背景 1
1.1.2 研究意义 2
1.2 国内外相关研究述评 4
1.2.1 知识图谱主要构建技术 5
1.2.2 典型知识图谱系统 10
1.2.3 知识图谱的主要应用案例 13
1.3 研究思路及结构安排 15
1.3.1 研究思路 15
1.3.2 结构安排 15
第 2 章包装大数据知识图谱平台架构 17
2.1 知识图谱构建基础 17
2.1.1 语义 Web 17
2.1.2 知识图谱的架构 19
2.2 多源数据存储和融合 21
2.2.1 数据来源 21
2.2.2 数据存储 22
2.2.3 知识融合 26
2.3 包装大数据知识图谱平台 27
2.3.1 中国包装产业大数据知识图谱构建及应用 27
2.3.2 知识图谱构建及应用组件的开发 30
2.3.3 知识图谱构建及应用组件实施方案 32
本章小结 45
第 3 章包装大数据分类体系 46
3.1 大数据概述 46
3.1.1 大数据定义 46
3.1.2 用 3V(4V)描述大数据特征 47
3.1.3 大数据的结构类型 50
3.2 中国包装大数据意义及数据采集原则 51
3.2.1 中国包装大数据及其意义 51
3.2.2 中国包装大数据的数据采集原则 51
3.2.3 中国包装产业大数据分类的方法及标准 52
3.3 中国包装大数据分类体系 53
3.3.1 包装人 53
3.3.2 包装物 56
3.3.3 包装事件 68
本章小结 69
第 4 章包装大数据知识图谱模式构建 70
4.1 大数据知识图谱概述 70
4.1.1 知识图谱背景 70
4.1.2 知识图谱模式构建现状 71
4.2 知识图谱构建过程 76
4.2.1 知识图谱的本体学习 76
4.2.2 实体层的学习 78
4.3 包装大数据行业知识图谱构建 80
4.3.1 行业知识图谱构建 80
4.3.2 从结构化数据中学习知识 81
4.3.3 行业知识库和行业网站的自动发现与抽取 83
4.3.4 行业数据源解析 85
4.3.5 从开放链接数据和在线百科中学习知识 87
4.3.6 从文本中学习知识 88
4.4 知识图谱编辑与学习平台 88
4.4.1 现有的知识编辑工具 88
4.4.2 包装大数据知识图谱构建平台 90
本章小结 92
第 5 章包装大数据来源及获取方法 93
5.1 数据来源 93
5.1.1 数据定义 93
5.1.2 独立数据 94
5.1.3 互联网数据 95
5.2 数据获取 98
5.2.1 人工采集 98
5.2.2 系统日志采集 98
5.2.3 网络数据采集 106
5.2.4 其他数据采集 107
5.3 图数据库 108
5.3.1 开源图数据库 108
5.3.2 商业图数据库 109
5.3.3 原生图数据库 109
5.3.4 开源数据库 Jena 110
5.4 包装大数据数据采集 111
5.4.1 数据采集系统要求 111
5.4.2 数据源 112
5.4.3 实现 116
本章小结 119
第 6 章结构化、半结构化和非结构化包装大数据的抽取 120
6.1 数据抽取概述 120
6.2 多类型数据抽取 125
6.2.1 结构化数据抽取 125
6.2.2 半结构化数据抽取 126
6.2.3 非结构化数据抽取 126
6.2.4 数据清洗 127
6.3 ETL 概述 128
6.3.1 ETL 介绍 128
6.3.2 体系结构 128
6.3.3 功能 129
6.3.4 工具 130
6.4 包装大数据数据采集 132
6.4.1 实施方案 132
6.4.2 功能实现 133
本章小结 137
第 7 章包装大数据的实体及其属性抽取 138
7.1 实体识别 138
7.1.1 概念 138
7.1.2 实体识别的索引技术 139
7.1.3 元组对的匹配技术 142
7.1.4 实体识别分类技术 145
7.2 关系抽取 148
7.2.1 概述 148
7.2.2 有监督的实体关系抽取 149
7.2.3 无监督的实体关系抽取 151
7.2.4 半监督的实体关系抽取 152
7.2.5 开放式实体关系抽取 153
7.3 事件抽取 154
7.3.1 概述 154
7.3.2 基于模板匹配的事件抽取研究现状分析 155
7.3.3 基于机器学习的事件检测与分类研究现状分析 156
7.3.4 基于机器学习的事件论元角色抽取研究现状分析 157
7.4 指代消解 158
7.4.1 概述 158
7.4.2 算法研究 161
7.4.3 研究热点及趋势 163
7.5 模板元素抽取 165
7.5.1 模板的定义 165
7.5.2 模板生成 166
7.5.3 模板填充 168
7.6 包装大数据实体抽取 169
7.6.1 实施方案 169
7.6.2 功能实现 170
本章小结 172
第 8 章包装大数据知识库实体对齐与冲突检测 173
8.1 实体对齐算法 173
8.1.1 概念和实体学习 173
8.1.2 实体对齐相关概念 175
8.1.3 成对实体对齐方法 178
8.1.4 局部集体对齐方法 180
8.1.5 全局集体对齐方法 181
8.1.6 常用测试数据集 183
8.1.7 机遇与挑战 184
8.2 相似性度量 186
8.2.1 基于文本相似性函数的特征匹配 186
8.2.2 基于结构相似性函数的特征匹配 189
8.3 分区索引技术 191
8.3.1 基本的分区索引 191
8.3.2 基于滑动窗口的分区索引 191
8.3.3 基于相似性的分区索引 192
8.3.4 基于聚类的分区索引 193
8.3.5 动态分区索引 193
8.4 学习冲突 194
8.4.1 学习可能性分析 194
8.4.2 冲突检测 194
8.4.3 冲突解决方法 195
8.5 包装大数据知识库实体对齐 195
8.5.1 引言 195
8.5.2 相关研究 196
8.5.3 语义自动标注模型 197
8.5.4 实验与评估 200
本章小结 202
第 9 章包装大数据知识推理系统及规则定义 203
9.1 基于符号逻辑的推理 204
9.2 基于图的推理 207
9.3 基于统计的推理 209
9.4 包装大数据知识推理系统 210
9.4.1 构建包装本体 210
9.4.2 基于规则的包装知识推理 214
9.4.3 建立包装推理规则库 216
9.4.4 本体推理算法及隐含知识发现 217
9.5 基于知识图谱的包装信息搜索 218
9.5.1 基于模板匹配的结构化查询 218
9.5.2 包装大数据知识图谱应用实例 221
本章小结 224

全部

资料标签：包装知识图谱知识库大数据大数据实例