自 1977 年美国人工智能专家 爱德华·费根鲍姆 (E.A. Feigenbaum) 提出 “知识工程” 的概念以来，知识工程的研究和应用有了很大发展，特别是近年来伴随互联网、大数据、机器学习的热潮，知识工程研究的内容和重点也在不断变化，主要体现在以下几方面：

1. 知识表示方式的多样化；
2. 研究对象从专业领域知识转向常识研究和工程性知识；
3. 知识工程处理的对象由规范化的、确定性的知识进一步深入到非规范化的、模糊的、不确定的、相对难处理的知识；
4. 知识的处理规模和方式从专家系统扩大为能处理海量知识的大规模知识工程。

本课程作为研究生课程进行讲授，面向计算机系研一、博一学生。考虑到授课群体以硕士研究生为主，课程讲授与考核侧重研究性与工程性相结合，主要包括：

1. 基础知识：系统地、较深入地学习知识工程的基础理论；互联网知识表示语言、推理技术；
2. 研究进展：针对不同子领域，学会分析问题与解决问题的方法；互联网知识工程研究新进展；
3. 实践经验：掌握常用的工具、软件、知识库；研讨基于知识的应用案例；开发原型系统。

教师：胡伟
授课对象：南京大学研究生
授课地点：仙 II-111
授课时间：周三 7~8 节
参考教材：瞿裕忠, 胡伟, 程龚. 语义网技术体系. 科学出版社, 2014

1. 课程简介
2. 经典知识工程简介
3. 万维网、语义网、本体工程
4. XML、RDF(S)、OWL
5. 本体构建
6. 逻辑与推理 (赵一铮副教授)
7. 语义网数据管理
8. 基于本体的知识管理
9. 语义搜索
10. 知识融合
11. 智能问答

将提供一批经典论文，并对这些论文提出一些导向性问题。学生需要自选阅读论文，结合对论文的提问，在课堂研讨中对论文的内容进行概述，并对论文中自己特别有体会的地方进行深入阐述。

论文挑选规则. 两人一组，根据报告人学号尾数按 mod 3 的余数选择论文主题；每个主题内的论文可以自由选择；每组报告时长为 15 分钟，外加两分钟问答；课堂进行研讨。

• 第一次课堂研讨的论文: 4 月 17 日
  • 知识抽取 (报告人学号尾数 mod 3 = 0)
    • Relation Classification via Multi-Level Attention CNNs (简单)
    • End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
    • Improving Distantly-Supervised Relation Extraction with Joint Label Embedding
    • Attention Guided Graph Convolutional Networks for Relation Extraction
    • Double Graph Based Reasoning for Document-level Relation Extraction
  • 知识库构建 (报告人学号尾数 mod 3 = 1)
    • DBpedia: A Nucleus for a Web of Open Data (简单)
    • Incremental Knowledge Base Construction Using DeepDive
    • Knowledge Vault: A Web-Scale Approach to Probabilistic Knowledge Fusion
    • Probase: A Probabilistic Taxonomy for Text Understanding
    • DISCOS: Bridging the Gap between Discourse Knowledge and Commonsense Knowledge
  • 预训练语言模型 (报告人学号尾数 mod 3 = 2)
    • Language Models as Knowledge Bases? (简单)
    • K-BERT: Enabling Language Representation with Knowledge Graph
    • KG-BERT: BERT for Knowledge Graph Completion
    • Sequence-to-Sequence Knowledge Graph Completion and Question Answering
    • ERNIE: Enhanced Language Representation with Informative Entities

• 第二次课堂研讨的论文: 5 月 29 日
  • 搜索推荐 (报告人学号尾数 mod 3 = 0)
    • Learning to Explain Entity Relationships by Pairwise Ranking with Convolutional Neural Networks (简单)
    • Fielded Sequential Dependence Model for Ad-Hoc Entity Retrieval in the Web of Data
    • What Links Alice and Bob?: Matching and Ranking Semantic Patterns in Heterogeneous Networks
    • Knowledge Graph Convolutional Networks for Recommender Systems
    • RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
  • 知识融合 (报告人学号尾数 mod 3 = 1)
    • Learning to Map Between Ontologies on the Semantic Web (简单)
    • PARIS: Probabilistic Alignment of Relations, Instances, and Schema
    • Deep Learning for Entity Matching: A Design Space Exploration
    • Resolving Conflicts in Heterogeneous Data by Truth Discovery and Source Reliability Estimation
    • Deep Entity Matching with Pre-Trained Language Models
  • 机器问答 (报告人学号尾数 mod 3 = 2)
    • Automated Template Generation for Question Answering over Knowledge Graphs (简单)
    • Open Domain Question Answering Using Early Fusion of Knowledge Bases and Text
    • Answering Natural Language Questions by Subgraph Matching over Knowledge Graphs
    • Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings
    • RNG-KBQA: Generation Augmented Iterative Ranking for Knowledge Base Question Answering

主要包括两种形式：一种是对于平时自己科研工作中的问题，从知识工程的角度，进行设计、实现、实验等。另一种是在知识工程领域中，挑选一个技术热点，做有一定深度和时效性的调研，并以技术综述的形式总结自己的调研结果。
截止日期：2024 年 7 月 31 日 (AOE)
格式要求：A4、单栏、单倍行距、五号字、6~7 页 (含参考文献)
提交邮箱：whu@nju.edu.cn

• G. Antoniou, P. Groth, F. van Harmelen, R. Hoekstra. 胡伟, 程龚, 黄智生 (译). 语义网基础教程 (原书第三版). 机械工程出版社, 2014
• 赵军, 刘康, 何世柱, 陈玉博. 知识图谱. 高等教育出版社, 2018
• 肖仰华 等. 知识图谱: 概念与技术. 电子工业出版社, 2019
• 王昊奋, 漆桂林, 陈华钧. 知识图谱: 方法、实践与应用. 电子工业出版社, 2019