《TensorFlow知识图谱实战》内容简介

大数据时代的到来，为人工智能的飞速发展带来前所未有的数据红利。在大数据的“喂养”下，大量知识不断涌现，如何有效地发掘这些知识呢？知识图谱横空出世。本书是一本讲解如何使用TensorFlow2构建知识图谱的入门教程，引导读者掌握基于深度学习的知识图谱构建概念、理论和方法。
本书分为13章：第1章从搭建环境开始，包含TensorFlow CPU 版本和GPU版本的安装，并通过一个知识图谱的例子引导读者开始学习；第2~4章介绍TensorFlow API的使用；第5章是Dataset API，学习使用原生API处理数据的方法；第6~8章是实战准备部分，介绍ResNet模型、词嵌入（word embedding）模型、情感分类；第9 ~10章在“注意力模型”基础上搭建了“编码器模型”；第11~13章搭建了知识图谱联合抽取模型，利用本书所学知识实战知识图谱的搭建过程和性能提升方案。
本书内容详尽、示例丰富，适合作为知识图谱和深度学习读者的参考书，同时也适合开设人工智能专业的大中专院校师生阅读，还可作为高等院校计算机及相关专业教材使用。
王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项国家专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow2.0卷积神经网络实战》《TensorFlow+Keras自然语言处理实战》等图书。

作品目录

前言
第1章：知识图谱的前世今生
1.1、何谓自然语言处理
1.2、自然语言处理为什么难——以最简单的情感分析为例
1.3、知识图谱到底是什么
1.4、搭建环境1：安装Python
1.5、搭建环境2：安装TensorFlow
2.X的GPU版本
1.6、实战——知识图谱的展示
1.7、本章小结
第2章：TensorFlow和Keras快速入门
2.1、Keras让一切变简单
2.2、全连接层详解
2.3、懒人的福音——Keras模型库
2.4、本章小结
第3章：深度学习的理论基础
3.1、BP神经网络简介
3.2、BP神经网络两个基础算法详解
3.3、反馈神经网络反向传播算法介绍
3.4、本章小结
第4章：卷积神经网络实战
4.1、卷积运算基本概念
4.2、卷积实战：MNIST手写体识别
4.3、本章小结
第5章：Datasets数据集和TensorBoard可视化
5.1、TensorFlow
Datasets简介
5.2、Datasets数据集的使用——FashionMNIST
5.3、使用Keras对FashionMNIST数据集进行处理
5.4、使用TensorBoard可视化训练过程
5.5、本章小结
第6章：ResNet实现神经网络的飞跃
6.1、ResNet基础原理与程序设计基础
6.2、ResNet实战：CIFAR100数据集分类
6.3、本章小结
第7章：有趣的词嵌入——word
embedding
7.1、文本数据处理
7.2、更多的word
embedding方法——fastText和预训练词向量
7.3、针对文本的卷积神经网络模型简介——字符卷积
7.4、针对文本的卷积神经网络模型——词卷积
7.5、使用卷积对文本分类的补充内容
7.6、本章小结
第8章：情感分类
8.1、GRU与情感分类
8.2、实战：情感分类
8.3、本章小结
第9章：编码器——自然语言处理的归宿
9.1、编码器的核心——注意力模型
9.2、编码器的实现
9.3、实战编码器：汉字拼音转化模型
9.4、本章小结
第10章：BERT——站在巨人肩膀上的预训练模型
10.1、预训练模型BERT
10.2、实战BERT：中文文本分类
10.3、更多的预训练模型
10.4、本章小结
第11章：知识图谱实战1：多标签文本分类
11.1、多标签文本基本内容
11.2、多标签文本实战
11.3、本章小结
第12章：知识图谱实战2：命名实体识别
12.1、命名实体识别的基本内容
12.2、方法一：BERT命名实体识别实战
12.3、方法二：BiLSTM-CRF命名实体识别实战
12.4、本章小结
第13章：知识图谱实战3：基于联合抽取的知识图谱模型
13.1、基于联合抽取的知识图谱模型实战
13.2、知识图谱模型提升
13.3、本章小结