图书信息
图书目录
知识工程现代方法
知识工程旨在研究人类知识的机器表征与计算问题，是人工智能学科重要的分支。本书以知识工程的发展历程为线索，详细介绍了传统符号化知识工程方法、神经网络方法，提出神经符号协同的四种范式，阐述四种范式下知识工程的持久性基础性原理、框架、模型、算法以及典型应用案例，并指明未来研究方向。
本书是人工智能领域“101计划”核心课程教材，既可作为高等学校计算机学科大类人工智能及相关专业课程的教材，也可作为从事人工智能研究与应用的科研人员、企业技术人员以及其他相关人员的参考资料。
作者：
主编 郑庆华 师斌 刘均
定价：
63.00 元
出版时间：
2026-07-15
ISBN：
978-7-04-065132-4
物料号：
65132-00
读者对象：
高等教育
重点项目：
暂无
版面字数：
500千字
开本：
16开
装帧形式：
平装
页数：
暂无
最新印次时间：
2026年01月
- 目录
- 前辅文
- 第1章 引言
- 1.1 符号知识及其对人类智能的作用
- 1.1.1 符号知识及其重要性
- 1.1.2 对人类个体智能的作用
- 1.1.1 符号知识及其重要性
- 1.2 传统知识工程的发展历程
- 1.2.1 初期的理论探索与验证
- 1.2.2 领域专家系统开发
- 1.2.3 大规模知识库构建
- 1.2.1 初期的理论探索与验证
- 1.3 传统知识工程的局限性
- 1.4 知识工程的现代方法：神经符号协同
- 1.4.1 神经符号协同的群智机制
- 1.4.2 为什么能协同：互补性
- 1.4.3 为什么能协同：涌现现象
- 1.4.1 神经符号协同的群智机制
- 1.5 本书结构与使用方法
- 1.5.1 组织结构与各章内容
- 1.5.2 如何使用本教材
- 1.5.1 组织结构与各章内容
- 1.6 本章小结
- 1.7 习题
- 1.1 符号知识及其对人类智能的作用
- 第2章 符号系统基础
- 2.1 符号系统的概念
- 2.2 符号知识的获取
- 2.2.1 知识获取概述
- 2.2.2 知识获取方法
- 2.2.3 典型应用
- 2.2.1 知识获取概述
- 2.3 符号知识的表示
- 2.3.1 逻辑表示法
- 2.3.2 产生式表示法
- 2.3.3 语义网络表示法
- 2.3.4 本体工程知识表示法
- 2.3.5 知识图谱表示法
- 2.3.6 知识森林表示法
- 2.3.1 逻辑表示法
- 2.4 符号知识的推理
- 2.4.1 逻辑基础
- 2.4.2 推理机制
- 2.4.3 典型应用
- 2.4.1 逻辑基础
- 2.5 符号知识的规划
- 2.5.1 符号规划概述
- 2.5.2 状态空间
- 2.5.3 规划算法
- 2.5.4 典型应用
- 2.5.1 符号规划概述
- 2.6 本章小结
- 2.7 习题
- 2.1 符号系统的概念
- 第3章 神经网络基础
- 3.1 神经网络的设计思想与原理
- 3.1.1 生物神经元机制
- 3.1.2 数字神经元模拟过程
- 3.1.3 人工神经网络的发展历史
- 3.1.1 生物神经元机制
- 3.2 神经网络的构建
- 3.2.1 神经网络的基本组成
- 3.2.2 神经网络架构
- 3.2.3 常见的神经网络
- 3.2.1 神经网络的基本组成
- 3.3 神经网络的训练和泛化
- 3.3.1 神经网络的训练
- 3.3.2 神经网络训练的收敛性
- 3.3.3 神经网络的泛化
- 3.3.1 神经网络的训练
- 3.4 神经网络中的知识表示
- 3.4.1 向量化知识表示
- 3.4.2 层次化特征知识表示
- 3.4.3 图结构知识表示
- 3.4.1 向量化知识表示
- 3.5 神经网络的发展与挑战
- 3.5.1 大规模神经网络模型
- 3.5.2 脉冲神经网络
- 3.5.3 神经网络面临的挑战
- 3.5.1 大规模神经网络模型
- 3.6 本章小结
- 3.7 习题
- 3.1 神经网络的设计思想与原理
- 第4章 神经符号协同范式概述
- 4.1 范式一：由神经到符号
- 4.1.1 范式的一般形式
- 4.1.2 范式产生的原因
- 4.1.3 范式的工作机理
- 4.1.4 范式的特点分析
- 4.1.5 范式的典型案例
- 4.1.1 范式的一般形式
- 4.2 范式二：由符号到神经
- 4.2.1 符号内容的分布式表示
- 4.2.2 符号知识注入的神经网络
- 4.2.1 符号内容的分布式表示
- 4.3 范式三：符号主导神经
- 4.3.1 范式的一般形式
- 4.3.2 范式产生的原因
- 4.3.3 范式的工作机理
- 4.3.4 范式的特点分析
- 4.3.5 范式的典型案例
- 4.3.1 范式的一般形式
- 4.4 范式四：神经符号迭代交互
- 4.4.1 范式的一般形式
- 4.4.2 符号系统作为求解器
- 4.4.3 符号系统作为评估器
- 4.4.1 范式的一般形式
- 4.5 范式间协同
- 4.6 本章小结
- 4.7 习题
- 4.1 范式一：由神经到符号
- 第5章 范式一：由神经到符号
- 5.1 概述
- 5.2 知识图谱构建
- 5.2.1 实体抽取
- 5.2.2 关系抽取
- 5.2.3 实体对齐
- 5.2.4 基于大语言模型的知识图谱构建
- 5.2.1 实体抽取
- 5.3 逻辑规则生成
- 5.3.1 神经系统作为逻辑规则筛选器
- 5.3.2 神经系统作为逻辑规则生成器
- 5.3.1 神经系统作为逻辑规则筛选器
- 5.4 代码生成
- 5.4.1 神经系统作为代码翻译器
- 5.4.2 神经系统作为代码检索器
- 5.4.3 基于预训练语言模型的代码生成
- 5.4.1 神经系统作为代码翻译器
- 5.5 符号回归
- 5.5.1 神经系统作为方程学习器
- 5.5.2 神经系统作为强化策略网络
- 5.5.3 神经系统作为翻译器
- 5.5.1 神经系统作为方程学习器
- 5.6 应用案例
- 5.7 本章小结
- 5.8 习题
- 5.1 概述
- 第6章 范式二：由符号到神经
- 6.1 概述
- 6.2 符号知识表示学习
- 6.2.1 分布式表示概述
- 6.2.2 知识图谱表示学习
- 6.2.3 逻辑规则表示学习
- 6.2.1 分布式表示概述
- 6.3 符号知识注入的神经网络
- 6.3.1 基于规则蒸馏的注入
- 6.3.2 基于物理损失的注入
- 6.3.3 Kolmogorov-Arnold网络
- 6.3.1 基于规则蒸馏的注入
- 6.4 应用案例
- 6.5 本章小结
- 6.6 习题
- 6.1 概述
- 第7章 范式三：符号主导神经
- 7.1 概述
- 7.1.1 范式的一般形式
- 7.1.2 范式的必要性与优势
- 7.1.3 范式的应用场景
- 7.1.1 范式的一般形式
- 7.2 可微编程
- 7.2.1 比较运算
- 7.2.2 条件分支
- 7.2.3 循环语句
- 7.2.4 逻辑运算
- 7.2.1 比较运算
- 7.3 神经网络增强的启发式搜索
- 7.3.1 基本概念
- 7.3.2 有向图的最优路径搜索
- 7.3.3 神经网络增强的A*算法
- 7.3.4 应用案例——AlphaGo
- 7.3.1 基本概念
- 7.4 本章小结
- 7.5 习题
- 7.1 概述
- 第8章 范式四：神经符号迭代交互
- 8.1 概述
- 8.1.1 内涵与分类体系
- 8.1.2 双系统迭代交互的必要性
- 8.1.1 内涵与分类体系
- 8.2 分治聚合
- 8.2.1 定义
- 8.2.2 典型架构GraphSAGE
- 8.2.3 典型架构SymbolicAI
- 8.2.1 定义
- 8.3 双向交互
- 8.3.1 定义
- 8.3.2 典型架构FunSearch
- 8.3.1 定义
- 8.4 迭代演化
- 8.4.1 定义
- 8.4.2 典型架构GPT-o1
- 8.4.1 定义
- 8.5 应用案例——数学题求解
- 8.6 神经符号迭代交互的新趋势
- 8.6.1 符号神经协同知识建模
- 8.6.2 符号神经协同规划
- 8.6.3 多维度可解释评估
- 8.6.1 符号神经协同知识建模
- 8.7 本章小结
- 8.8 习题
- 8.1 概述
- 第9章 总结与展望
- 参考文献
- 插图索引
- 表格索引
- 前辅文
