中國知識工程市場發(fā)展趨勢及未來研究方向展望報告2025 VS 2031年
【報告編號】:475132
【出版時間】: 2024年11月
【出版機構(gòu)】: 華研中商研究網(wǎng)
【交付方式】: EMIL電子版或特快專遞
【報告價格】:【紙質(zhì)版】: 6500元 【電子版】: 6800元 【合訂本】: 7000元
【訂購電話】: 13921639537 13651030950
【在線聯(lián)系】: Q Q 775829479
【聯(lián) 系 人】: 高虹--客服專員
【報告來源】:http://www.hyzsyjy.com/report/475132.html
【報告目錄】
第一章 知識工程發(fā)展概況 1
第一節(jié) 知識工程的發(fā)展歷史 1
第二節(jié) 數(shù)據(jù)處理與研究方法 1
第三節(jié) 知識工程研究的演進脈絡(luò) 2
一、時間分布2
二、學科滲透2
三、作者分布4
四、機構(gòu)分布4
第四節(jié) 知識工程研究的主題分布 4
第五節(jié) 知識工程研究的發(fā)展趨勢 5
第六節(jié) 發(fā)展總結(jié) 6
第二章 知識工程之知識表示 7
第一節(jié) 知識表示概述 7
一、表示學習的基本概念7
二、表示學習的理論基礎(chǔ)9
三、知識表示學習的典型應(yīng)用10
四、知識表示學習的主要優(yōu)點11
第二節(jié) 知識表示學習的主要方法 12
一、距離模型12
二、單層神經(jīng)網(wǎng)絡(luò)模型13
三、能量模型14
四、雙線性模型14
五、張量神經(jīng)網(wǎng)絡(luò)模型15
六、矩陣分解模型16
七、翻譯模型16
八、其他模型19
第三節(jié) 知識表示學習的主要挑戰(zhàn)與已有解決方案 20
一、復雜關(guān)系建模20
二、多源信息融合30
三、關(guān)建路徑建模32
第四節(jié) 知識表示學習未來研究方向展望 33
一、面向不同知識類型的知識表示學習33
二、多源信息融合的知識表示學習34
三、考慮復雜推理模式的知識表示學習35
四、其他研究方向36
第三章 知識工程之數(shù)據(jù)庫 37
第一節(jié) 智庫知識庫的概述 37
第二節(jié) 智庫知識庫的建設(shè)案例 38
一、rand知識庫建設(shè)38
二、swp知識庫建設(shè) 39
三、rand和swp兩者比較 40
第三節(jié) 智庫知識庫的構(gòu)建要求 40
第四節(jié) 智庫知識庫的構(gòu)建流程 42
一、明確項目的知識需求42
二、信息資源的收集獲取43
三、信息資源的知識組織43
四、智庫知識庫服務(wù)提供44
第五節(jié) 智庫知識庫的聯(lián)盟化策略探討 44
第六節(jié) 企業(yè)知識庫管理系統(tǒng)數(shù)據(jù)庫的設(shè)計 46
一、系統(tǒng)設(shè)計原則46
二、數(shù)據(jù)庫建模方法48
第七節(jié) 企業(yè)知識庫系統(tǒng)的設(shè)計 52
一、系統(tǒng)的設(shè)計52
二、系統(tǒng)的應(yīng)用62
第四章 知識工程之知識推理 64
第一節(jié) 基于本體的貝葉斯網(wǎng)絡(luò)知識推理概述 64
第二節(jié) 建立本體設(shè)計知識模型 64
第三節(jié) 貝葉斯網(wǎng)絡(luò)知識推理 67
第四節(jié) 實例驗證 68
第五節(jié) 總結(jié) 71
第五章 知識工程之專家系統(tǒng) 73
第一節(jié) 概述 73
第二節(jié) 專家系統(tǒng)的類型 73
第三節(jié) 專家系統(tǒng)的構(gòu)造 74
第四節(jié) 專家系統(tǒng)的模型 81
一、基于規(guī)則的專家系統(tǒng)81
二、基于框架的專家系統(tǒng)82
三、基于模型的專家系統(tǒng)83
四、新型專家系統(tǒng)85
第六章 知識工程之大數(shù)據(jù)機器學習 87
第一節(jié) 大數(shù)據(jù)機器學習系統(tǒng)研究背景 87
第二節(jié) 大數(shù)據(jù)機器學習系統(tǒng)的技術(shù)特征 88
第三節(jié) 大數(shù)據(jù)機器學習系統(tǒng)的主要研究問題 90
第四節(jié) 大數(shù)據(jù)機器學習系統(tǒng)的分類 94
第五節(jié) 典型大數(shù)據(jù)學習方法和系統(tǒng)介紹 96
第六節(jié) 跨平臺統(tǒng)一大數(shù)據(jù)機器學習系統(tǒng)octopus的研究設(shè)計 103
第七節(jié) 大數(shù)據(jù)機器學習總結(jié) 110
第七章 知識工程之知識圖譜 112
第一節(jié) 知識圖譜的定義與架構(gòu) 112
一、知識圖譜的定義112
二、知識圖譜的架構(gòu)113
第二節(jié) 知識圖譜的構(gòu)建技術(shù) 115
一、信息抽取115
二、知識融合120
三、知識加工126
四、知識更新131
第三節(jié) 跨語言知識圖譜的構(gòu)建 132
一、跨語言知識抽取132
二、跨語言知識鏈接133
第四節(jié) 知識圖譜的應(yīng)用 134
第五節(jié) 問題與挑戰(zhàn) 135
第六節(jié) 總結(jié) 137
第八章 知識工程未來發(fā)展方向 138
第一節(jié) 知識工程的典型應(yīng)用 138
一、在工業(yè)設(shè)計中的應(yīng)用138
二、在機械產(chǎn)品參數(shù)化設(shè)計中的應(yīng)用138
三、在工藝決策方面的應(yīng)用139
第二節(jié) 知識工程在教育領(lǐng)域的應(yīng)用 139
第三節(jié) 知識工程的新興應(yīng)用領(lǐng)域 140
一、在電子政務(wù)中的應(yīng)用140
二、在電子商務(wù)中的應(yīng)用140
三、在虛擬企業(yè)中的應(yīng)用141
四、本體與知識共享141
第四節(jié) 知識工程技術(shù)發(fā)展方向 142
圖表目錄
圖表：現(xiàn)實世界與內(nèi)隱世界的特點10
圖表：張量神經(jīng)網(wǎng)絡(luò)模型15
圖表：transe模型 18
圖表：復雜關(guān)系示例21
圖表：transh模型 21
圖表：transr模型 23
圖表：transd模型 24
圖表：傳統(tǒng)模型和transa模型比較 27
圖表：傳統(tǒng)模型與transg模型比較 28
圖表：kg2e模型 28
圖表：dkrl（cbow）模型1 31
圖表：dkrl（cnn）模型2 31
圖表：ptranse模型32
圖表：知識庫的構(gòu)建模型41
圖表：智庫知識庫的構(gòu)建流程42
圖表：系統(tǒng)的體系構(gòu)架47
圖表：目錄分類信息結(jié)構(gòu)鄰接列表模型數(shù)據(jù)示例表50
圖表：知識目錄分類基本情況表50
圖表：目錄分類擴展屬性表51
圖表：企業(yè)知識庫系統(tǒng)構(gòu)架53
圖表：企業(yè)成果數(shù)據(jù)庫表54
圖表：企業(yè)專家數(shù)據(jù)庫表56
圖表：用戶問題數(shù)據(jù)庫表57
圖表：企業(yè)經(jīng)驗交流數(shù)據(jù)庫表58
圖表：包裝設(shè)計任務(wù)本體模型65
圖表：包裝設(shè)計知識本體模型66
圖表：設(shè)計人員本體模型67
圖表：紙箱的強度設(shè)計知識本體模型67
圖表：紙箱的強度設(shè)計知識的貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)69
圖表：貝葉斯網(wǎng)絡(luò)拓撲結(jié)構(gòu)節(jié)點及變量信息69
圖表：“緩沖設(shè)計”知識節(jié)點條件概率分布（1）70
圖表：“強度設(shè)計”節(jié)點條件概率分布（2）70
圖表：設(shè)計知識節(jié)點后驗概率分布（3） 71
圖表：專家系統(tǒng)的概念結(jié)構(gòu)75
圖表：專家系統(tǒng)的理想結(jié)構(gòu)77
圖表：專家系統(tǒng)的實際結(jié)構(gòu)示例78
圖表：地質(zhì)圖件繪制智能輔助系統(tǒng)結(jié)構(gòu)78
圖表：專家系統(tǒng)的客戶(機)/服務(wù)器結(jié)構(gòu)及瀏覽器/服務(wù)器結(jié)構(gòu) 79
圖表：黑板結(jié)構(gòu)80
圖表：基于規(guī)則的專家系統(tǒng)的工作模型81
圖表：基于規(guī)則的專家系統(tǒng)的機構(gòu)82
圖表：基于框架專家系統(tǒng)的結(jié)構(gòu)83
圖表：神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu)84
圖表：大數(shù)據(jù)機器學習系統(tǒng)所涉及的復雜因素88
圖表：大數(shù)據(jù)機器學習系統(tǒng)抽象90
圖表：研究者apacheflink提出的分析維度和研究現(xiàn)狀91
圖表：spark系統(tǒng)研究者提出的分析維度和研究現(xiàn)狀 91
圖表：octopus（大章魚）軟件系統(tǒng)框架 106
圖表：基于r語言和octopus的跨平臺統(tǒng)一大數(shù)據(jù)機器學習系統(tǒng) 109
圖表：基于octopus和常規(guī)r語言的linearregresssion算法代碼比較110
圖表：知識圖譜的技術(shù)架構(gòu)114
