（1）知识图谱概论与技术架构：了解知识图谱的起源与发展历程（从经典人工智能知识工程到语义Web，再到现代知识图谱）。理解知识图谱的核心价值（语义搜索、智能问答、推荐计算、大数据分析）和知识图谱分类（通用知识图谱与领域知识图谱）。掌握知识图谱的整体技术架构，从底层图数据库到D2R/NL2R数据入图再到图谱消费应用的全流程。
（2）知识表示方法与OWL本体建模：理解知识表示的核心概念，学习人工智能历史发展中的知识表示方法（产生式表示、框架表示、语义网络）。掌握知识图谱的符号表示方法（RDF、RDFS、OWL本体语言），学习知识图谱的向量表示方法（TransE等知识表示学习模型）。深入理解本体（Ontology）的核心概念（类、属性、关系、约束），掌握使用Protégé工具构建OWL本体的完整流程，包括类层次结构设计、对象/数据属性定义、限制条件添加和公理设置。理解开放世界假设与封闭世界假设的区别，掌握必要条件和充分条件的建模技巧。
（3）知识图谱全生命周期管理：掌握知识图谱生命周期的核心概念，从知识建模、知识获取、知识融合、知识存储、知识计算到知识应用的全流程。理解各阶段所需解决的相关问题与技术难点，建立知识图谱项目的系统工程观。
（4）知识抽取：实体识别与关系抽取：学习非结构化文本中的知识抽取技术。掌握实体识别（命名实体识别、细粒度实体识别）的方法，学习关系抽取（限定域关系抽取、开放域关系抽取）的实现。掌握基于深度学习的关系抽取主流模型（SPO抽取模型），包括基于序列标注的SPO模型设计和基于意图识别+槽位抽取的SPO模型设计。了解概念抽取和事件识别与抽取技术。
（5）领域短语挖掘与同义词挖掘：掌握领域短语挖掘的算法和统计指标，学习同义词挖掘和缩略词抽取的实现方法。理解实体消歧的核心问题（同名实体区分），掌握基于聚类的实体消歧方法和基于链接的实体消歧方法，学习实体链接技术将文本中的提及映射到知识库中的目标实体。
（6）知识融合与实体对齐：理解知识图谱融合的必要性和挑战。掌握概念层融合技术（本体匹配/本体对齐），学习实例层融合技术（实体对齐/实体匹配）的实现方法。了解知识融合技术的前沿发展，包括基于表示学习的实体对齐方法。
（7）知识图谱存储与查询：掌握基于关系型数据库的知识图谱存储方案（RDF三元组表、属性表）。学习基于原生图数据库（Neo4j、JanusGraph）的存储实现，理解原生图数据库的实现原理。掌握Cypher查询语言的使用方法，实现图谱数据的灵活检索。了解JanusGraph与Neo4j的对比及适用场景选择。
（8）知识图谱建模与可视化实战：使用图数据库完成知识建模表示，学习数据批量导入方法（D2R工具、Python操作Neo4j）。掌握知识图谱的可视化分析方法，实现图谱数据的直观展示和探索。
（9）知识图谱推理与计算：理解推理的基本概念和知识图谱推理的分类。掌握基于本体（Ontology）的推理和基于规则的推理。学习基于嵌入学习的知识图谱推理和基于规则学习的知识图谱推理。了解本体嵌入（Ontology Embedding）在概念层推理中的应用。掌握知识图谱的计算能力，包括图算法（PageRank、社区发现）的实现。
（10）知识图谱问答系统：了解智能问答系统的分类和知识图谱问答的应用场景。掌握基于查询模板的知识图谱问答、基于语义解析的问答方法、基于检索排序的问答方法和基于深度学习的知识图谱问答。实战完成基于知识图谱的医药问答系统或企业知识问答系统。
（11）知识图谱与大模型融合（RAG与GraphRAG）：理解大模型与知识图谱结合的三大方向（知识图谱增强大模型、大模型增强知识图谱、知识增强的语言预训练）。掌握检索增强生成（RAG）的原理与优化方法，包括向量表征、混合搜索和RAG优化策略。学习GraphRAG的设计框架，掌握微软GraphRAG工具的应用。实践知识图谱与向量检索的混合搜索技术。
（12）综合项目实战：行业知识图谱系统开发：结合所学知识，完成一个完整的行业知识图谱项目（如金融风控知识图谱、医药疾病知识图谱、企业信息知识图谱等）。涵盖需求分析、本体设计、知识抽取、图数据库存储、查询接口开发和与大模型融合应用的全流程，形成规范的知识图谱项目报告。
