随着人工智能技术在各领域的深入渗透，知识图谱与大模型作为关键技术，备受关注。大模型具备强大的自然语言处理能力，知识图谱则擅长结构化知识管理，但二者在单独应用时均存在局限性。为帮助读者深入理解这两项技术及其融合价值，本书系统梳理理论、技术与应用，为人工智能领域的探索提供专业参考。
本书共分六章。第一章概述知识图谱与大模型的定义、发展历程、典型应用及面临的挑战，点明二者融合的意义。第二章至第三章分别深入讲解知识图谱与大模型的基础知识，包括知识图谱的表示、构建、存储、融合与推理，以及大模型的训练、优化和应用工程等内容，夯实理论基础。第四章阐述大模型如何增强知识图谱，从知识表示、抽取、补全到推理提升其性能，并结合互联网领域案例展示实践成果；第五章探讨知识图谱增强大模型的方法，如知识引导微调、推理增强与可解释性提升，以司法、文献等领域案例说明应用效果。第六章聚焦二者协同，剖析协同概念、模式，通过企业决策、智能导览等案例展现协同应用价值。
本书可作为高校师生学习人工智能相关课程的教材，助力深化专业认知；也适合人工智能的科研技术者，助其掌握前沿技术；同时还适用于人工智能企业管理者，为其提供技术决策参考。

目 录
第1章 概述1
1.1 大模型概述2
1.1.1 大模型的定义2
1.1.2 大模型的发展历程3
1.1.3 大模型的价值8
1.1.4 大模型的发展趋势9
1.2 知识图谱概述10
1.2.1 知识图谱的定义11
1.2.2 知识图谱的发展历程12
1.2.3 知识图谱的价值15
1.2.4 知识图谱的发展趋势17
1.3 知识图谱与大模型协同概述17
1.3.1 大模型的优势与局限性18
1.3.2 知识图谱的优势与局限性21
1.3.3 知识图谱与大模型协同23
本章习题30
第2章 知识图谱基础31
2.1 知识图谱的表示31
2.1.1 知识表述概述33
2.1.2 知识图谱的符号表示35
2.1.3 知识图谱的向量表示39
2.1.4 知识图谱的可视化方法41
2.2 知识图谱的抽取与构建42
2.2.1 知识抽取的基本概念42
2.2.2 自然语言处理技术43
2.2.3 概念层建模技术44
2.2.4 实体抽取技术45
2.2.5 关系抽取技术47
2.2.6 事件抽取技术50
2.2.7 知识抽取面临的挑战及其解决方法52
2.3 知识图谱的存储56
2.3.1 数据库的类型与选择56
2.3.2 基于关系型数据库的存储方法57
2.3.3 基于原生图数据库的存储方法59
2.3.4 数据库的查询方法63
2.4 知识融合64
2.4.1 知识融合的概念与意义65
2.4.2 概念层融合67
2.4.3 本体层融合71
2.5 知识推理73
2.5.1 知识推理的基本概念73
2.5.2 基于符号主义的知识推理75
2.5.3 基于表示学习的知识推理77
2.5.4 符号主义与表示学习融合80
2.6 知识图谱的应用82
2.6.1 智能搜索系统83
2.6.2 知识管理与智能问答系统84
2.6.3 智能推荐系统87
本章习题88
第3章 大模型基础89
3.1 大模型的基础知识90
3.1.1 神经网络基础90
3.1.2 深度学习框架92
3.1.3 Transformer架构93
3.1.4 缩放法则与模型参数化96
3.2 大模型的预训练技术97
3.2.1 预训练任务介绍98
3.2.2 数据收集与预处理99
3.2.3 预训练策略100
3.3 大模型的微调技术105
3.3.1 有监督微调106
3.3.2 迁移学习与域适应107
3.3.3 大模型微调方法110
3.3.4 大模型微调面临的挑战及其解决方法115
3.4 大模型的强化对齐技术115
3.4.1 强化对齐的作用与价值116
3.4.2 强化学习基础117
3.4.3 策略构建方法118
3.4.4 奖励模型119
3.4.5 RLHF方法119
3.5 大模型的应用工程121
3.5.1 提示工程实践122
3.5.2 应用性能评估124
3.6 大模型的优化方法125
3.6.1 计算架构优化126
3.6.2 推理加速技术127
3.6.3 资源效率提升129
3.6.4 模型结构与训练范式优化131
本章习题133
第4章 大模型增强的知识图谱134
4.1 大模型增强的知识表示134
4.1.1 传统知识表示135
4.1.2 大模型驱动的知识表示136
4.1.3 大模型增强知识表示的技术方案138
4.1.4 知识表示的评价方法141
4.2 大模型增强的知识抽取143
4.2.1 传统知识抽取143
4.2.2 大模型驱动的知识抽取145
4.2.3 大模型增强知识抽取的技术方案147
4.2.4 知识抽取的评价方法153
4.3 大模型增强的知识补全154
4.3.1 传统知识补全155
4.3.2 大模型驱动的知识补全155
4.3.3 大模型增强知识补全的技术方案157
4.3.4 知识补全的评价方法161
4.4 大模型增强的知识推理162
4.4.1 传统知识推理163
4.4.2 大模型驱动的知识推理164
4.4.3 大模型增强知识推理的技术方案165
4.4.4 知识推理的评价方法169
4.5 大模型增强的知识图谱构建应用案例170
4.5.1 面向运维领域的知识图谱构建171
4.5.2 面向GUI设计领域的知识图谱构建180
本章习题187
第5章 知识图谱增强的大模型188
5.1 知识增强的大模型微调方法189
5.1.1 知识增强的训练目标优化190
5.1.2 知识增强的输入特征扩展194
5.1.3 知识增强的指令微调197
5.1.4 评测方法199
5.2 知识增强的大模型推理204
5.2.1 查询增强205
5.2.2 检索增强210
5.2.3 结果增强215
5.2.4 评估方法218
5.3 知识驱动的大模型可解释性222
5.3.1 微调范式的可解释性方法224
5.3.2 基于提示范式的可解释性方法231
5.3.3 评估方法238
5.4 知识增强的大模型实际应用案例241
5.4.1 知识增强的大模型在智慧司法领域的应用241
5.4.2 文献研读领域的应用249
5.4.3 城市交通领域的应用255
本章习题261
第6章 知识图谱与大模型协同262
6.1 知识图谱与大模型协同的概念263
6.1.1 知识图谱与大模型各自的优势与劣势263
6.1.2 知识图谱与大模型的互补性264
6.1.3 协同的必要性及目标265
6.2 知识图谱与大模型协同的关键模型266
6.2.1 知识联合表征266
6.2.2 知识迭代协同277
6.2.3 知识联合推理284
6.3 知识图谱与大模型协同的应用案例293
6.3.1 企业复杂决策支持293
6.3.2 博物馆智能导览系统299
6.3.3 智能问答系统301
本章习题309
参考文献310