awesome-knowledge-graph
整理知識圖譜相關(guān)學(xué)習(xí)資料，提供系統(tǒng)化的知識圖譜學(xué)習(xí)路徑。
目錄
理論及論文
整體概念架構(gòu)
隨著知識圖譜的發(fā)展，與之相關(guān)的概念也越來越多，在閱讀論文時(shí)先準(zhǔn)確的把握該論文所要解決問題處于的層級或者位置對于更好的理解論文也比較有幫助，在此對知識圖譜的概念進(jìn)行了總結(jié)整理，整體概念架構(gòu)圖如下圖所示，后面的論文分類也按照該整體架構(gòu)概念圖從頂向下，從整體到細(xì)節(jié)的方式組織。
綜述綜合
大綜述
- Knowledge Graph Construction Techniques
- Review on Knowledge Graph Techniques (2016)[一篇經(jīng)典的中文綜述，適合入門。]
- Reviews on Knowledge Graph Research (2017)[清華大學(xué)李娟子老師的綜述，十分經(jīng)典，對知識圖譜走入大眾視野功不可沒。]
- The Research Advances of Knowledge Graph (2017)[東南大學(xué)漆桂林老師的綜述，也是2017年發(fā)表的，同樣對知識圖譜走入大眾視野起到很大作用。]
- A Survey on Knowledge Graphs: Representation, Acquisition and Applications (2020)
- Knowledge Graphs (2020)[2020年初的一篇作者眾多、內(nèi)容很全的綜述，適合系統(tǒng)性的建立知識圖譜的知識體系。]
Knowledge-Augmented LMs(知識增強(qiáng)語言模型)
知識圖譜增強(qiáng)語言模型是最近兩年比較流行，主要發(fā)生在BERT出來之后，將知識先驗(yàn)信息融入到語言模型，可以說是知識圖譜助力NLP十分關(guān)鍵的一環(huán)，將該專題放在比較靠前的位置。
- ERNIE: Enhanced Representation through Knowledge Integration(2019)[百度版本ERNIE，在預(yù)訓(xùn)練階段Mask Token時(shí)引入了Entity級別和Phase級別，似的模型在學(xué)習(xí)時(shí)能夠?qū)⒛承┨囟ㄖR作為一個(gè)整體進(jìn)行學(xué)習(xí)。]
- ERNIE: Enhanced Language Representation with Informative Entities(2019)[清華版本ERNIE，將從句子中識別出的Entity的Embedding與原句子Embedding同時(shí)K-Encoder新設(shè)計(jì)的模塊，在該模塊中也采用多頭注意力機(jī)制之后融合編碼在分別輸出到下一層。]
- Latent Relation Language Models(2019)[將文本中實(shí)體在知識圖譜中的結(jié)構(gòu)作為條件建模到概率語言模型中。]
- K-BERT: Enabling Language Representation with Knowledge Graph
- KG-BERT: BERT for Knowledge Graph Completion(2019)[與ERNIE系列處理的問題正好相反，是將Bert的模型應(yīng)用到知識圖譜的補(bǔ)全任務(wù)中，根據(jù)h,r->t,h,r,t->{0,1}的任務(wù)特點(diǎn)設(shè)計(jì)出兩個(gè)fine-tuning任務(wù)。]
- Enriching BERT with Knowledge Graph Embeddings for Document Classification(2019)[結(jié)合Bert和知識圖譜embedding應(yīng)用到具體的文檔分類任務(wù)，將Bert輸出、人工設(shè)計(jì)的Meta特征、作者的kg embedding進(jìn)行concat之后輸入mlp進(jìn)行分類。]
- ERNIE 2.0: A Continual Pre-Training Framework for Language Understanding
- SENSEMBERT: Context-Enhanced Sense Embeddings for Multilingual Word Sense Disambiguation
- Inducing Relational Knowledge from BERT
- Integrating Graph Contextualized Knowledge into Pre-trained Language Models
- Enhancing Pre-Trained Language Representations with Rich Knowledge for Machine Reading Comprehension
- K-ADAPTER- Infusing Knowledge into Pre-Trained Models with Adapters
- Knowledge Enhanced Contextual Word Representations (EMNLP 2019)
- KEPLER: A Unified Model for Knowledge Embedding and Pre-trained Language Representation (2020)
- Pretrained Encyclopedia: Weakly Supervised Knowledge-Pretrained Language Model (ICLR 2020)[在預(yù)訓(xùn)練任務(wù)中結(jié)合wikepedia知識將句子中的實(shí)體替換為同類型的其他實(shí)體，使預(yù)訓(xùn)練模型能夠在很少的訓(xùn)練數(shù)據(jù)甚至是無訓(xùn)練數(shù)據(jù)的情況下在某些特定QA任務(wù)取得不錯(cuò)的效果。]
- Language Models as Knowledge Bases?[設(shè)計(jì)出一種基于完形填空任務(wù)的探測結(jié)構(gòu)LAMA驗(yàn)證了類BERT預(yù)研模型具備一定的知識庫能力]
- A Frame-based Sentence Representation for Machine Reading Comprehension (ACL 2020)[將句子中包含的FrameNet信息自動標(biāo)注出來之后，平鋪展開填充形成quadruples，再將quadruples采用不同的Aggregation Model表示為句子表示，然后采用BERT等神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼進(jìn)行后續(xù)的閱讀理解任務(wù)。]
常識圖譜(Commonsense)
目前人工智能在很多方面表現(xiàn)的比較智障的原因，很多學(xué)者仍為是由于AI缺乏基本常識知識的原因，因此，從感知智能到認(rèn)知智能常識知識起著很重要的作用，而常識圖譜作為常識知識的一個(gè)重要表示手段也越來越受到重視。
- KILT: a Benchmark for Knowledge Intensive Language Tasks(2020)[facebook 針對知識集中型的語言任務(wù)設(shè)計(jì)的baenchmark，其中包括設(shè)計(jì)常識的任務(wù)。]
- TransOMCS: From Linguistic Graphs to Commonsense Knowledge(ICJAI 2020)[基于語言圖譜構(gòu)建常識知識，采用ConceptNet中子集作為常識種子，從語言圖譜中挖掘滿足種子(h,r,t)的模式，然后再基于這些模式從語言圖譜中找常識，同時(shí)為了避免錯(cuò)誤模式帶來的影響，引入一個(gè)打分機(jī)制篩選模式，并且對找出來的常識進(jìn)行可信度排序。]
- ATOMIC: An Atlas of Machine Commonsense for If-Then Reasoning (AAAI 2019)[將常識信息抽象成一系列if then表示的框架，并基于詞框架設(shè)計(jì)眾包任務(wù)獲得數(shù)據(jù)集，通過encoder(ELMo)+decoder結(jié)構(gòu)的model進(jìn)行訓(xùn)練，最后采用BLEU score來評價(jià)機(jī)器在指定指令下的推斷輸出。]
- COMET: Commonsense Transformers for Automatic Knowledge Graph Construction (ACL 2019)[結(jié)合預(yù)訓(xùn)練模型提出了一種常識知識圖譜構(gòu)建框架，并在ATOMIC和ConceptNet常識知識圖譜上進(jìn)行實(shí)驗(yàn)，同時(shí)也驗(yàn)證了模型參數(shù)采用預(yù)訓(xùn)練之后的參數(shù)比隨機(jī)初始化效果明顯要好。]
知識應(yīng)用
對話系統(tǒng)
知識圖譜落地應(yīng)用最為廣泛的一個(gè)方向，研究人數(shù)也眾多，個(gè)人覺得在工業(yè)界可發(fā)揮的空間比較大。
- Commonsense Knowledge Aware Conversation Generation with Graph Attention (IJCAI 2018)[先將原始文本中的實(shí)體轉(zhuǎn)化為常識知識圖譜中的子圖片段，再將子圖片段采用圖注意力方式embedding之后的向量同時(shí)輸入到encoder和decoder中進(jìn)行融合。]
- Mem2Seq: Effectively Incorporating Knowledge Bases into End-to-End Task-Oriented Dialog Systems(2018)[提出一種Men2Seq的改進(jìn)結(jié)構(gòu)來配合copy 機(jī)制更好的處理任務(wù)型對話系統(tǒng)。]
- Augmenting End-to-End Dialogue Systems with Commonsense Knowledge(2018)[將問句x中的實(shí)體所對應(yīng)的常識概念以及之間的關(guān)系作為額外信息a，將x與y，a與y分別使用LSTM打分之后的總和作為回答y的分值。]
知識庫問答-KBQA
- Towards Scalable Multi-Domain Conversational Agents: The Schema-Guided Dialogue Dataset
- Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering
- Graph-Based Reasoning over Heterogeneous External Knowledge for Commonsense Question Answering
推薦系統(tǒng)
- Multi-modal Knowledge Graphs for Recommender Systems(CIKM 2020)[將多模態(tài)信息引入知識圖譜推薦，整體結(jié)構(gòu)上包括多模態(tài)知識圖譜graph embedding和recommendation兩部分，其中g(shù)raph embedding包括entity encoder和attention，用于綜合表示節(jié)點(diǎn)以及其周圍節(jié)點(diǎn)信息。]
知識計(jì)算
Representation（知識表示）
知識應(yīng)用的基礎(chǔ)，目前分布式表示或者embedding大有一統(tǒng)江湖的意思，各種花式embedding眼花繚亂。
- Knowledge Representation Learning: A Review
- Interstellar: Searching Recurrent Architecture for Knowledge Graph Embedding(NeurIPS 2020)[基于由三元組組成的關(guān)系路徑（relational path）提出 Interstellar 模型，通過搜索一種遞歸神經(jīng)網(wǎng)絡(luò)，來處理關(guān)系路徑中的短鏈、長鏈信息,達(dá)到根據(jù)不同任務(wù)，有針對性地對關(guān)系路徑進(jìn)行建模的目的。]
- Holographic embeddings of knowledge graphs
- Context-dependent knowledge graph embedding. EMNLP 2015. Luo, Yuanfei and Wang, Quan and Wang, Bin and Guo, Li.
- GAKE: graph aware knowledge embedding. COLING 2016. Feng, Jun and Huang, Minlie and Yang, Yang and Zhu, Xiaoyan.
- KBGAN: Adversarial Learning for Knowledge Graph Embeddings. Cai, Liwei, and William Yang Wang.(NAACL 2018)
- Bootstrapping Entity Alignment with Knowledge Graph Embedding. Zequn Sun, Wei Hu, Qingheng Zhang and Yuzhong Qu.(IJCAI 2018)
- RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space(ICLR 2019)[在Tran系列的embedding上進(jìn)了一步，將三元組(h,r,t)中的關(guān)系r建模成復(fù)平面的旋轉(zhuǎn)，使得r更具表示力，能夠很好的表示Symmetry、Antisymmetry以及Inversion關(guān)系，使用了自對抗負(fù)采樣損失方法。]
- Quaternion Knowledge Graph Embeddings(2019)[相比RotatE更進(jìn)了一步，通過4元組的Hamilton Product來表示關(guān)系變換，比復(fù)數(shù)具備了更多的自由度。]
- Knowledge Graph Embeddings and Explainable AI(2020)[一篇綜述性質(zhì)文章，介紹了目前sota的KGE方法，并分析embedding與可解釋性的關(guān)系和聯(lián)系。]
Reasoning(知識推理)
聽起來高大上的方向，實(shí)際落地感覺很不容易，學(xué)術(shù)界發(fā)paper可能還行，但是在工業(yè)界容易跪，要推理也盡量離線展開，不要在線推理。
- Reasoning on Knowledge Graphs with Debate Dynamics
- Logic Tensor Networks: Deep Learning and Logical Reasoning from Data and Knowledge(2016)[提出一種通過tenor網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)實(shí)現(xiàn)真值邏輯的框架，嘗試通過深度學(xué)習(xí)解決邏輯推理問題，比較有創(chuàng)新性。]
- Differentiable Learning of Logical Rules for Knowledge Base Reasoning.(2017)[]
- Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings(ICLR 2020)[將問題映射為向量空間中的box，答案實(shí)體為向量空間中的向量，回答問題的過程可以建模成Projection、 Intersection和Union，最終獲得問題的box，通過定義好的query和entity距離計(jì)算方法計(jì)算距離，小于閾值則為答案集合。]
- Conversational Neuro-Symbolic Commonsense Reasoning(2020)
- Neural-Symbolic Reasoning on Knowledge Graphs(2020)[系統(tǒng)的整理了知識圖譜推理中的Symbolic reasoning以及Neural reasoning的方法，并介紹了其不同的優(yōu)劣勢，對KGC和KBQA問題在統(tǒng)一推力網(wǎng)絡(luò)中進(jìn)行了總結(jié)。]
KG Completion(圖譜補(bǔ)全)
- Learning Sequence Encoders for Temporal Knowledge Graph Completion
- Differentiable Reasoning on Large Knowledge Bases and Natural Language
- Diachronic Embedding for Temporal Knowledge Graph Completion
- Commonsense Knowledge Base Completion with Structural and Semantic Context
- KG-BERT: BERT for Knowledge Graph Completion
Coreference Resolution(指代消解)
- Intra-document Coreference Resolution: The state of the art (2007)[指代消解，較全面的介紹了指代消解的發(fā)展、分類方法和評測標(biāo)準(zhǔn)，基本都是偏傳統(tǒng)的方法。]
- 指代消解綜述 (2010)[一篇入門級的綜述，介紹了如何標(biāo)注以及基于句法、基于規(guī)則、基于統(tǒng)計(jì)、基于分類等相對較為傳統(tǒng)指代消解的方法。]
- Cross-Document Co-Reference Resolution using Sample-Based Clustering with Knowledge Enrichment (EMNLP 2015)[Pipeline方式，首先采用通用工具計(jì)算出文檔內(nèi)的mention組，再采用譜聚類和圖相關(guān)算法優(yōu)化相關(guān)度計(jì)算并完成跨文檔的mention指代消解。]
- Higher-order Coreference Resolution with Coarse-to-fine Inference (ACL2018)
- BERT for Coreference Resolution: Baselines and Analysis (2019)[將上一篇paper中l(wèi)stm等encode部分更換為bert的優(yōu)化方法，套路與其他任務(wù)換成bert類似。]
- Deep Reinforcement Learning for Mention-Ranking Coreference Models (ACL2016)
知識獲取
NER(命名實(shí)體識別)
也是自然語言處理的基礎(chǔ)任務(wù)，十分重要。
Entity aligning(實(shí)體對齊)
- A Survey on Entity Alignment of Knowledge Base
- Knowledge Graph Alignment Network with Gated Multi-hop Neighborhood Aggregation
- Coordinated Reasoning for Cross-Lingual Knowledge Graph Alignment
- End-to-End Neural Entity Linking (2018) [將mention的字、詞向量拼接之后過bilstm得到mention embedding，將候選mention的頭尾詞向量和基于attention的soft head拼接得到候選mention embedding，兩個(gè)embedding一起通過FFNN打分，從而實(shí)現(xiàn)端到端的實(shí)體鏈接。]
- Zero-shot Entity Linking with Efficient Long Range Sequence Modeling (2020)
Coreference Resolution(指代消解)
知識建模
Taxonomy(本體構(gòu)建)
- AutoKnow: Self-Driving Knowledge Collection for Products of Thousands of Types(KDD 2020)[結(jié)合商品領(lǐng)域特點(diǎn)將傳統(tǒng)SPO三元組結(jié)構(gòu)的建模方式進(jìn)行了修改，并提出一種自動進(jìn)行實(shí)體收集的架構(gòu)]
- A Short Survey on Taxonomy Learning from Text Corpora: Issues, Resources and Recent Advances (ACL2017)[以兩段式流程框架介紹了基于語料構(gòu)建本體的各種方法，兩段式流程框架是指is-a關(guān)系的抽取和基于is-a關(guān)系的本體構(gòu)建。]
其他擴(kuò)展
Tracing(知識追蹤)
本類別并不是傳統(tǒng)知識圖譜中的任務(wù)，而是與教育領(lǐng)域結(jié)合的廣義上的知識圖譜任務(wù)。
- Context-Aware Attentive Knowledge Tracing(KDD 2020)[]
- Knowledge Query Network for Knowledge Tracing()[將學(xué)生外在表現(xiàn)建模成knowledge vetor和skill vetor的點(diǎn)積]
- Knowledge tracing- Modeling the acquisition of procedural knowledge
- Individualized Bayesian Knowledge Tracing Models
- Deep Knowledge Tracing
- Tracking Knowledge Proficiency of Students with Educational Priors
圖譜及數(shù)據(jù)集
開放知識圖譜
中文開放知識圖譜(OpenKG.CN)
中文開放知識圖譜（簡稱OpenKG.CN）旨在促進(jìn)中文知識圖譜數(shù)據(jù)的開放與互聯(lián)，促進(jìn)知識圖譜和語義技術(shù)的普及和廣泛應(yīng)用，包括了眾多的數(shù)據(jù)集以及工具。
領(lǐng)域知識圖譜
學(xué)術(shù)知識圖譜AceKG
最新發(fā)布的Acemap知識圖譜（AceKG）描述了超過1億個(gè)學(xué)術(shù)實(shí)體、22億條三元組信息，涵蓋了全面的學(xué)術(shù)信息。具體而言，AceKG包含了61,704,089篇paper、52,498,428位學(xué)者、50,233個(gè)研究領(lǐng)域、19,843個(gè)學(xué)術(shù)研究機(jī)構(gòu)、22,744個(gè)學(xué)術(shù)期刊、1,278個(gè)學(xué)術(shù)會議以及3個(gè)學(xué)術(shù)聯(lián)盟（如C9聯(lián)盟）。
同時(shí)，AceKG也為每個(gè)實(shí)體提供了豐富的屬性信息，在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)上加上語義信息，旨在為眾多學(xué)術(shù)大數(shù)據(jù)挖掘項(xiàng)目提供全面支持。
數(shù)據(jù)集
SQuAD
YAGO
YAGO是由德國馬普研究所研制的鏈接數(shù)據(jù)庫。YAGO主要集成了Wikipedia、WordNet和GeoNames三個(gè)來源的數(shù)據(jù)。YAGO將WordNet的詞匯定義與Wikipedia的分類體系進(jìn)行了融合集成，使得YAGO具有更加豐富的實(shí)體分類體系。YAGO還考慮了時(shí)間和空間知識，為很多知識條目增加了時(shí)間和空間維度的屬性描述。目前，YAGO包含1.2億條三元組知識。YAGO是IBM Watson的后端知識庫之一。由于完成的YAGO數(shù)據(jù)集過于龐大，在使用過程中經(jīng)常會選取其中一部分進(jìn)行，比如可以抽取中帶有時(shí)間注釋（time annotations）的部分形成YAGO11k數(shù)據(jù)集。
WikiData
WikiData的目標(biāo)是構(gòu)建一個(gè)免費(fèi)開放、多語言、任何人或機(jī)器都可以編輯修改的大規(guī)模鏈接知識庫。WikiData由維基百科于2012年啟動，早期得到微軟聯(lián)合創(chuàng)始人Paul Allen、Gordon Betty Moore基金會以及Google的聯(lián)合資助。WikiData繼承了Wikipedia的眾包協(xié)作的機(jī)制，但與Wikipedia不同，WikiData支持的是以三元組為基礎(chǔ)的知識條目（Items）的自由編輯。一個(gè)三元組代表一個(gè)關(guān)于該條目的陳述（Statements）。
NLPCC 2017 KBQA
該任務(wù)來自NLPCC 2017評測任務(wù)，開放域問答評價(jià)任務(wù)主要包括三項(xiàng)子任務(wù)，基于知識庫的問答（kbqa），基于文檔的問答（dbqa），和基于表的問答（tbqa）。kbqa的任務(wù)是基于知識庫的中文問題回答。dbqa的任務(wù)是通過選擇一個(gè)或多個(gè)句子從一個(gè)給定的文檔，作為答案回答中文問題。tbqa的任務(wù)是一個(gè)全新的QA任務(wù)，旨在通過從收集的表格中抽取一個(gè)或多個(gè)表回答英語問題。
GDELT
GDELT（Global Database of Events, Language, and Tone）是最大的綜合人類社會關(guān)系數(shù)據(jù)庫，以100多種語言監(jiān)控來自每個(gè)國家?guī)缀趺總€(gè)角落的廣播、印刷和網(wǎng)絡(luò)新聞，并確定推動我們?nèi)蛏鐣娜?、地點(diǎn)、組織、主題、來源、情感、計(jì)數(shù)、報(bào)價(jià)、圖像和事件每天的每一秒，它的全球知識圖將世界的人，組織，地點(diǎn)，主題，計(jì)數(shù)，圖像和情感連接到整個(gè)地球上的單一整體網(wǎng)絡(luò)。為整個(gè)世界的計(jì)算創(chuàng)建一個(gè)免費(fèi)的開放平臺。
ICEWS
ICEWS（Integrated Crisis Early Warning System）捕獲和處理來自數(shù)字化新聞媒體，社交媒體和其他來源的數(shù)百萬條數(shù)據(jù)，以預(yù)測，跟蹤和響應(yīng)世界各地的事件，主要用于早期預(yù)警。該數(shù)據(jù)集在知識圖譜領(lǐng)域主要用于動態(tài)事件預(yù)測等動態(tài)圖譜方面。
OAG
OAG（Open Academic Graph包含來自MAG的166,192,182篇論文和來自AMiner的154,771,162篇論文，并生成了兩個(gè)圖之間的64,639,608個(gè)鏈接（匹配）關(guān)系。它可以作為研究引文網(wǎng)絡(luò)，論文內(nèi)容等的統(tǒng)一大型學(xué)術(shù)圖表，也可以用于研究多個(gè)學(xué)術(shù)圖表的整合。
工具
根據(jù)知識圖譜的通用基本構(gòu)建流程為依據(jù)，每個(gè)階段都整理部分工具。
知識建模
知識抽取
Deepdive
知識推理
知識表示
OpenKE
清華大學(xué)NLP實(shí)驗(yàn)室基于TensorFlow開發(fā)的知識嵌入平臺，實(shí)現(xiàn)了大部分知識表示學(xué)習(xí)方法。
知識融合
白皮書及報(bào)告
機(jī)構(gòu)及人物
本部分介紹在知識圖譜領(lǐng)域前沿研究或者有一定影響力的機(jī)構(gòu)以及個(gè)人。
機(jī)構(gòu)
人物
- 李娟子:清華大學(xué)網(wǎng)頁
- 劉知遠(yuǎn):清華大學(xué)網(wǎng)頁、知乎主頁
- 漆桂林:東南大學(xué)網(wǎng)頁
- 肖仰華:復(fù)旦大學(xué)網(wǎng)頁
- 劉康:中科院網(wǎng)頁
- 劉挺:哈工大網(wǎng)頁
- 王昊奮:
視頻課程
小象學(xué)院知識圖譜課程
貪心學(xué)院知識圖譜課程
煉數(shù)成金知識圖譜課程
CSDN視頻課
專欄合集
知乎集合
簡書集合
評測競賽
- “達(dá)觀杯”文本智能信息抽取挑戰(zhàn)賽
- CCKS 2019 公眾公司公告信息抽取
- CCKS 2019 醫(yī)療命名實(shí)體識別
- CCKS 2019 面向金融領(lǐng)域的事件主體抽取
- CCKS 2019 人物關(guān)系抽取
- CCKS 2019 中文短文本的實(shí)體鏈指
- CCIR 2019 基于電子病歷的數(shù)據(jù)查詢類問答
- 瑞金醫(yī)院MMC人工智能輔助構(gòu)建知識圖譜大賽
- CCKS 2018 面向中文電子病歷的命名實(shí)體識別
- CCKS 2018 面向音樂領(lǐng)域的命令理解任務(wù)
- CCKS 2018 微眾銀行智能客服問句匹配大賽
- CCKS 2018 開放領(lǐng)域的中文問答任務(wù)
- CCKS 2017 問題命名實(shí)體識別和鏈接任務(wù)
- CCKS 2017 面向電子病歷的命名實(shí)體識別
會議交流及講座
AICon
BDTC
- BDTC 2018 醫(yī)療知識圖譜的構(gòu)建和應(yīng)用
- BDTC 2018 從知識圖譜到人工智能：產(chǎn)品演進(jìn)路徑上的思考
- BDTC 2018 基于cnSchema的大規(guī)模金融知識圖譜實(shí)戰(zhàn)
- BDTC 2017 Event Extraction from Texts
- BDTC 2017 知性會話：基于知識圖譜的人機(jī)對話系統(tǒng)方法與實(shí)踐
- BDTC 2017 基于圖的海量知識圖譜數(shù)據(jù)管理
- CSDN AI 2018 醫(yī)療知識圖譜的敏捷構(gòu)建和實(shí)踐
- CSDN AI 2018 知識圖譜的表示和推理
- CSDN AI 2018 大規(guī)模通用知識圖譜構(gòu)建及應(yīng)用
- CSDN AI 2018 大規(guī)模通用知識圖譜構(gòu)建及應(yīng)用
其他
項(xiàng)目案例
教育領(lǐng)域知識圖譜
金融領(lǐng)域知識圖譜
利用網(wǎng)絡(luò)上公開的數(shù)據(jù)構(gòu)建一個(gè)小型的證券知識圖譜/知識庫
- https://github.com/lemonhu/stock-knowledge-graph.git
上市公司高管圖譜
- https://github.com/Shuang0420/knowledge_graph_demo
醫(yī)療領(lǐng)域知識圖譜
農(nóng)業(yè)領(lǐng)域知識圖譜
使用爬蟲獲取Wikidata數(shù)據(jù)構(gòu)建
- https://github.com/CrisJk/Agriculture-KnowledgeGraph-Data.git
知識工程領(lǐng)域知識圖譜
其他知識圖譜
紅樓夢人物關(guān)系圖譜
- https://github.com/chizhu/KGQA_HLM
通用領(lǐng)域知識圖譜
- https://github.com/Pelhans/Z_knowledge_graph
免費(fèi)1.5億實(shí)體通用領(lǐng)域知識圖譜
- https://github.com/ownthink/KnowledgeGraph
簡易電影領(lǐng)域知識圖譜及KBQA系統(tǒng)
- https://github.com/SimmerChan/KG-demo-for-movie
推廣技術(shù)文章
2020
- 基于知識圖譜的語義理解技術(shù)及應(yīng)用
- 阿里巴巴資深算法專家張偉：百科類知識圖譜構(gòu)建和應(yīng)用已到深水區(qū)，行業(yè)和多模態(tài)知識圖譜引關(guān)注
- 華為開發(fā)者大會 HDC.Cloud 硬核技術(shù)解讀：知識圖譜構(gòu)建流程及方法
- 騰訊云知識圖譜技術(shù)與應(yīng)用實(shí)踐之路
- 知識圖譜在小米的落地與挑戰(zhàn)
- 構(gòu)建行業(yè)知識圖譜切勿操之過急，這里有三大前提條件
2019
- 大眾點(diǎn)評搜索基于知識圖譜的深度學(xué)習(xí)排序?qū)嵺`
- 知識圖譜已成AI下一風(fēng)口，但你知道它進(jìn)展到哪了嗎？
- 下一代 AI 系統(tǒng)基石：知識圖譜將何去何從？
- 阿里巴巴電商認(rèn)知圖譜揭秘
- 為電商而生的知識圖譜，如何感應(yīng)用戶需求？
- 阿里小蜜：知識結(jié)構(gòu)化推動智能客服升級
- CCKS 2019:百度CTO王海峰詳解知識圖譜與語義理解
- 反守為攻！從華為知識圖譜窺探AI布局
2018
- 張偉博士：阿里巴巴百億級別的三元組知識圖譜掌舵者
- 知識圖譜在互聯(lián)網(wǎng)金融行業(yè)的應(yīng)用
- 上交大發(fā)布知識圖譜AceKG，超1億實(shí)體，近100G數(shù)據(jù)量
- 知識圖譜數(shù)據(jù)構(gòu)建的“硬骨頭”，阿里工程師如何拿下？
- 這是一份通俗易懂的知識圖譜技術(shù)與應(yīng)用指南
- 一文揭秘！自底向上構(gòu)建知識圖譜全過程
- 健康知識圖譜，阿里工程師如何實(shí)現(xiàn)？
- 為電商而生的知識圖譜，如何感應(yīng)用戶需求？
- 肖仰華談知識圖譜：知識將比數(shù)據(jù)更重要，得知識者得天下
- 知識圖譜在旅游領(lǐng)域有哪些應(yīng)用？攜程度假團(tuán)隊(duì)這樣回答
- 快手結(jié)合知識圖譜進(jìn)行多模態(tài)內(nèi)容理解
- 騰訊互娛劉偉：知識圖譜讓AI更有學(xué)識
- 美團(tuán)大腦：知識圖譜的建模方法及其應(yīng)用
- 美團(tuán)餐飲娛樂知識圖譜——美團(tuán)大腦揭秘
- 人力資源知識圖譜搭建及應(yīng)用
- 基于概念知識圖譜的短文本理解——王仲遠(yuǎn)
2017
2016
本文使用 文章同步助手 同步
