本文目录一览：
- 1、自动化知识图谱表示学习:从三元组到子图
- 2、【KG】知识图谱表示学习论文综述
- 3、自动化知识图谱表示:从三元组到子图
- 4、【知识图谱系列】动态时序知识图谱EvolveGCN
- 5、【知识图谱系列】多关系神经网络CompGCN
- 6、百科知识图谱构建(一)百科类知识抽取
自动化知识图谱表示学习:从三元组到子图
知识图谱作为特殊图结构，融合语义与图结构信息，广泛应用于多个领域。从三元组到子图，知识图谱表示学习研究着将符号映射至低维向量空间，以挖掘隐藏性质，实现高效计算相似度。本文从知识表示学习的背景、重要方向、模型设计与总结等方面，详细介绍自动化知识图谱表示学习的理论与实践。
知识图谱表示学习涉及五个关键模块：定义打分函数、设计负采样策略、建立损失函数、引入正则化项与优化模型参数。知识图谱的表示方法可以分为基于三元组、基于路径与基于子图等不同策略。基于三元组的方法如TransE、DistMult、ComplEx等，基于路径的方法如PTransE、RSN等，基于子图的方法如RED-GNN等。
属性抽取从信息源采集实体属性，如教育背景等，实现完整勾画。知识表示技术采用RDF三元组描述实体间关系，表示学习技术取得进展。知识融合解决实体链接与合并问题，消除概念歧义、错误与冗余信息，确保知识质量。实体链接通过相似度计算将实体指称项链接到正确实体，知识合并整合第三方知识库数据。
【KG】知识图谱表示学习论文综述
R-GCN创新性地将图神经网络应用于知识图谱的表示学习，通过核心公式整合了多层处理，有效地学习了图中不同跳数的结构特征。这种深层结构为知识图谱的表示学习提供了强大的工具。ConvE突破了浅层网络在知识图谱表示学习上的局限，引入卷积操作学习丰富特征，通过基于卷积的研究防止过拟合。
知识图谱（KG）嵌入是将知识图谱中的实体和关系表示为低维连续空间上的向量，以促进推理和补全。这通常通过定义三元组的打分函数实现，当三元组成立时，最大化打分函数。知识图谱的核心任务之一是推理和补全，典型场景包括关系补全和缺失实体预测。
知识图谱作为特殊图结构，融合语义与图结构信息，广泛应用于多个领域。从三元组到子图，知识图谱表示学习研究着将符号映射至低维向量空间，以挖掘隐藏性质，实现高效计算相似度。本文从知识表示学习的背景、重要方向、模型设计与总结等方面，详细介绍自动化知识图谱表示学习的理论与实践。
属性抽取从信息源采集实体属性，如教育背景等，实现完整勾画。知识表示技术采用RDF三元组描述实体间关系，表示学习技术取得进展。知识融合解决实体链接与合并问题，消除概念歧义、错误与冗余信息，确保知识质量。实体链接通过相似度计算将实体指称项链接到正确实体，知识合并整合第三方知识库数据。
摘要： 本文提出 RippleNet，旨在改善推荐系统在基于嵌入和基于路径的方法上的局限性。通过将知识图谱（KG）作为辅助信息来源，RippleNet 提出了一种基于偏好传播的机制。用户偏好在知识图中传播类似于雨滴在水中形成波纹，多个波纹叠加形成用户最终的偏好分布。
动态知识图谱与普通知识图谱的区别主要体现在时序性与动态性上。动态知识图谱是在普通知识图谱的基础上加入了时间维度，旨在捕捉实体与实体间关系随时间变化的动态过程。此特性让动态知识图谱在诸如交通流量预测、动作识别、气候预测等应用领域展现出显著优势。
自动化知识图谱表示:从三元组到子图
知识图谱表示学习涉及五个关键模块：定义打分函数、设计负采样策略、建立损失函数、引入正则化项与优化模型参数。知识图谱的表示方法可以分为基于三元组、基于路径与基于子图等不同策略。基于三元组的方法如TransE、DistMult、ComplEx等，基于路径的方法如PTransE、RSN等，基于子图的方法如RED-GNN等。
知识图谱作为特殊图结构，融合语义与图结构信息，广泛应用于多个领域。从三元组到子图，知识图谱表示学习研究着将符号映射至低维向量空间，以挖掘隐藏性质，实现高效计算相似度。本文从知识表示学习的背景、重要方向、模型设计与总结等方面，详细介绍自动化知识图谱表示学习的理论与实践。
知识图谱是语义网络，将经验沉淀，结点为实体或概念，边表示关系。Neo4j、Dgraph、JanusGraph等数据库支持存储。知识图谱常用三元组表示，三个值分别代表实体、实体关系和另一实体。深度学习推动表示从三元组转向稠密向量，如Word2Vec等算法学习表示。
属性抽取从信息源采集实体属性，如教育背景等，实现完整勾画。知识表示技术采用RDF三元组描述实体间关系，表示学习技术取得进展。知识融合解决实体链接与合并问题，消除概念歧义、错误与冗余信息，确保知识质量。实体链接通过相似度计算将实体指称项链接到正确实体，知识合并整合第三方知识库数据。
知识图谱三元组置信度衡量的是知识准确性的概率，其数值范围在0到1之间。数值接近0表示错误可能性大，接近1则表示真实性高。度量模型：采用知识图谱三元组置信度度量模型进行量化。KGTtm通过量化三元组的可信度，能够识别和改善知识库中的错误。
【知识图谱系列】动态时序知识图谱EvolveGCN
1、为解决动态时序知识图谱的建模问题，EvolveGCN这一模型应运而生。EvolveGCN通过使用RNN动态地学习每个时间片的GCN模型参数，而非直接串联每个时刻的节点嵌入，以此来适应节点在不同时间点可能的变化。
2、动态知识图谱与普通知识图谱的区别主要体现在时序性与动态性上。动态知识图谱是在普通知识图谱的基础上加入了时间维度，旨在捕捉实体与实体间关系随时间变化的动态过程。此特性让动态知识图谱在诸如交通流量预测、动作识别、气候预测等应用领域展现出显著优势。
3、RE-GCN（SIGIR21）与APAN（SIGMOD21）则在大规模动态知识图谱构建与查询优化上取得了突破性进展，推动了知识图谱领域的技术创新。总结而言，上述模型及技术在动态图神经网络与时序知识图谱领域，展示了深度学习的潜力与应用价值，为复杂动态数据的分析、理解与预测提供了有力支持。
【知识图谱系列】多关系神经网络CompGCN
1、CompGCN（ICLR 2020）是一种在多关系神经网络领域引入的创新方法，旨在解决传统图神经网络（GNN）在处理复杂知识图谱时的局限性。知识图谱的特性是包含了丰富的实体和复杂的关系类型，这使得传统的GNN算法，如GCN，难以有效捕捉和表示这些结构。
2、DistMult引入了基于双线性模型的表示学习方法，能够更灵活地处理知识图谱中的复合关系，简化了NTN的非线性与线性部分，并利用二维矩阵作为参数，显著降低了模型复杂度。实验证明该模型不仅具有良好的可拓展性，而且在链路预测任务上的表现优于TransE等复杂模型。
3、NTN模型使用张量和矩阵来匹配关系，几乎涵盖了所有的匹配关系，但参数过多。ConvE模型采用2D卷积计算匹配分数，适用于大规模知识图谱。图神经网络模型，如关系图卷积网络、带权重的图卷积编码器、KG与图注意力模型和CompGCN，结合了KG嵌入方法和图卷积网络。
百科知识图谱构建(一)百科类知识抽取
构建百科类知识图谱旨在扩大知识图谱的规模与领域覆盖。依据前人的研究，我们尝试构建一个包含百度百科、互动百科及中文wiki百科知识的百科类知识图谱。目标是构建一个包含千万级实体数量和亿级别的关系数目的中文百科类知识图谱，目前已完成百度百科和互动百科部分的构建。
知识抽取是知识图谱构建的基石，它主要包括命名实体识别、关系抽取和事件抽取三重奏。 命名实体识别： 定义：从文本中挖掘出独特的身份标签，如人物、组织、地点和时间。 作用：为后续分析提供基础锚点，是知识抽取旅程的首要步骤。
知识图谱构建的基石：知识抽取 知识抽取，如同构建庞大知识宫殿的基石，是实现自动化知识图谱建设的关键技术。它的核心使命是游走在数据的海洋中，从无序的源泉中提炼出结构化的知识，将它们精准地编织进知识图谱的经纬之中。
知识抽取的概念最早出现在20世纪70年代后期的自然语言处理研究领域，旨在自动从文本中提取和抽取相关信息。其目标是利用从不同来源、不同结构的数据中提取的知识，构建大规模知识图谱。知识抽取的数据源包括结构化数据、半结构化数据和非结构化数据。
DBpedia项目是较为早期的语义网项目，从维基百科中抽取结构化数据，构建大规模、多语言的知识库。DBpedia通过众包方式构建了一个本体，并通过映射文件实现维基百科信息框与本体之间的匹配，以统一描述知识库中的信息。
