- 01
知识抽取
抽取任务的三个子任务各管什么、输入输出长什么样，以及从规则、统计模型、神经网络到检索增强与大模型，范式是怎么一轮轮换过来的。
- 02
命名实体识别
从三大类八小类和 BIO 系标注讲到 HMM、CRF、BiLSTM-CRF 与 BERT，再把前沿进展拆成边界噪声、嵌套、少样本、持续学习等方向，并逐条标出各自的解决程度。
- 03
关系抽取
从任务定义、特征工程、弱监督到神经方法，梳理关系抽取的四种范式、各自的标注成本与噪声来源，以及大模型 Prompting 这条新路线落在什么位置。
- 04
事件抽取
关系抽取给出的是静态的边，事件抽取补上时间、参与者与动作本身。从 ACE 的触发词与论元讲起，梳理标注体系、方法脉络、事理图谱与金融领域的完整落地。
- 05
知识融合
抽取只对单条文本负责，融合才第一次出现全局一致性约束。从本体匹配、实体对齐到冲突消解，把三个库说三个数时该信谁讲清楚。
- 06
知识表示学习与大模型
从独热表示的病根讲到翻译、双线性与图神经网络三代表示学习，再看知识图谱与大模型如何互为补丁，以及图谱在其中的角色变化。
- 07
知识图谱解决什么问题
从「为什么不直接用向量库」这个问题出发，讲清知识图谱的技术分层、它擅长与不擅长的任务，以及一条从原始文本到可推理知识的完整链路。
- 08
知识表示
机器怎么把一句话变成能运算的形式？从语义网络、产生式规则到描述逻辑与 RDF，把每一代表示方法为什么被替换、代价是什么讲清楚。
- 09
知识建模
本体是什么、和数据库 schema 差在哪、七步法怎么走，以及领域与值域的约束为什么能推出图里没存的事实。
01
