中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能數據治理――基于大模型、知識圖譜 版權信息
- ISBN：9787121492877
- 條形碼：9787121492877 ; 978-7-121-49287-7
- 裝幀：平塑
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
智能數據治理――基于大模型、知識圖譜 內容簡介
本書基于我國深入實施網絡強國和國家大數據戰略的大背景，將“大語言模型”“知識圖譜”“數據治理”相結合，闡述了大模型、知識圖譜在智能數據治理中的應用實踐，并以醫療、政務及降碳等行業為例，詳細介紹了其數據治理流程及平臺構建方法。書中首先闡述了大模型時代知識圖譜和智能數據治理之間的協同關系，以兒童孤獨癥為例介紹了基于CiteSpace軟件的醫療知識圖譜的構建流程；其次詳細闡述了基于神經網絡模型的個人健康管理知識圖譜的構建方法；*后介紹了主動式政務服務和降碳領域的智能數據治理平臺的設計與實現，并在每一部分都介紹了大模型技術在各行業領域的應用實踐。本書將理論與實踐相結合，能更好地服務于我國經濟社會發展和人民生活改善，可供信息管理及大數據領域的本科生、研究生、科研人員，以及各行業信息化和數據治理部門的專業技術人員參考。
智能數據治理――基于大模型、知識圖譜智能數據治理――基于大模型、知識圖譜 前言
前言
近年來，我國深入實施網絡強國和國家大數據戰略，制定了數字經濟發展戰略，印發了《“十四五”數字經濟發展規劃》等，加快推進數字產業化和產業數字化，推動數字經濟蓬勃發展。在政府工作報告中也多次提出應充分發揮我國海量數據和豐富的應用場景的優勢，促進數字技術和實體經濟深度融合，賦能傳統產業轉型升級，催生新產業、新業態、新模式。通過完善數字基礎設施，推進數據資源整合和開放共享，保障數據安全，更好地服務于我國經濟社會發展和人民生活改善。2017年，國務院印發的《新一代人工智能發展規劃》中明確指出“建立新一代人工智能關鍵共性技術體系”，并指出要“重點突破跨媒體統一表征、關聯理解與知識挖掘、知識圖譜構建與學習、知識演化與推理、智能描述與生成等技術”。
智能數據治理――基于大模型、知識圖譜 目錄
目錄
第1章 數據治理 //1
1.1 數據治理概述 //1
1.1.1 數據治理概念 //1
1.1.2 數據治理要素 //2
1.2 數據治理模型 //3
1.2.1 DGI數據治理框架 //4
1.2.2 HESA數據治理模型 //6
1.2.3 漸進式數據治理模型 //7
1.3 智能數據治理 //8
1.3.1 傳統數據治理與智能數據治理 //8
1.3.2 數據驅動概述 //8
1.3.3 智能數據治理解決方案 //9
1.4 數據架構與智能數據治理架構 //10
1.4.1 企業架構與數據架構 //10
1.4.2 智能數據治理架構 //14
第2章 知識圖譜 //16
2.1 知識圖譜概述 //16
2.1.1 知識圖譜的演進 //16
2.1.2 知識圖譜的體系架構 //17
2.2 知識的存儲 //18
2.2.1 知識表示框架及查詢語言 //18
2.2.2 基于表結構的存儲方案 //20
2.2.3 基于圖結構的存儲方案 //22
2.3 知識表示 //24
2.3.1 一階謂詞邏輯 //24
2.3.2 產生式系統 //25
2.3.3 框架表示法 //25
2.3.4 語義網絡表示法 //27
2.4 知識抽取 //28
2.4.1 實體抽取 //28
2.4.2 關系抽取 //31
2.4.3 事件抽取 //34
2.5 知識融合 //36
2.6 知識推理 //37
2.6.1 基于邏輯規則的推理 //38
2.6.2 基于圖結構的推理 //38
2.6.3 基于分布式表示的推理 //39
2.6.4 基于神經網絡的推理 //39
2.6.5 混合推理 //40
2.7 知識挖掘 //41
2.7.1 知識內容挖掘：實體鏈接 //41
2.7.2 知識結構挖掘：規則鏈接 //44
第3章 大模型時代的知識圖譜和智能數據治理 //47
3.1 知識圖譜與人工智能 //47
3.1.1 知識圖譜是人工智能的基石 //47
3.1.2 知識圖譜推動智能應用 //48
3.1.3 知識圖譜是人工智能發展的核心驅動之一 //48
3.2 知識圖譜與數據治理 //48
3.2.1 良好的數據治理是構建組織知識圖譜的基石 //48
3.2.2 知識圖譜助力智能數據治理 //49
3.2.3 基于知識圖譜的智能數據治理架構 //50
3.3 大模型時代的知識圖譜和數據治理 //51
3.3.1 大模型概述 //51
3.3.2 大模型中的關鍵技術 //52
3.3.3 大模型的優勢及特點 //54
3.3.4 常見的大模型 //55
3.3.5 基于大模型的智能系統架構 //57
3.4 大模型時代的知識圖譜 //59
3.4.1 知識圖譜和大模型面臨的現實困境和融合機遇 //59
3.4.2 知識圖譜和大模型融合應用的三種主流模式 //64
3.4.3 大模型和知識圖譜 //67
3.4.4 大模型與知識圖譜的協同技術 //68
3.4.5 基于大模型的智能知識圖譜架構 //69
3.5 大模型時代的智能數據治理 //74
3.5.1 傳統的數據治理技術 //75
3.5.2 數據治理為大模型奠定基礎 //78
3.5.3 大模型在數據治理中的應用 //78
3.5.4 面向大模型的數據治理框架 //81
3.5.5 基于大模型的智能數據治理 //83
3.6 基于領域知識圖譜的數據治理架構 //84
3.6.1 醫療領域的智能數據治理 //84
3.6.2 政務領域的智能數據治理 //85
3.6.3 低碳領域的智能數據治理 //86
3.6.4 基于知識圖譜的智能知識服務 //86
第4章 醫療領域科學知識圖譜繪制 //88
4.1 科學知識圖譜概述 //89
4.1.1 知識圖譜分析方法 //89
4.1.2 知識圖譜繪制工具 //90
4.2 CiteSpace概述 //91
4.2.1 軟件主界面 //91
4.2.2 合作網絡分析 //92
4.2.3 中文CNKI數據的分析實踐 //97
4.3 醫療知識圖譜構建 //101
4.4 兒童孤獨癥知識圖譜分析 //103
4.4.1 兒童孤獨癥學科共引分析 //103
4.4.2 兒童孤獨癥知識基礎知識圖譜分析 //105
4.4.3 兒童孤獨癥研究領域的核心期刊 //107
4.4.4 兒童孤獨癥研究機構分析 //109
4.4.5 基于CiteSpace的兒童孤獨癥知識庫關鍵知識點分析 //111
第5章 數據驅動的兒童孤獨癥主動知識服務模型構建 //121
5.1 兒童孤獨癥篩查與干預平臺構建 //121
5.1.1 建立基于眾包模式的孤獨癥患兒信息庫及知識庫 //122
5.1.2 建立兒童孤獨癥知識服務個性化推薦模型 //124
5.2 區域兒童孤獨癥篩查與干預數據治理實施架構 //125
5.3 知識庫本體構建及知識爬取方法概述 //127
5.3.1 本體構建方法 //127
5.3.2 知識爬取方法 //130
5.4 孤獨癥本體構建 //131
5.4.1 孤獨癥本體框架 //131
5.4.2 孤獨癥本體構建 //133
5.5 基于Heritrix和HTMLParser的孤獨癥知識文本提取 //136
5.5.1 爬蟲解析過程 //137
5.5.2 算法優化 //139
5.6 孤獨癥疾病領域知識庫結構 //140
第6章 個人健康信息知識圖譜構建 //143
6.1 電子病歷概述 //143
6.1.1 電子病歷文本類型 //143
6.1.2 電子病歷實體分類 //143
6.1.3 電子病歷實體關系分類 //144
6.2 模型與方法 //145
6.2.1 基于轉換器的雙向編碼器表示 //145
6.2.2 條件隨機場 //146
6.2.3 長短期記憶網絡 //147
6.2.4 注意力機制模型 //149
6.2.5 CNN //150
6.3 電子病歷命名實體識別 //150
6.3.1 BiLSTM-CRF模型原理 //150
6.3.2 BiLSTM-CRF模型的構建 //152
6.3.3 電子病歷實體數據預處理 //153
6.3.4 結果分析 //155
6.4 電子病歷關系抽取 //156
6.4.1 CNN構建 //156
6.4.2 電子病歷關系數據預處理 //157
6.4.3 結果分析 //158
6.5 電子病歷關系抽取 //160
6.5.1 Neo4j圖數據庫 //160
6.5.2 Neo4j圖數據庫存儲 //160
6.6 大模型在健康管理領域的應用 //164
6.6.1 國內外典型醫療大模型 //165
6.6.2 醫學臨床數據治理 //166
6.6.3 智能病理診斷 //168
6.6.4 疾病風險預測與醫療資源管理 //169
6.6.5 大模型助力醫院構建智慧醫護體系 //170
第7章 政務服務數據治理平臺構建 //173
7.1 主動式政務服務需求 //173
7.1.1 主動式政務服務 //173
7.1.2 個性化政務服務 //174
7.1.3 移動政務服務 //174
7.2 主動式政務服務數據治理平臺構建 //174
7.2.1 多源數據整合 //175
7.2.2 政務服務云平臺總體架構 //176
7.3 模式創新 //177
7.3.1 主動式政務服務模式創新 //177
7.3.2 管理模式創新 //179
7.4 主動式政務服務云平臺構建案例 //182
7.4.1 基于“三單管理”的標準化審批服務 //182
7.4.2 基于“網格化”的智慧城市治理新模式 //183
7.5 大模型在智慧政務領域的應用 //183
7.5.1 智能政務服務 //184
7.5.2 城市智能化治理 //185
7.5.3 應用大模型技術打造政府網站智能問答服務 //187
第8章 低碳領域的數據治理 //192
8.1 低碳領域數據構成 //192
8.1.1 能源消耗類數據 //192
8.1.2 碳源類數據 //194
8.1.3 碳匯類數據 //195
8.2 知識圖譜和區塊鏈應用策略 //195
8.2.1 知識圖譜和區塊鏈技術概述 //195
8.2.2 知識圖譜在低碳數據治理中的應用策略 //196
8.2.3 區塊鏈在低碳數據治理中的應用策略 //197
8.3 數據治理平臺需求 //198
8.3.1 問題分析 //198
8.3.2 業務性需求 //199
8.3.3 功能性需求 //200
8.3.4 低碳數據治理系統軟硬件配置要求 //201
8.3.5 低碳數據治理系統性能需求 //201
8.4 低碳數據治理系統的設計與實現 //203
8.4.1 總體框架設計 //203
8.4.2 數據庫設計 //205
8.4.3 各功能模塊設計與實現 //213
8.5 低碳數據治理系統構建示例 //222
8.5.1 應用效果 //222
8.5.2 小結 //228
8.6 大模型在低碳數據治理領域的應用 //228
8.6.1 綠色電力系統優化 //228
8.6.2 智慧農業生產作業 //229
8.6.3 有色冶金能源管理 //230
8.6.4 新能源汽車智能制造 //230
8.6.5 智能建造設計裝配 //231
8.6.6 大模型助力建筑行業智能化轉型升級 //232
參考文獻 //234
展開全部
智能數據治理――基于大模型、知識圖譜 作者簡介
沈睿芳，首都經濟貿易大學管理工程學院講師，管理科學與工程專業博士，清華大學控制科學與工程專業博士后。近年來一直從事多學科領域的信息管理與大數據治理領域的教學及科研工作，并開展了多學科交叉領域的復雜系統建模與仿真、智能決策系統、網絡的生成與演化機制、知識圖譜與知識服務等方面的研究工作。近年來在國內外學術期刊及國際會議發表20余篇學術論文。作為主持或主要負責人參與多項國家科技支撐計劃、國家自然科學基金和企業橫向課題、北京市自然科學基金、北京市計劃項目、河北省科技廳等科研項目。
書友推薦
- >
二體千字文
- >
莉莉和章魚
- >
名家帶你讀魯迅:故事新編
- >
回憶愛瑪儂
- >
經典常談
- >
名家帶你讀魯迅:朝花夕拾
- >
山海經
- >
我從未如此眷戀人間
本類暢銷
