这是一本综合介绍知识图谱构建与行业实践的著作，是作者多年从事知识图谱与认知智能应用落地经验的总结，得到了多位知识图谱资深专家的推荐。
本书以通俗易懂的方式来讲解知识图谱相关的知识，尤其对从零开始构建知识图谱过程中需要经历的步骤，以及每个步骤需要考虑的问题都给予较为详细的解释。
本书基于实际业务进行抽象，结合知识图谱的7个构建步骤，深入分析知识图谱技术应用以及8个行业综合案例的设计与实现。
全书分为基础篇、构建篇、实践篇，共16章内容。
基础篇（第1章），介绍知识图谱的定义、分类、发展阶段，以及构建方式、逻辑/技术架构、现状与应用场景等。
构建篇（第2～8章），详细介绍知识抽取、知识表示、知识融合、知识存储、知识建模、知识推理、知识评估与运维等知识图谱构建的核心步骤，并结合实例讲解应用方法。
实践篇（第9～16章），详细讲解知识图谱的综合应用，涵盖知识问答评测、知识图谱平台、智能搜索、图书推荐系统、开放领域知识问答、交通领域知识问答、汽车领域知识问答、金融领域推理决策。

科大讯飞专家撰写，国内多位专家联袂推荐，一书掌握知识图谱构建方法与主流应用
详解知识图谱构建的7个核心步骤，剖析CCKS近年问答评测任务方案，拆解8个行业综合案例的设计与实现

计算机\人工智能

临渊羡鱼，不如退而结网。知识图谱就是一张网，一张基于现实世界的概念、实体、关系、属性构建起来的结构化知识网络。知识图谱作为人工智能的底层支撑和核心技术，能够帮助人工智能对现实世界中复杂、相互联结的数据进行理解和处理，使得机器具备理解、分析和决策的能力成为可能，更加接近人类认知世界的水平，成功应用于智能搜索、推荐系统、知识问答、推理决策等领域。
目前，以实体为核心的知识库已在学术界和工业界有了较多的积累与应用，于俊博士基于科大讯飞多年以来的实战经验撰写了《知识图谱实战：构建方法与行业应用》一书，带你系统学习知识图谱研究现状、工业界应用等内容，是一本不可多得的学术和应用价值并存的图书。
—— 王士进　认知智能国家重点实验室副主任、讯飞研究院副院长
基于科大讯飞多年以来在各个行业的智能化落地实战经验，本书深入浅出地介绍了知识图谱的基本概念、构建方法以及在典型行业中的应用实战。对从事知识图谱研究和落地的人员有着较高的参考价值。
—— 李直旭　复旦大学研究员、博士生导师
本书既有周详的知识论述，又有接地气的案例解说，称得上知识图谱领域的百科全书。同时，书中引用中国古典哲学语句帮助读者理解脱胎于本体论的知识图谱，可谓相得益彰，从中可以看出作者的巧思，值得推荐。
—— 徐童　中国科学技术大学教授

于俊 李雅洁 彭加琪 程知远 著：于俊，中国科学技术大学电子信息专业博士研究生，科大讯飞大数据及人工智能技术专家，安徽大学计算机技术专业硕士生导师，CCF高级会员。有超过15年的大数据及人工智能算法工程化经验，专注大数据分析及数据价值挖掘、大数据及人工智能技术应用落地。著有《Spark核心技术与高级应用》《Spark机器学习进阶实战》等书。
李雅洁，华中科技大学应用统计硕士，在知识图谱、自然语言处理、大数据分析与挖掘、机器学习等领域有丰富的研究和开发经验。精通Python、R语言以及Spark等大数据框架，擅长自然语言处理及知识图谱构建。
彭加琪，中国科学技术大学计算机科学硕士，科大讯飞核心研发平台主管，负责AI数据平台和知识中台建设，精通Java、Python等编程语言，擅长分布式系统建设以及企业级知识图谱构建与应用。
程知远，悉尼大学数据科学硕士，科大讯飞大数据工程师，负责智慧教学产品及学生行为分析的算法研究及引擎实现。精通Java、Python等编程语言，擅长分布式系统建设以及企业级知识图谱构建与应用。

知识图谱技术与应用

第一篇 基础篇

第1章 知识图谱概述
1.1 知识图谱定义
1.2 知识图谱优势
1.3 知识图谱现状
1.4 知识图谱在学术界的研究热点
1.5 知识图谱在工业界的应用
1.6 本章小结

第2章 核心技术简述
2.1 数据爬取技术
2.2 数据清洗技术
2.3 知识挖掘技术
2.4 知识推理技术
2.5 知识存储技术
2.6 图论技术
2.7 本章小结

第二篇 构建篇

第3章 知识图谱表示
3.1 知识库
3.2 属性图
3.3 知识表示
3.3.1.RDF
3.3.2.图数据库
3.4 文本联结
3.5 知识推理
3.6 浅层/深层分析
3.7 基于动态网络的分析
3.8 本章小结

第4章 知识图谱抽取
4.1 数据获取
4.2 数据抽取/挖掘/融合
4.2.1 结构化数据
4.2.2 非结构化数据
4.3 自然语言技术
4.3.1 实体命名识别
4.3.2 关系抽取
4.3.3 实体统一
4.3.4 指代消解
4.4 本章总结

第5章 知识图谱存储
5.1 图谱存储方式
5.1.1基于RDF的存储
5.1.2 基于图数据库的存储
5.2 图数据库选择
5.2.1 Neo4j
5.2.2 OrientDB
5.2.3 JanusGraph
5.3知识查询与更新
5.4 本章小结

第6章 知识图谱可视化
6.1 可视化技术
6.1.1 知识可视化要素
6.1.2 知识可视化方法
6.2 可视化工具选择
6.2.1 echars
6.2.3 circos
6.3 本章小结

第7章 知识图谱构建
7.1 基于传统方法的构建
7.2 基于规则的构建
7.2.1.不一致性验证
7.2.2.基于规则提取特征
7.2.3.基于模式的判断
7.3 基于概率方法的构建
7.3.1 社区挖掘
7.3.2 标签传播
7.3.3 聚类
7.4 基于深度学习的构建
7.5 本章小结

第8章 知识图谱应用
8.1 应用思路
8.1.1 业务理解
8.1.2 图谱设计
8.1.3 算法选择
8.1.4 应用开发
8.2 数据闭环
8.3 效果验证
8.4 应用场景
8.4.1推荐应用
8.4.2 预测应用
8.5 本章小结

第三篇 案例篇

第9章 金融反欺诈中的知识图谱应用
9.1 业务问题定义
9.2 数据收集及预处理
9.3 知识图谱设计
9.4 知识图谱存储
9.5 知识图谱算法
9.6 知识图谱应用实践
9.7 本章小结

第10章 自适应教育中的知识图谱应用
10.1业务问题定义
10.2 数据收集及预处理
10.3 知识图谱设计
10.4 知识图谱存储
10.5 知识图谱应用实践
10.6 本章小结

第11章 个性化推荐中的知识图谱应用
11.1业务问题定义
11.2 数据收集及预处理
11.3 知识图谱设计
11.4 知识图谱存储
11.5 知识图谱应用实践
11.6 本章小结

第12章 聊天机器人中的知识图谱应用
12.1业务问题定义
12.2 数据收集及预处理
12.3 知识图谱设计
12.4 知识图谱存储
12.5 知识图谱应用实践
12.6 本章小结