所有文章 > 正文

必读论文 | 知识图谱必读论文10篇

作者: 忆书

时间: 2020-04-30 18:37

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Topic必读论文

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。

相关阅读:

必读论文 | 机器学习必读论文20篇

必读论文 | 信息检索与推荐必读论文10篇

必读论文 | 认知图谱必读论文10篇

必读论文 | COVID-19必读论文20篇

必读论文 | 聊天机器人必读论文20篇

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

推荐阅读 更多