课程背景

知识图谱的发展历史源远流长。从经典人工智能的核心命题—知识工程，到互联网时代的语义Web，再到当下很多领域构建的数千亿级别的现代知识图谱，以及在语义搜索、智能问答、推荐计算、语言理解、大数据分析、设备物联中的广泛应用。知识图谱也是典型的交叉领域，涉及知识表示、机器学习、自然语言处理、图数据库、信息获取等多个领域相关技术的系统性综合运用。知识图谱同时也是不断发展的新领域，并在不断与图神经网络、联邦学习、区块链、视觉计算等很多领域的新发展进一步融合，不断更新和进步。

课程目标

本课程一方面包含了知识图谱的基础知识介绍，全面覆盖了知识图谱的表示、存储、获取、推理、融合、问答、分析等七大方面一百多个基础知识点的内容。另外一方面也囊括了多个知识图谱相关技术领域的最新发展前沿。例如，有关多模态知识图谱、知识图谱与图神经网络的融合、本体表示学习、事理知识图谱、知识增强的语言预训练等内容都是近两年的新热点，也被首次系统性整理进课程中。此外，本课程也包含了作者团队在知识图谱方向的一部分学术探索和应用实践工作，例如知识图谱与可解释AI、知识驱动的低资源学习、大规模知识图谱预训练等等。

知识图谱不是单一技术，而是系统工程。本课程的一个核心目标也是希望帮助学生建立知识图谱的系统工程观。通过本课程希望能够为学习者和技术实践者提供系统性了解知识图谱的各方面技术要素，同时也为博士研究生拓展研究视野和创新方向。

课程设计原则

这是一门知识点比较丰富的课程，应该怎样学习这门课程呢？

首先，同学们可以结合本课程的配套讲义《知识图谱导论》进行对比学习。本课程的章节安排与该讲义的安排基本一致。除了观看慕课视频，读者还可以通过慕课课程提供的诸如知识点测试试题、课程实践向导等资源巩固相关知识点。

其次，本课程的一些章节需要读者有一些前置知识。例如，第二章需要读者具有数据库技术的相关基础，第三章到第八章都要求读者已经了解基本的机器学习知识，并开展过一些深度学习实践，第四章要求读者已经掌握部分自然语言处理的基本知识。

知识图谱技术点繁多，比较好的学习方式是首先对课程的整体内容进行概要性浏览，避免细节。在形成对知识体系的整体认知之后，再结合自己感兴趣的点进行深入研读。

知识图谱不是单一技术，而是系统工程。本课程的一个核心目标也是希望帮助学生建立知识图谱的系统工程观。通过本课程希望能够为学习者和技术实践者提供系统性了解知识图谱的各方面技术要素，同时也为博士研究生拓展研究视野和创新方向。

本课程需要学生具备基本的机器学习和深度学习知识。

可参考平台上吴飞老师《人工智能：模型与算法》、赵卫东老师《深度学习及其应用》、张朋老师《机器学习与人工智能》、张岳老师的《自然语言处理》等相关课程。

课程配套讲义：《知识图谱导论》，电子工业出版社，2021

其它参考书籍：

• 《工业级知识图谱：方法与实践》，电子工业出版社，2021
• 《知识图谱：方法、实践与应用》，电子工业出版社，2019