必读论文 | 知识图谱必读论文10篇

人工智能正由感知智能向认知智能演化，让机器具备认知智能，其核心就是让机器具备理解和解释能力。这种能力的实现与大规模、结构化的背景知识是密不可分的。知识图谱是实现机器认知智能的使能器，一方面通过建立从数据到知识图谱中实体、概念、关系的映射，让机器理解数据的本质；另一方面利用知识图谱中实体、概念和关系来解释现实世界中事物和现象，让机器解释现象的本质。

知识图谱的概念最早起源于 Google 在 2012 年提出的 Knowledge Graph。知识图谱本质上是一种语义网络。其结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系。知识图谱的直接推动力来自于一系列实际应用，包括语义搜索、机器问答、情报检索、电子阅读、在线学习等。

人工智能正由感知智能向认知智能演化，让机器具备认知智能，其核心就是让机器具备理解和解释能力。这种能力的实现与大规模、结构化的背景知识是密不可分的。知识图谱是实现机器认知智能的使能器，一方面通过建立从数据到知识图谱中实体、概念、关系的映射，让机器理解数据的本质；另一方面利用知识图谱中实体、概念和关系来解释现实世界中事物和现象，让机器解释现象的本质。

AMiner 学术搜索平台推荐了一系列知识图谱相关的经典论文，内容涵盖：概念、发展历程、关键技术（比如知识表示与建模、知识抽取、知识融合、知识图谱查询与推理计算等）、应用场景、研究问题与挑战、未来研究方向等多方面。旨在为读者了解知识图谱的发展动向、基础及应用研究的代表性成果提供了信息窗口。

10 篇推荐论文如下：

1、标题：A Survey on Knowledge Graphs: Representation, Acquisition and Applications

出版物：the Association for the Advance of Artificial Intelligence --AAAI2020

作者：Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu

推荐理由：本文详细介绍了知识图谱表示学习、知识获取与完成、时间知识图谱、知识感知应用等方面的技术和未来的研究方向。

2、标题：Knowledge graph completion with adaptive sparse transfer matrix

出版物：the Association for the Advance of Artificial Intelligence --AAAI 2016

作者：Guoliang Ji, Kang Liu, Shizhu He, Jun Zhao

推荐理由：本文提出一种自适应稀疏转移矩阵来完善知识图谱，处理知识图谱的异质性和不平衡性等问题。

3、标题：Dynamic Knowledge Graph Construction for Zero-shot Commonsense Question Answering

出版物：Computing Research Repository --CoRR2019

作者：Antoine Bosselut, Yejin Choi

推荐理由：本文提出了一种利用生成神经常识模型，根据需要生成上下文相关知识的新方法，用于零样本常识问答任务，性能得到提升。

4、标题：Collaborative knowledge base embedding for recommender systems

出版物：ACM SIGKDD Conference on Knowledge Discovery and Data Mining

--KDD 2016

作者：Fuzheng Zhang, Nicholas Jing Yuan, Defu Lian, Xing Xie, Wei-Ying Ma

推荐理由：本文研究了如何利用知识库中的异构信息来提高推荐系统的质量，首先利用知识库设计了三个组件，分别从结构内容、文本内容和可视内容中提取条目的语义表示；然后提出一种协同知识库嵌入（CKE）集成框架，共同学习协同过滤中的潜在表示以及知识库中项目的语义表示。本文方法明显提升了推荐系统中协同过滤的性能。

5、标题：ProjE: Embedding projection for knowledge graph completion

出版物：the Association for the Advance of Artificial Intelligence --AAAI 2017

作者：Baoxu Shi, Tim Weninger

推荐理由：本文提出一个名为 ProjE 的共享变量神经网络模型，该模型不需要复杂特征工程，仅通过简单改变底层模型的结构，来填补知识图谱中的缺失信息。

6、标题：Convolutional 2d knowledge graph embeddings

出版物：the Association for the Advance of Artificial Intelligence --AAAI 2018

作者：Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel

推荐理由：本文提出了一种用于链路预测的多层卷积网络模型 ConvE，来预测知识图谱中实体间缺失关系。本文方法具有很高的参数效率，特别适用于对具有高密度的节点进行建模。

7、标题：InfoGraph: Unsupervised and Semi-supervised Graph-Level Representation Learning viaMutual Information Maximization

出版物：The International Conference on Learning Representations --ICLR 2020

作者：Fan-Yun Sun, Jordan Hoffmann, Vikas Verma, Jian Tang

推荐理由：本文受到无监督表示法学习的启发，通过最大化交互信息，提出了 InfoGraph* 模型，该模型最大化了 InfoGraph 学习的无监督图表示与现有监督方法学习的表示之间的互信息。

8、标题：Dynamic Graph Representation Learning via Self-Attention Networks

出版物：Web Search and Data Mining --WSDM 2020

作者：Aravind Sankar，Yanhong Wu, Liang Gou, Wei Zhang，Hao Yang

推荐理由：本文提出了动态的自注意力网络（DySAT），这是一种新型的神经架构，它操作在动态图上，并学习节点表示，以捕捉结构特性和时间演化模式。

9、标题：An End-to-End Deep Learning Architecture for Graph Classification

出版物：the Association for the Advance of Artificial Intelligence --AAAI 2018

作者：Muhan Zhang, Zhicheng Cui, Marion Neumann, Yixin Chen

推荐理由：本文提出了一种可以接受任意结构的图神经网络架构，包括局部图卷积模型和图顶点排序策略。本文方法解决了图分类任务中的两个问题：1)如何提取有用的特征来表示信息编码丰富的图象；2)如何顺序读取有意义且一致的绘制图形。

10、标题：Hierarchical graph representation learning with differentiable pooling

出版物：Neural Information Processing Systems --NeurIPS 2018

作者 ：Rex Ying, Jiaxuan You, Christopher Morris, Xiang Ren,William L. Hamilton， Jure Leskovec

推荐理由 ：本文提出了一种可微图池化模块 DIFFPOOL，可生成层次结构图形的表示形式，并可与各种图形相结合的端到端的神经网络架构。

近期精彩集锦（点击蓝色字体跳转阅读）：

公众号对话框回复“ 2020科技趋势 ”，获取 《2020科技趋势报告》 完整版PDF！

公众号对话框回复“ AI女神 ”，获取 《人工智能全球最具影响力女性学者报告》 完整版！

公众号对话框回复“ AI10 ”，获取 《浅谈人工智能下一个十年》 主题演讲PPT！

公众号对话框回复“ GNN ”，获取 《图神经网络及认知推理》 主题演讲PPT！

公众号对话框回复“ 学术搜索 ”，获取 《人工智能之学术搜索》 报告完整版！

公众号对话框回复“ AI指数 ”，获取 《2019人工智能指数报告》 完整版PDF！

公众号对话框回复“ 3D视觉 ”，获取 《3D视觉技术白皮书》 完整版PDF！

点击阅读原文，查看更多精彩！