知識圖譜已在多個領域深耕多年，然而，現有的典型知識圖譜主要是以實體及其屬性和關系為研究核心，缺乏對事理邏輯這一重要人類知識的刻畫。為了彌補這一不足，事理圖譜應運而生，它能夠揭示事件的演化規律和發展邏輯，刻畫和記錄人類行為活動。事理圖譜是較為典型的多學科交叉領域，涉及知識工程、自然語言處理、機器學習、圖數據庫等多個領域。本書系統地介紹事理圖譜涉及的概念和關鍵技術，如事理圖譜概述、事理知識表示、事件抽取、事件模式的自動歸納、事件關系抽取、事件表示學習、事件泛化及事理歸納、事理知識存儲和檢索、基于事理圖譜的認知推理與預測、基于事理圖譜的問答與對話等。此外，本書還嘗試將學術前沿和實戰結合，讓讀者在掌握實際應用能力的同時對前沿技術發展有所了解。本書主要面向高年級本科生和研究生，可以作為知識圖譜相關課程的教材，也可以作為對事理圖譜感興趣的讀者的入門讀物。
丁效，哈爾濱工業大學教授、博士生導師、社會計算與信息檢索研究中心副主任。主要研究方向為人工智能、自然語言處理、事理圖譜、因果推理。在TKDE、ACL、AAAI、IJCAI等人工智能領域的頂級國際期刊和會議上發表相關論文80余篇，承擔國家部委項目、科技部科技創新2030—“新一代人工智能”重大項目課題、國家自然科學基金重點項目課題、面上項目、黑龍江省優青項目等多項省部級以上項目。獲國家級教學成果二等獎，黑龍江省科學技術一等獎，黑龍江省科學技術二等獎，ACL 2024杰出論文獎，SemEval 2020國際語義評測“檢測反事實陳述”任務第一名，入選2022年AI 2000全球人工智能最具影響力學者、華為云AI名師獎等，擔任中國中文信息學會社會媒體處理專委會秘書長、黑龍江省中文信息處理重點實驗室副主任等職務。劉挺，哈爾濱工業大學教授、博士生導師、副校長，國家高層次人才。工業和信息化部高新技術司“智能機器人”專家組專家、電子信息科學技術委員會信息服務組副組長，教育部人工智能科技創新專家組成員，國家人工智能產教融合創新平臺負責人，認知智能與內容安全教育部重點實驗室主任，中文信息處理黑龍江省重點實驗室主任，中國計算機學會會士，中國中文信息學會副理事長，黑龍江省“人工智能”頭雁團隊帶頭人。曾主持國家重點研發計劃項目、國家973課題、基金重點項目。獲國家科技進步二等獎（排名第4）、黑龍江省科技進步一等獎（排名第1）。秦兵，哈爾濱工業大學教授、博士生導師、社會計算與信息檢索研究中心主任。國家重點研發課題、國家自然科學基金重點項目負責人。科技部科技創新2030—“新一代人工智能”重大項目管理專家組專家，中國中文信息學會常務理事、語言與知識計算專委會副主任、情感計算專委會主任，黑龍江省計算機學會自然語言處理專委會主任。主持多項國家及省部級項目，獲中文信息學會錢偉長中文信息處理科學技術獎一等獎、黑龍江省科學技術一等獎、黑龍江省科學技術二等獎。入選“2020年度人工智能全球女性及AI 2000最具影響力學者榜單”和“福布斯中國2020科技女性榜”，連續四年（2020-2023）入選愛思唯爾高被引學者榜單。
第1章 事理圖譜概述 1
1.1 事理圖譜的基本概念 1
1.1.1 事理圖譜的定義 1
1.1.2 事理圖譜中事件的定義和表示 2
1.1.3 事理圖譜中的事件關系類型 2
1.1.4 事理圖譜中的事件屬性 4
1.1.5 事理圖譜的形成過程 4
1.2 事理圖譜與知識圖譜的區別與聯系 5
1.3 事理圖譜的研究意義 7
1.4 國內外典型的事件相關知識庫構建項目 8
1.5 事理圖譜的相關技術 15
1.5.1 事理圖譜的構建 15
1.5.2 事理圖譜的表示學習 16
1.6 事理圖譜的質量評估 16
1.6.1 人工評估 16
1.6.2 自動評估 17
1.7 事理圖譜的應用價值 17
1.8 本章小結 19
參考文獻 19
第2章 事理知識表示 21
2.1 知識表示 21
2.2 經典知識表示方法 23
2.2.1 一階謂詞邏輯 23
2.2.2 產生式規則 23
2.2.3 框架表示法 23
2.2.4 腳本 24
2.3 語義網中的知識表示方法 25
2.3.1 XML 26
2.3.2 RDF 28
2.3.3 RDFS 28
2.3.4 OWL 29
2.4 知識圖譜的知識表示方法 31
2.4.1 知識圖譜的圖表示 31
2.4.2 知識圖譜的分布式表示 32
2.5 事理圖譜的知識表示方法 36
2.5.1 事理圖譜的圖表示 36
2.5.2 事理圖譜的分布式表示 41
2.5.3 事理圖譜中的事理知識表示方法 43
2.6 本章小結 45
參考文獻 46
第3章 事件抽取 48
3.1 任務概述 48
3.1.1 任務定義 48
3.1.2 公開評測和相關語料資源 50
3.1.3 評價方法 52
3.2 限定域事件抽取 53
3.2.1 基于模式匹配的方法 53
3.2.2 基于統計機器學習的方法 57
3.2.3 基于深度學習的方法 61
3.3 開放域事件抽取 66
3.4 文檔級事件抽取 69
3.5 自底向上的事件抽取系統介紹 72
3.6 本章小結 75
參考文獻 75
第4章 事件模式自動歸納 79
4.1 任務概述 79
4.1.1 模板型事件模式自動歸納任務概述 80
4.1.2 敘述型事件模式自動歸納任務概述 84
4.2 事件模式自動歸納方法 87
4.2.1 模板型事件模式自動歸納方法 87
4.2.2 敘述型事件模式自動歸納方法 89
4.3 相關任務 93
4.4 本章小結 96
參考文獻 96
第5章 事件關系抽取 100
5.1 事件因果關系抽取 100
5.1.1 任務語料與知識庫 101
5.1.2 顯式因果關系抽取 103
5.1.3 隱式因果關系抽取 106
5.2 事件時序關系抽取 107
5.2.1 任務概述 107
5.2.2 數據集簡介 108
5.2.3 事件時序關系抽取方法 109
5.3 子事件關系抽取 113
5.3.1 任務概述 113
5.3.2 數據集簡介 114
5.3.3 子事件關系抽取方法 114
5.4 事件共指關系抽取 117
5.4.1 任務概述 117
5.4.2 數據集簡介 118
5.4.3 事件共指關系抽取方法 119
5.5 本章小結 121
參考文獻 121
第6章 事件表示學習 127
6.1 任務概述 127
6.1.1 任務難點 128
6.1.2 任務評價 129
6.2 事件的離散表示 130
6.3 結構化事件的連續向量表示 132
6.3.1 事件元素的表示方法 133
6.3.2 組合事件元素獲取事件表示的方法 136
6.3.3 事件連續表示的學習方法 140
6.4 基于預訓練語言模型的非結構化事件向量表示方法 145
6.4.1 事件時間常識知識增強的預訓練語言模型 146
6.4.2 動詞語用知識增強的預訓練語言模型 148
6.4.3 事件演化知識增強的預訓練語言模型 149
6.5 本章小結 151
參考文獻 151
第7章 事件泛化及事理歸納 154
7.1 任務概述 154
7.2 主要方法 155
7.2.1 基于統計的事件泛化方法 155
7.2.2 基于規則的事件泛化方法 162
7.2.3 基于神經網絡的事件泛化方法 170
7.2.4 自然邏輯與神經網絡相結合的事件泛化方法 173
7.3 本章小結 175
參考文獻 175
第8章 事理知識存儲和檢索 177
8.1 事理圖譜的存儲 177
8.1.1 基于表結構的存儲 177
8.1.2 基于圖結構的存儲 180
8.2 事理圖譜的檢索 182
8.2.1 常見的形式化檢索語言 182
8.2.2 圖檢索技術 182
8.2.3 圖數據庫與關系數據庫的特點 183
8.2.4 Cypher查詢語言 185
8.3 Cypher語句實踐 185
8.3.1 Neo4j的安裝與使用 186
8.3.2 節點的創建與檢索 188
8.3.3 節點的刪除與更新 190
8.3.4 數據導入與圖譜導出 192
8.3.5 Neo4j的高級功能 194
8.4 其他圖數據庫 194
8.5 本章小結 195
參考文獻 196
第9章 基于事理圖譜的認知推理 197
9.1 認知系統 198
9.2 基于知識圖譜的認知推理 199
9.3 基于事理圖譜的認知推理 201
9.3.1 基于事理圖譜的If-Then類型事件推理 202
9.3.2 基于事理圖譜的腳本類事件預測 204
9.3.3 基于事理圖譜的因果事件推理 208
9.4 基于事理圖譜的文本預測 215
9.5 本章小結 216
參考文獻 217
第10章 基于事理圖譜的應用 219
10.1 概述 220
10.2 基于事理知識的問答 221
10.2.1 任務概述 221
10.2.2 基于事理知識的問答方法 222
10.3 基于事理知識的對話 224
10.3.1 任務概述 224
10.3.2 基于事理知識的對話方法 227
10.4 基于事理知識的消費意圖挖掘 235
10.4.1 任務概述 235
10.4.2 基于事理知識的消費意圖挖掘方法 236
10.5 基于事理知識的股票市場預測 239
10.5.1 任務概述 239
10.5.2 基于事理知識的股票市場預測方法 240
10.6 大語言模型背景下的事理圖譜應用 245
10.6.1 事理圖譜如何增強大語言模型應用長尾事理知識進行推理 247
10.6.2 事理圖譜如何增強開源大語言模型事理推理能力 248
10.7 本章小結 249
參考文獻 250
新書資訊