当前位置：文档之家 › 人工智能导论-第2章知识表示和知识图谱

人工智能导论-第2章知识表示和知识图谱

  • 格式：docx
  • 大小：50.48 KB
  • 文档页数：6

下载文档原格式

  / 6

合集下载

人工智能第二章知识表示方法

人工智能第二章知识表示方法

框架的构建与实现
80%
确定框架的结构
根据实际需求和领域知识，确定 框架的槽和属性，以及它们之间 的关系。
100%
填充框架的实例
根据实际数据和信息，为框架的 各个槽和属性填充具体的实例值 。
80%
实现框架的推理
通过逻辑推理和规则匹配，实现 基于框架的知识推理和应用。
框架表示法的应用场景
自然语言处理
模块化
面向对象的知识表示方法可以将 知识划分为独立的模块，方便管 理和维护。
面向对象表示法的优缺点
• 可扩展性：面向对象的知识表示方法可以通过继承和多态实现知识的扩展和复用。
面向对象表示法的优缺点
复杂性
面向对象的知识表示方法需要建立复 杂的类和对象关系，可能导致知识表 示的复杂性增加。
冗余性
面向对象的知识表示方法可能导致知 识表示的冗余，尤其是在处理不相关 或弱相关的事实时。
人工智能第二章知识表示方法
目
CONTENCT
录
• 知识表示方法概述 • 逻辑表示法 • 语义网络表示法 • 框架表示法 • 面向对象的知识表示法
01
知识表示方法概述
知识表示的定义
知识表示是人工智能领域中用于描述和表示知识的符号系统。它 是一种将知识编码成计算机可理解的形式，以便进行推理、学习 、解释和利用的过程。
知识表示方法通常包括概念、关系、规则、框架等元素，用于描 述现实世界中的实体、事件和状态。
知识表示的重要性
知识表示是人工智能的核心问题之一，它决定了知 识的可理解性、可利用性和可扩展性。
良好的知识表示方法能够提高知识的精度、可靠性 和一致性，有助于提高人工智能系统的智能水平和 应用效果。
知识表示方法的发展对于推动人工智能技术的进步 和应用领域的拓展具有重要意义。

人工智能 第2章 知识表示

人工智能 第2章 知识表示

2.1.1 知识的概念
按知识的作用范围划分
➢ 常识性知识 ➢ 领域性知识
按知识的确定性划分
➢ 确定知识 ➢ 不确定知识
按知识的作用及表示来划分
➢ 事实性知识 ➢ 规则性知识 ➢ 控制性知识 ➢ 元知识
按人类的思维及认识方法划分
➢ 逻辑性知识 ➢ 形象性知识
2.1.2 知识表示的概念
知识表示就是研究用机器表述上述知识的可行性、有效性的一 般方法，可以看成将知识符号化，即编码成某种数据结构，并输 入到计算机的过程和方法，即：
规则库: 用于描述相应领域内知识的产生式集合。
2. 综合数据库
综合数据库(事实库、上下文、黑板等)：用于存放输 入的事实、从外部数据库输入的事实以及中间结果（事 实）和最后结果的工作区。
2.3.2 产生式系统的基本结构
3. 推理机
推理机:用来控制和协调规则库与综合数据库的 运行，包含了推理方式和控制策略。
一阶谓词逻辑表示法的缺点：
效率低
由于推理是根据形式逻辑进行的，把推理演算和知识含义截然分开， 抛弃了表达内容所含的语义信息，往往是推理过程太冗长，降低系统 效率。另外，谓词表示越细，表示越清楚，推理越慢、效率越低。
灵活性差
不便于表达和加入启发性知识和元知识。不便于表达不确定性的指示， 但人类的知识大都具有不确定性和模糊性，这使得它表示知识的范围 受到了限制。
R10：IF 该动物是哺乳动物 AND 是食肉动物 AND 是黄褐色 AND 身上有黑色条纹 THEN 该动物是虎
R11： IF 该动物是有蹄类动物 AND 有长脖子 AND 有长腿 AND 身上有暗斑点 THEN 该动物是长颈鹿
R12：IF 该动物有蹄类动物 AND 身上有黑色条纹 THEN 该动物是斑马

人工智能导论-第2章 逻辑推理3 - 知识图谱

人工智能导论-第2章 逻辑推理3 - 知识图谱
目标谓词：ℎ ,
目标谓词只有一个正例ℎ(David, Mike)。
反例在知识图谱中一般不会显式给出，但可从知
识图谱中构造出来。如从知识图谱中已经知道
(David, James)成立，则ℎ(David,
James)可作为目标谓词的一个反例，记为

ෞ− = 0
NA
(, )

ෞ+ = 1

ෞ− = 2
0.74
e(, )

ෞ+ = 0

ෞ− = 1
NA
(, )
ෞ+ =

ෞ− =

1.32
e(, )

ෞ+ = 0

ෞ− =0
NA
e(, )

ෞ+ = 0

ෞ− = 0

ෞ+ = 1

ෞ− = 3
0.32
(, )

ෞ+ = 0

ෞ− = 1
NA
(, )

ෞ+ = 0

ෞ− = 1
NA
(, )

ෞ+ = 0

ෞ− = 0
NA
(, )

ෞ+ = 0

ෞ− = 0
NA
(, )

ෞ+ = 1

ෞ− = 3
0.32
(, )

ෞ+ = 0

ෞ− = 1
NA
(, )

ෞ+ = 0

ෞ− = 1
NA
(, )

ෞ+ = 0

知识图谱与知识表示

知识图谱与知识表示

知识图谱与知识表示随着人类社会的不断发展，我们的知识面也在不断拓宽。

越来越多的信息需要人们去学习、研究、整理和理解。

然而，知识的范围之广，形式之多，使得我们不得不依靠计算机技术来帮助我们去管理和利用这些知识。

知识图谱和知识表示就是其中两种比较重要的技术手段。

本篇文章就会对这两种技术进行更加详细的介绍和探讨。

一、什么是知识图谱？知识图谱（Knowledge Graph）是一种将数据以图形方式表示的技术，可以将实体、关系和属性组织成一种结构化的知识表达形式。

简单来说，知识图谱是一种类似于我们脑海中的抽象概念的东西，它并不是现实中的一件具体事物，而是对现实世界的一种抽象和概括。

知识图谱的核心是实体、关系和属性三个元素。

1. 实体在知识图谱中，实体是指现实中可命名或可分类的事物，例如人名、机构名、地名、事件名等。

实体也可以是抽象的，例如学术领域的术语、孔子思想中的“仁”等等。

知识图谱中都可以以实体的形式进行表示。

2. 关系知识图谱中，关系就是连接实体的桥梁，表达实体之间的联系。

例如，“爸爸”和“儿子”之间存在一个“亲属关系”；“北京”和“上海”之间存在一个“相邻关系”。

在知识图谱中，对于每个关系，都有一定的约束条件，例如“父亲-儿子”关系是一种对称关系，而“父亲-女儿”关系则是一种非对称关系。

3. 属性实体可以拥有若干个属性，用于表达它们的特征、状态、属性等。

属性可以是数值型的、字符型的、布尔型的、时间型的等等。

例如，一个人实体可以拥有“姓名”属性和“出生日期”属性等。

通过实体、关系和属性这三个元素，知识图谱可以更加清晰的表达现实世界中的知识，让计算机可以从中理解现实世界中的各种事物之间的关系和联系。

二、什么是知识表示？知识表示（Knowledge Representation）是另外一种由计算机技术服务于人类知识管理的重要手段。

它的目标是将自然语言表述的知识转化为计算机可处理的表达方式，即形式语言。

这样，计算机可以更加方便的进行知识的表示、推理、推断等操作。

人工智能之知识图谱

人工智能之知识图谱

人工智能之知识图谱Research Report of Knowledge Graph目录图表目录 (4)摘要 (6)1.概念篇 (7)1.1.知识图谱概念和分类 (7)1.1.1.知识图谱的概念 (7)1.1.2.知识图谱的分类 (3)1.2.知识工程发展历程 (3)1.3.知识图谱的知识图谱 (6)2.技术人才篇 (10)2.1.知识表示与建模 (11)2.1.1.知识表示模型 (11)2.1.2.知识表示学习 (12)2.1.3.知识表示与建模人才介绍 (12)2.2.知识获取 (19)2.2.1.实体识别与链接 (19)2.2.2.实体关系学习 (20)2.2.3.事件知识学习 (21)2.2.4.知识获取人才介绍 (22)2.3.知识融合 (29)2.3.1.本体匹配 (30)2.3.2.实例匹配 (30)2.3.3.知识融合人才介绍 (30)2.4.知识图谱查询和推理计算 (36)2.4.1.知识推理 (36)2.4.2.知识存储和查询 (37)2.4.3.知识查询与推理人才介绍 (38)2.5.知识应用 (44)2.5.1.典型应用 (44)2.5.2.通用和领域知识图谱 (45)2.5.3.知识应用人才介绍 (46)2.6.高引学者及论文介绍 (51)2.6.1.高引学者介绍 (51)2.6.2.高引论文介绍 (56)2.7.会议奖项介绍 (57)3.应用篇 (67)3.1.通用知识图谱应用 (67)3.2.3.企业商业 (70)3.2.4.创业投资 (71)3.2.5.生物医疗 (72)4.趋势篇 (73)参考文献 (76)附录 (78)图表目录图 1 知识工程发展历程 (3)图 2 Knowledge Graph 知识图谱 (9)图 3 知识图谱细分领域学者选取流程图 (10)图 4 基于离散符号的知识表示与基于连续向量的知识表示 (11)图 5 知识表示与建模领域全球知名学者分布图 (13)图 6 知识表示与建模领域全球知名学者国家分布统计 (13)图7 知识表示与建模领域中国知名学者分布图 (14)图8 知识表示与建模领域各国知名学者迁徙图 (14)图9 知识表示与建模领域全球知名学者h-index 分布图 (15)图10 知识获取领域全球知名学者分布图 (23)图11 知识获取领域全球知名学者分布统计 (23)图12 知识获取领域中国知名学者分布图 (23)图13 知识获取领域各国知名学者迁徙图 (24)图14 知识获取领域全球知名学者h-index 分布图 (24)图15 语义集成的常见流程 (29)图16 知识融合领域全球知名学者分布图 (31)图17 知识融合领域全球知名学者分布统计 (31)图18 知识融合领域中国知名学者分布图 (31)图19 知识融合领域各国知名学者迁徙图 (32)图20 知识融合领域全球知名学者h-index 分布图 (32)图21 知识查询与推理领域全球知名学者分布图 (39)图22 知识查询与推理领域全球知名学者分布统计 (39)图23 知识查询与推理领域中国知名学者分布图 (39)图24 知识表示与推理领域各国知名学者迁徙图 (40)图25 知识查询与推理领域全球知名学者h-index 分布图 (40)图26 知识应用领域全球知名学者分布图 (46)图27 知识应用领域全球知名学者分布统计 (46)图28 知识应用领域中国知名学者分布图 (47)图29 知识应用领域各国知名学者迁徙图 (47)图30 知识应用领域全球知名学者h-index 分布图 (48)图31 行业知识图谱应用 (68)图32 电商图谱Schema (69)图33 大英博物院语义搜索 (70)图34 异常关联挖掘 (70)图35 最终控制人分析 (71)图36 企业社交图谱 (71)图37 智能问答 (72)图38 生物医疗 (72)图39 知识图谱领域近期热度 (75)图40 知识图谱领域全局热度 (75)表1 知识图谱领域顶级学术会议列表 (10)表2 知识图谱引用量前十论文 (56)表3 常识知识库型指示图 (67)摘要知识图谱（Knowledge Graph）是人工智能重要分支知识工程在大数据环境中的成功应用，知识图谱与大数据和深度学习一起，成为推动互联网和人工智能发展的核心驱动力之一。

人工智能导论: 第1次阶段作业

人工智能导论: 第1次阶段作业
11.
1.正确
2.错误
知识点:
第2章知识表示与知识图谱
学生答案:
[A;]
标准答案:
A
得分:
[10]
试题分值:
10.0
提示:
12.
一阶谓词逻辑表示法可以表示不确定的知识。
13.
1.正确
2.错误
知识点:
第2章知识表示与知识图谱
学生答案:
[B;]
标准答案:
B
得分:
[10]
试题分值:
1Байду номын сангаас.0
提示:
14.
一个命题不能同时既为真又为假，但可以在一种条件下为真，在另一种条件为假。
学生答案:
[A;]
标准答案:
A
得分:
[10]
试题分值:
10.0
提示:
7.
框架的槽值或侧面值不能是另一个框架的名字。
8.
9.
1.正确
2.错误
知识点:
第2章知识表示与知识图谱
学生答案:
[B;]
标准答案:
B
得分:
[10]
试题分值:
10.0
提示:
10.
产生式系统求解问题的过程是一个反复进行“匹配—冲突消解--执行”的过程。
一、判断题（共8道小题，共80.0分）
1.
产生式是蕴含式。
2.
3.
1.正确
2.错误
知识点:
第2章知识表示与知识图谱
学生答案:
[B;]
标准答案:
B
得分:
[10]
试题分值:
10.0
提示:
4.
产生式有固定的格式，每一条产生式规则都由前提与结论（操作）两部分组成。

人工智能导论课参考答案第2章

人工智能导论课参考答案第2章第2章知识表示方法部分参考答案2.8 设有如下语句，请用相应的谓词公式分别把他们表示出来：(1) 有的人喜欢梅花，有的人喜欢菊花，有的人既喜欢梅花又喜欢菊花。

解：定义谓词P(x)：x是人L(x,y)：x喜欢y其中，y的个体域是{梅花，菊花}。

将知识用谓词表示为：( x )(P(x)→L(x, 梅花)∨L(x, 菊花)∨L(x, 梅花)∧L(x, 菊花))(2) 有人每天下午都去打篮球。

解：定义谓词P(x)：x是人B(x)：x打篮球A(y)：y是下午111 P(x)：x 是人L(x, y)：x 喜欢y将知识用谓词表示为：(x) (P(x)∧L(x,pragramming)→L(x, computer))2.9 用谓词表示法求解机器人摞积木问题。

设机器人有一只机械手，要处理的世界有一张桌子，桌上可堆放若干相同的方积木块。

机械手有4个操作积木的典型动作：从桌上拣起一块积木；将手中的积木放到桌之上；在积木上再摞上一块积木；从积木上面拣起一块积木。

积木世界的布局如下图所示。

图 机器人摞积木问题 C AB A B C解：(1) 先定义描述状态的谓词CLEAR(x)：积木x上面是空的。

ON(x, y)：积木x在积木y的上面。

ONTABLE(x)：积木x在桌子上。

HOLDING(x)：机械手抓住x。

HANDEMPTY：机械手是空的。

其中，x和y的个体域都是{A, B, C}。

问题的初始状态是：ONTABLE(A)ONTABLE(B)ON(C, A)CLEAR(B)CLEAR(C)HANDEMPTY问题的目标状态是：ONTABLE(C)ON(B, C)ON(A, B)CLEAR(A)2HANDEMPTY(2) 再定义描述操作的谓词在本问题中，机械手的操作需要定义以下4个谓词：Pickup(x)：从桌面上拣起一块积木x。

Putdown(x)：将手中的积木放到桌面上。

Stack(x, y)：在积木x上面再摞上一块积木y。

人工智能概论课件 第2章 知识表示(导论)

▪ 谓词名 P：刻画个体的性质、状态或个体间的关系。
（1）个体是常量：一个或者一组指定的个体。
▪ “老张是一个教师”：一元谓词 Teacher (Zhang) ▪ “5>3” ：二元谓词 Greater (5, 3) ▪ “Smith作为一个工程师为IBM工作”：
三元谓词 Works (Smith, IBM, engineer)
命题逻辑表示法：无法把它所描述的事物的结构及逻辑特 征反映出来，也不能把不同事物间的共同特征表述出来。
P：老李是小李的父亲
P：李白是诗人 Q：杜甫也是诗人
13
2.2.2 谓词
谓词的一般形式： P (x1, x2,…, xn)
▪ 个体 x1, x2,…, xn ：某个独立存在的事物或者某个抽象 的概念；
（3）∧： “合取”（conjunction）——与。
“我喜欢音乐和绘画”： Like (I, music) ∧ Like (I, painting)
16
2.2.3 谓词公式
1. 连接词（连词） （4）→：“蕴含”(implication)或 “条
件”(“如co果nd刘iti华on跑)。得最快，那么他取得冠军。” ：
▪ ( x)( y) F(x, y) 表示对于个体域中的任何两个个体x
和y，x与y都是朋友。
20
2.2.3 谓词公式
全称量词和存在量词出现的次序将影响命题的意思。 例如：
▪ ( x)( y)(Employee(x) → Manager(y, x)) :
“每个雇员都有一个经理。”
▪ ( y)( x)(Employee(x) → Manager(y, x)):
30
第2章 知识表示
2.1 知识与知识表示的概念 2.2 一阶谓词逻辑表示法

知识图谱文献综述（第二章知识表示学习）

知识图谱⽂献综述（第⼆章知识表⽰学习）第⼆章知识表⽰学习1. 任务定义、⽬标和研究意义 知识表⽰是知识获取与应⽤的基础，因此知识表⽰学习问题，是贯穿知识库的构建与应⽤全过程的关键问题。

⼈们通常以⽹络的形式组织知识库中的知识，⽹络中每个节点代表实体（⼈名、地名、机构名、概念等），⽽每条连边则代表实体间的关系。

然⽽，基于⽹络形式的知识表⽰⾯临诸多挑战性难题，主要包括如下两个⽅⾯： （1）计算效率问题。

基于⽹络的知识表⽰形式中，每个实体均⽤不同的节点表⽰。

当利⽤知识库计算实体间的语义或推理关系时，往往需要⼈们设计专门的图算法来实现，存在可移植性差的问题。

更重要的，基于图的算法计算复杂度⾼，可扩展性差，当知识库规模达到⼀定规模时，就很难较好地满⾜实时计算的需求。

（2）数据稀疏问题。

与其他类型的⼤规模数据类似，⼤规模知识库也遵守长尾分布，在长尾部分的实体和关系上，⾯临严重的数据稀疏问题。

例如，对于长尾部分的罕见实体，由于只有极少的知识或路径涉及它们，对这些实体的语义或推理关系的计算往往准确率极低。

近年来，以深度学习[Bengio, et al., 2009]为代表的表⽰学习[Bengio, et al., 2013]技术异军突起，在语⾳识别、图像分析和⾃然语⾔处理领域获得⼴泛关注。

表⽰学习旨在将研究对象的语义信息表⽰为稠密低维实值向量。

在该低维向量空间中，两个对象距离越近，则说明其语义相似度越⾼。

知识表⽰学习，则是⾯向知识库中的实体和关系进⾏表⽰学习。

知识表⽰学习实现了对实体和关系的分布式表⽰，它具有以下主要优点：（1）显著提升计算效率。

知识库的三元组表⽰实际就是基于独热表⽰的。

如前所分析的，在这种表⽰⽅式下，需要设计专门的图算法计算实体间的语义和推理关系，计算复杂度⾼，可扩展性差。

⽽表⽰学习得到的分布式表⽰，则能够⾼效地实现语义相似度计算等操作，显著提升计算效率。

（2）有效缓解数据稀疏。

由于表⽰学习将对象投影到统⼀的低维空间中，使每个对象均对应⼀个稠密向量，从⽽有效缓解数据稀疏问题，这主要体现在两个⽅⾯。

《人工智能应用概论》课件第2章-知识表示

5.信息到知识和图形数据库阶段 Quillian于1968年提出了语义网络（Semantic Network）的概念，在研究人类联想记忆时提出， 认为记忆是由概念之间的联系来实现的。Simmon于1970年正式提出语义网络，并论证了语义网 络与一阶谓词逻辑的关系，认为语义网络是一种以网格格式表达人类知识构造的形式，使用相 互连接的点和边来表示知识，节点表示对象、概念，边表示节点之间的关系
2 2.1.2知识的特征
特征
相对正确性—知识是人类对客观世界认识的结晶， 并且受到长期实践的检验。因此，在一定的条件 及环境下，知识是正确的。（看图识字）
不确定性—由于现实世界的复杂性，信息可能是精确
的，也可能是不精确的、模糊的；关联可能是确定的， 也可能是不确定的。（打雷一定下雨吗？）
2 2.1.2 知识的特征
2 2.2.1知识表示具体实现
系统规则库： R1: IF 有毛发 THEN 哺乳动物 R2: IF 分泌乳汁 THEN 哺乳动物 R3: IF 有羽毛 THEN 鸟类 R4: IF 会飞 AND 会下蛋 THEN 鸟类 R5: IF 吃肉 THEN 食肉动物 R6: IF 有犬齿 AND 有爪 AND 眼盯前方 THEN 食肉动物 R7: IF 哺乳动物 AND 有蹄 THEN 有蹄类动物 R8: IF 哺乳动物 AND 反刍动物 THEN 有蹄类动物 R9: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色斑点 THEN 金钱豹 R10: IF 哺乳动物 AND 食肉动物 AND 黄褐色 AND 身上黑色条纹 THEN 老虎 R11: IF 有蹄类动物 AND 长脖子 AND 长腿 AND 身上黑色斑点 THEN 长颈鹿 R12: IF 有蹄类动物 AND 身上黑色条纹 THEN 斑马 R13: IF 鸟类 AND 长脖子 AND 长腿 AND 不会飞 AND 黑白二色 THEN 鸵鸟 R14: IF 鸟类 AND 会游泳 AND 不会飞 AND 黑白二色 THEN 企鹅 R15: IF 鸟类 AND 会飞 THEN 信天翁
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
产生式表示法：
产生式表示法又称为产生式规则（Production Rule）表示法。美国数学家波斯特（E.POST）在1934年首先提出“产生式”，它根据串代替规则提出了一种称为波斯特机的计算模型，模型中的每条规则称为产生式。
框架表示法：
以一个通用的数据结构的形式存储以往的经验。这样的数据结构就是框架（frame），框架提供了一个结构，一种组织。
(三)任务实施
1、对于犯罪行为的新闻报道中都会提到犯罪意图、犯罪结果、证人指控等信息，这些信息可以用一个犯罪框架来表示。
2、试着构造一个描述学校图书馆的框架。
3、用产生式表示：如果一个人出现腹痛、腹泻及呕吐的症状，那么得肠胃炎的可能性有8成。
4、知识图谱在搜索引擎中的应用
（四）归纳总结
通过案例阅读，了解知识图谱的相关概念，知道知识图谱的简单应用。
信息技术飞速发展，不断推动着互联网技术的变革，互联网的核心性技术Web经历了网页链接到数据链接的变革后，正逐渐向大规模的语义网络演变。语义网络将知识采用网络的形式表示，它将经过加工和推理的知识以图形的方式提供给用户，而实现智能化语义检索的基础和桥梁就是知识图谱。
二、教学目标
知识目标
能力目标
1、了解知识、知识表示、知识图谱的概念
(三)任务实施
试着为自己绘制一个社交网络的知识图谱。
（四）归纳总结
通过本节课的学习，了解知识图谱的表示方法。
五、六节归纳
知识图谱的应用：
（1）智能问答
（2）智能推荐
（3）金融领域
知识图谱的总结与展望：
虽然现在知识图谱很多，但大部分还处于初级阶段，只是侧重于简单事实，对于常识的覆盖十分有限，依然面临众多挑战和难题，如：知识库的自动扩展、异构知识处理、推理规则学习、跨语言检索等。总体而言，知识图谱技术的落地应用前景是光明的，但是也需要充分意识到知识图谱面临的巨大挑战。
三、四节
(一) 引入
知识图谱如何表示呢？
从实际应用的角度出发其实可以简单地把知识图谱理解成多关系图（Multi-relational Graph）,就是把所有不同种类的信息连接在一起而得到的一个关系网络。
(二)知识归纳
知识图谱的表示：
从实际应用的角度出发其实可以简单地把知识图谱理解成多关系图（Multi-relational Graph）,就是把所有不同种类的信息连接在一起而得到的一个关系网络。多关系图包含多种类型的节点和多种类型的边，不同形状和颜色代表不同种类的节点和边。节点表示实体或概念，边则构成关系。实体指的是现实世界中的具体事物或具体的人，比如著名的物理学家爱因斯坦、伟大的思想家马克思等；概念是指人们在认识世界过程中形成的对客观事物的概念化表示，如人、动物、组织结构等；关系则用来表达不同实体、概念之间的联系，例如小王和小李是“同事”、李红-“工作在”-上海等等。
(三)任务森和你一起开会
2、知识图谱是什么？
第五、六节课：1、延伸阅读：知识图谱在生活中的应用2、联系实际生活，谈一谈知识图谱在生活中还有哪些应用
六、授课过程
一、二节
(一)案例引入
（1）疾病症状被 Google 纳入“知识图谱”森和你一起开会
(二)知识归纳
知识：
知识是人类在实践中认识客观世界(包括人类自身)的成果，它包括事实、信息的描述或在教育和实践中获得的技能，知识是人类从各个途径中获得并经过提升、总结与凝练的系统的认识。
知识表示：
知识表示（KnowledgeRepresentation）是对知识的描述，即用一组符号将知识表示成计算机可以接受的某种结构。
2、了解知识图谱的应用及发展
1、能够联系实际生活，列举出知识图谱的应用
2、能够绘制简单知识图谱进行信息表达
三、教学重点
1、知识、知识表示、知识图谱的概念
2、知识图谱的应用及发展
四、教学难点
1、知识表示方法
2、知识图谱的表示
五、课前任务设计
思考：
第一、二节课:
1、阅读案例人工智能之知识图谱
（1）疾病症状被 Goog谱形象展示客观世界中的概念、实体及其间的复杂关系。由Google于2012年率先提出，其初衷是用以增强自家的搜索引擎的功能和提高搜索结果质量，使得用户无需通过点击多个链接就可以获取结构化的搜索结果，并且提供一定的推理功能，创造出一种全新的信息检索模式。
知识卡片：
搜索引擎中知识图谱的表现形式——知识卡片（Knowledge Card）。2012年谷歌提出知识图谱并且将其应用于语义搜索，改进搜索质量，搜索算法会在网页搜索时尽可能的链接与其相关的结构化信息，这些信息会以知识卡片（Knowledge Card）的形式返回给用户，知识卡片就是知识图谱在搜索引擎中最早的表现形式。
知识图谱可以方便的表示生活中的很多场景，比如一个人的社交网络图谱，如图所示，以图谱的形式清晰呈现出社交人脉。当然，社交关系图谱中的实体既可以有“人”，也可以包含“公司”“学校”等组织机构实体。人与人之间可以是亲人、朋友，同学、同事、邻居等。人和学校之间可以是“在读”或者“毕业”的关系。
实体和关系也会拥有各自的属性，比如人可以有“年龄”和“身高”等属性。当我们把所有这些信息作为关系或者实体的属性添加后，所得到的图谱称之为属性图 （Property Graph），如下图所示。
第二章知识表示和知识图谱
课题名称：知识表示和知识图谱
学习过程：
课程名称
人工智能导论
教学内容
知识与知识表示
学时
6课时
翻转课时
第1、2、5、6课时
教学环境
多媒体教室
教学方法
情境教学法、任务驱动法、
讲练结合法、小组讨论教学法
一、学习内容分析
人类之所以有智能行为是因为他们拥有知识，智能活动过程其实就是一个获得并运用知识的过程，要使机器系统具有人的智能能力（人工智能AI），则必须以人的知识为基础，知识是人工智能的基石。但人类的知识要用适当的模式表示出来，才能够存储到计算机中并被识别运用，本节将对人工智能中常用的几种知识表示方法进行介绍，为后续学习奠定基础。