资源介绍
电子书）
电子书格式:epub
在人工智能技术飞速发展的当下，知识图谱（KG）与大语言模型（LLM）的融合已成为构建可靠智能系统的核心方向。本书聚焦二者的协同应用，系统阐述如何结合知识图谱的结构化推理能力与大语言模型的自然语言理解优势，打造兼具准确性、可解释性与实用性的混合智能系统，为各行业智能应用开发提供全面指导。
全书共分为五个核心部分，结构由浅入深、层层递进。第一部分奠定混合智能系统的理论基础，剖析知识图谱与大语言模型的核心特性，揭示二者 "优势互补" 的协同逻辑 —— 知识图谱解决大语言模型的幻觉问题与事实 grounding 缺陷，大语言模型则降低知识图谱的构建门槛、提升其查询与交互便捷性。同时明确了混合智能系统的四大核心能力：结构化与非结构化数据协同处理、多类型推理策略融合、结果可解释可验证、知识持续更新与自然交互。
第二部分聚焦结构化数据源的知识图谱构建，通过医疗领域实例详细演示从本体设计、数据映射到知识整合的完整流程。读者将学习如何利用现有结构化数据（如医疗标准术语库、生物医学数据库）构建领域知识图谱，掌握数据质量验证、实体匹配、语义一致性保障等关键技术，为后续应用奠定数据基础。
第三部分转向非结构化文本的知识提取与图谱构建，这也是企业级应用中的核心难点。书中以历史文献、医疗报告等真实场景为例，展示如何通过大语言模型实现命名实体识别、关系抽取、实体消歧等关键任务。重点介绍提示工程优化、领域适配方法与文本知识结构化技巧，帮助读者高效将海量非结构化文本转化为可用的图谱知识。
第四部分深入探讨知识图谱上的机器学习技术，涵盖节点分类、链路预测、社区检测、图分类等核心任务。详细讲解手动特征工程、半自动化特征提取与图神经网络（GNN）自动表征学习等方法，展示如何通过机器学习挖掘知识图谱中的隐藏模式与关联关系，为智能决策提供支撑。书中案例兼顾理论深度与实践可行性，帮助读者快速掌握图机器学习的核心逻辑与实现路径。
第五部分聚焦信息检索与实际应用落地，介绍知识图谱增强的检索增强生成（RAG）技术、自然语言查询接口构建、智能问答代理开发等实用内容。通过医疗诊断辅助、智能客服、药物研发辅助等真实场景案例，演示混合智能系统的完整开发流程，包括系统架构设计、组件配置、部署优化等关键环节，助力读者将理论转化为实际应用。
本书兼具理论深度与实践价值，既适合机器学习工程师、数据科学家、AI 工程师等技术人员作为实战指南，也可为科研人员、行业决策者提供前沿技术参考。书中包含大量可直接运行的代码示例、详细的技术选型建议与场景化解决方案，帮助读者快速掌握混合智能系统的构建方法，推动人工智能技术在各领域的可靠落地与规模化应用。