論文地址：http://arxiv.org/abs/2002.00388

這篇綜述是數據科學權威 Philip S. Yu 團隊對知識圖譜領域的最新綜述論文，論文從知識圖譜的發展歷史、知識表示學習、知識獲取、知識應用、未來研究方向等方面描述了知識圖譜的全局。

首先，咱們先來看看這篇綜述論文的摘要：

摘要：人類知識提供了對世界的正式的理解。表示實體之間結構關系的知識圖譜已成為面向認知系統和人類智能的日益流行的研究方向。在本綜述中，我們對知識圖譜進行了全面的綜述，涵蓋了有關以下方面的總體研究主題：1）知識圖譜表示學習，2）知識獲取和補全，3）時序知識圖譜和，4）知識應用，并總結了近期的突破和有遠見的研究方向，以方便將來的研究。我們提出了關于這些主題的全視角的分類和新分類標準。知識圖譜嵌入從表示空間，打分函數，編碼模型和輔助信息四個方面進行組織。對于知識獲取，尤其是知識圖譜的補全，回顧了嵌入方法，路徑推斷和邏輯規則推理。我們進一步探索了幾個新興主題，包括元關系學習，常識推理和時序知識圖譜。為了促進對知識圖譜的未來研究，我們還提供了精選的有關不同任務的數據集和開源庫。最后，我們對幾個有前途的研究方向做了一個全面的展望。

?

整合人類知識是人工智能（AI）的研究方向之一。受解決人類遇到的問題的啟發，知識表示和推理是為智能系統表示知識而取得解決復雜任務的能力。近年來，知識圖譜作為結構化人類知識的一種形式已經引起了學術界和工業界的極大關注。知識圖譜是事實的結構化表示，由實體，關系和語義描述組成。實體可以是現實世界中的對象和抽象概念，關系表示實體之間的關系，實體的語義描述及其關系包含具有明確定義含義的類型和屬性。屬性圖或屬性圖被廣泛使用，其中節點和關系具有屬性或屬性。

本文的特點包括：

給出了針對知識圖譜的全視角分類和新分類體系。提出了知識圖研究的全視角分類，以及細粒度的新分類體系。具體而言，在高層從三個方面審查知識圖譜：知識表示學習，知識獲取和知識應用。對于知識表示學習方法，我們進一步從四個視角提出了細粒度分類，包括：表示空間，打分函數，編碼模型和輔助信息。對于知識獲取的分類包括：基于知識圖譜嵌入排序的知識圖譜補全包括關系路徑推理，邏輯規則推理和元關系學習。實體關系抽取任務分為：實體識別，實體分類，消歧和實體對齊，并根據神經網絡范式討論了關系抽取。

對于最新的前沿技術和新興主題做了總結，包括基于Transformer的知識編碼，基于圖神經網絡（GNN）的知識傳播，基于路徑推理的強化學習以及元關系學習。

總結和對未來方向的展望，提供了每個類別的摘要，并突出了有前景的未來研究方向。

本文對知識圖譜的整體分類和梳理如圖所示：

考慮到本文涉及面太廣，包含的知識量太大，因此作者將其中最核心的幾個部分知識表示學習、知識獲取、知識應用分別展開介紹，后期將分別介紹這幾部分。

歡迎關注同名微信公眾號“人工智能遇上知識圖譜”，歡迎關注知乎專欄“人工智能遇上知識圖譜“，也，讓我們一起學習并交流討論人工智能與知識圖譜技術。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

總結

以上是生活随笔為你收集整理的知识图谱最新权威综述论文解读：开篇部分的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。