第一章 知识工程发展概况

一、知识工程的发展历史

二、数据处理与研究方法

三、知识工程研究的演进脉络

1、时间分布

2、学科渗透

3、作者分布

4、机构分布

四、知识工程研究的主题分布

五、知识工程研究的发展趋势

六、发展总结

第二章 知识工程之知识表示

一、知识表示概述

1、表示学习的基本概念

2、表示学习的理论基础

3、知识表示学习的典型应用

4、知识表示学习的主要优点

二、知识表示学习的主要方法

1、距离模型

2、单层神经网络模型

3、能量模型

4、双线性模型

5、张量神经网络模型

6、矩阵分解模型

7、翻译模型

8、其他模型

三、知识表示学习的主要挑战与已有解决方案

1、复杂关系建模

2、多源信息融合

3、关建路径建模

四、知识表示学习未来研究方向展望

1、面向不同知识类型的知识表示学习

2、多源信息融合的知识表示学习

3、考虑复杂推理模式的知识表示学习

4、其他研究方向

第三章 知识工程之数据库

一、知识库的概述

二、知识库的建设案例

1、rand知识库建设

2、swp知识库建设

3、rand和swp两者比较

三、知识库的构建要求

四、知识库的构建流程

1、明确项目的知识需求

2、信息资源的收集获取

3、信息资源的知识组织

4、知识库服务提供

五、知识库的联盟化策略探讨

六、企业知识库管理系统数据库的设计

1、系统设计原则

2、数据库建模方法

七、企业知识库系统的设计

1、系统的设计

2、系统的应用

第四章 知识工程之知识推理

一、基于本体的贝叶斯网络知识推理概述

二、建立本体设计知识模型

三、贝叶斯网络知识推理

四、实例验证

五、总结

第五章 知识工程之专家系统

一、概述

二、专家系统的类型

三、专家系统的构造

四、专家系统的模型

1、基于规则的专家系统

2、基于框架的专家系统

3、基于模型的专家系统

4、新型专家系统

第六章 知识工程之大数据机器学习

一、大数据机器学习系统研究背景

二、大数据机器学习系统的技术特征

三、大数据机器学习系统的主要研究问题

四、大数据机器学习系统的分类

五、典型大数据学习方法和系统介绍

六、跨平台统一大数据机器学习系统octopus的研究设计

七、大数据机器学习总结

第七章 知识工程之知识图谱

一、知识图谱的定义与架构

1、知识图谱的定义

2、知识图谱的架构

二、知识图谱的构建技术

1、信息抽取

2、知识融合

3、知识加工

4、知识更新

三、跨语言知识图谱的构建

1、跨语言知识抽取

2、跨语言知识链接

四、知识图谱的应用

五、问题与挑战

六、总结

第八章 知识工程未来发展方向

一、知识工程的典型应用（AK LT）

1、在工业设计中的应用

2、在机械产品参数化设计中的应用

3、在工艺决策方面的应用

二、知识工程在教育领域的应用

三、知识工程的新兴应用领域

1、在电子政务中的应用

2、在电子商务中的应用

3、在虚拟企业中的应用

4、本体与知识共享

图表目录

图表：2006-2019年知识工程发文量统计图

图表：研究知识工程的学科领域分布图

图表：2006-2019年研究知识工程的38位核心作者

图表：作者-关键词二模矩阵（部分）

图表：作者—关键词关联聚合图谱

图表：高频关键词主题聚类知识图谱

图表：2006-2019知识工程高频关键词知识图谱

图表：现实世界与内隐世界的特点

图表：张量神经网络模型

图表：transe模型

图表：复杂关系示例

图表：transh模型

图表：transr模型

更多图表见正文……

图表目录：