awesome-knowledge-graph
整理知識(shí)圖譜相關(guān)學(xué)習(xí)資料，提供系統(tǒng)化的知識(shí)圖譜學(xué)習(xí)路徑。
- https://github.com/husthuke/awesome-knowledge-graph
目錄
- 理論及論文
- 圖譜及數(shù)據(jù)集
- 工具及服務(wù)
- 白皮書(shū)及報(bào)告
- 機(jī)構(gòu)及人物
- 視頻課程
- 專(zhuān)欄合集
- 評(píng)測(cè)競(jìng)賽
- 項(xiàng)目案例
- 推廣技術(shù)文章
理論及論文
整體概念架構(gòu)
隨著知識(shí)圖譜的發(fā)展，與之相關(guān)的概念也越來(lái)越多，在閱讀論文時(shí)先準(zhǔn)確的把握該論文所要解決問(wèn)題處于的層級(jí)或者位置對(duì)于更好的理解論文也比較有幫助，在此對(duì)知識(shí)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(lèi)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(mén)。]
- 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(duì)知識(shí)圖譜走入大眾視野功不可沒(méi)。]
- 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(duì)知識(shí)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(shí)圖譜的知識(shí)體系。]
Knowledge-Augmented LMs(知識(shí)增強(qiáng)語(yǔ)言模型)
知識(shí)圖譜增強(qiáng)語(yǔ)言模型是最近兩年比較流行，主要發(fā)生在BERT出來(lái)之后，將知識(shí)先驗(yàn)信息融入到語(yǔ)言模型，可以說(shuō)是知識(shí)圖譜助力NLP十分關(guān)鍵的一環(huán)，將該專(zhuān)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(jí)別和Phase級(jí)別，似的模型在學(xué)習(xí)時(shí)能夠?qū)⒛承┨囟ㄖR(shí)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(shí)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(shí)圖譜中的結(jié)構(gòu)作為條件建模到概率語(yǔ)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(wèn)題正好相反，是將Bert的模型應(yīng)用到知識(shí)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(shí)圖譜embedding應(yīng)用到具體的文檔分類(lèi)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(lèi)。]
- 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(shí)將句子中的實(shí)體替換為同類(lèi)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(wú)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(cè)結(jié)構(gòu)LAMA驗(yàn)證了類(lèi)BERT預(yù)研模型具備一定的知識(shí)庫(kù)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(dòng)標(biāo)注出來(lái)之后，平鋪展開(kāi)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(shí)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(shí)知識(shí)的原因，因此，從感知智能到認(rèn)知智能常識(shí)知識(shí)起著很重要的作用，而常識(shí)圖譜作為常識(shí)知識(shí)的一個(gè)重要表示手段也越來(lái)越受到重視。
- KILT: a Benchmark for Knowledge Intensive Language Tasks(2020)[facebook 針對(duì)知識(shí)集中型的語(yǔ)言任務(wù)設(shè)計(jì)的baenchmark，其中包括設(shè)計(jì)常識(shí)的任務(wù)。]
- TransOMCS: From Linguistic Graphs to Commonsense Knowledge(ICJAI 2020)[基于語(yǔ)言圖譜構(gòu)建常識(shí)知識(shí)，采用ConceptNet中子集作為常識(shí)種子，從語(yǔ)言圖譜中挖掘滿(mǎn)足種子(h,r,t)的模式，然后再基于這些模式從語(yǔ)言圖譜中找常識(shí)，同時(shí)為了避免錯(cuò)誤模式帶來(lái)的影響，引入一個(gè)打分機(jī)制篩選模式，并且對(duì)找出來(lái)的常識(shí)進(jìn)行可信度排序。]
- ATOMIC: An Atlas of Machine Commonsense for If-Then Reasoning (AAAI 2019)[將常識(shí)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(guò)encoder(ELMo)+decoder結(jié)構(gòu)的model進(jìn)行訓(xùn)練，最后采用BLEU score來(lái)評(píng)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(shí)知識(shí)圖譜構(gòu)建框架，并在ATOMIC和ConceptNet常識(shí)知識(shí)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(shí)應(yīng)用
對(duì)話(huà)系統(tǒng)
知識(shí)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(jué)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(shí)知識(shí)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(lái)配合copy 機(jī)制更好的處理任務(wù)型對(duì)話(huà)系統(tǒng)。]
- Augmenting End-to-End Dialogue Systems with Commonsense Knowledge(2018)[將問(wèn)句x中的實(shí)體所對(duì)應(yīng)的常識(shí)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(shí)庫(kù)問(wèn)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(shí)圖譜推薦，整體結(jié)構(gòu)上包括多模態(tài)知識(shí)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?chē)?jié)點(diǎn)信息。]
知識(shí)計(jì)算
Representation（知識(shí)表示）
知識(shí)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(guò)搜索一種遞歸神經(jīng)網(wǎng)絡(luò)，來(lái)處理關(guān)系路徑中的短鏈、長(zhǎng)鏈信息,達(dá)到根據(jù)不同任務(wù)，有針對(duì)性地對(duì)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(duì)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(guò)4元組的Hamilton Product來(lái)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(shí)推理)
聽(tīng)起來(lái)高大上的方向，實(shí)際落地感覺(jué)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(xiàn)展開(kāi)，不要在線(xiàn)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(guò)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(guò)深度學(xué)習(xí)解決邏輯推理問(wèn)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(wèn)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(wèn)題的過(guò)程可以建模成Projection、 Intersection和Union，最終獲得問(wèn)題的box，通過(guò)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(shí)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(shì)，對(duì)KGC和KBQA問(wèn)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(lèi)方法和評(píng)測(cè)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(mén)級(jí)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(lèi)等相對(duì)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(lèi)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(lèi)似。]
- Deep Reinforcement Learning for Mention-Ranking Coreference Models (ACL2016)
知識(shí)獲取
NER(命名實(shí)體識(shí)別)
也是自然語(yǔ)言處理的基礎(chǔ)任務(wù)，十分重要。
Entity aligning(實(shí)體對(duì)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(guò)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(guò)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(shí)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(dòng)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?xún)啥问搅鞒炭蚣芙榻B了基于語(yǔ)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(shí)追蹤)
本類(lèi)別并不是傳統(tǒng)知識(shí)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(shí)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(kāi)放知識(shí)圖譜
中文開(kāi)放知識(shí)圖譜(OpenKG.CN)
中文開(kāi)放知識(shí)圖譜（簡(jiǎn)稱(chēng)OpenKG.CN）旨在促進(jìn)中文知識(shí)圖譜數(shù)據(jù)的開(kāi)放與互聯(lián)，促進(jìn)知識(shí)圖譜和語(yǔ)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(shí)圖譜
學(xué)術(shù)知識(shí)圖譜AceKG
最新發(fā)布的Acemap知識(shí)圖譜（AceKG）描述了超過(guò)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(huì)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(yǔ)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(guó)馬普研究所研制的鏈接數(shù)據(jù)庫(kù)。YAGO主要集成了Wikipedia、WordNet和GeoNames三個(gè)來(lái)源的數(shù)據(jù)。YAGO將WordNet的詞匯定義與Wikipedia的分類(lèi)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(lèi)體系。YAGO還考慮了時(shí)間和空間知識(shí)，為很多知識(shí)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(shí)。YAGO是IBM Watson的后端知識(shí)庫(kù)之一。由于完成的YAGO數(shù)據(jù)集過(guò)于龐大，在使用過(guò)程中經(jīng)常會(huì)選取其中一部分進(jìn)行，比如可以抽取中帶有時(shí)間注釋?zhuān)╰ime 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(kāi)放、多語(yǔ)言、任何人或機(jī)器都可以編輯修改的大規(guī)模鏈接知識(shí)庫(kù)。WikiData由維基百科于2012年啟動(dòng)，早期得到微軟聯(lián)合創(chuàng)始人Paul Allen、Gordon Betty Moore基金會(huì)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(shí)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(lái)自NLPCC 2017評(píng)測(cè)任務(wù)，開(kāi)放域問(wèn)答評(píng)價(jià)任務(wù)主要包括三項(xiàng)子任務(wù)，基于知識(shí)庫(kù)的問(wèn)答（kbqa），基于文檔的問(wèn)答（dbqa），和基于表的問(wèn)答（tbqa）。kbqa的任務(wù)是基于知識(shí)庫(kù)的中文問(wèn)題回答。dbqa的任務(wù)是通過(guò)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(wèn)題。tbqa的任務(wù)是一個(gè)全新的QA任務(wù)，旨在通過(guò)從收集的表格中抽取一個(gè)或多個(gè)表回答英語(yǔ)問(wèn)題。
GDELT
GDELT（Global Database of Events, Language, and Tone）是最大的綜合人類(lèi)社會(huì)關(guān)系數(shù)據(jù)庫(kù)，以100多種語(yǔ)言監(jiān)控來(lái)自每個(gè)國(guó)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(dòng)我們?nèi)蛏鐣?huì)的人、地點(diǎn)、組織、主題、來(lái)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(shí)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(kāi)放平臺(tái)。
ICEWS
ICEWS（Integrated Crisis Early Warning System）捕獲和處理來(lái)自數(shù)字化新聞媒體，社交媒體和其他來(lái)源的數(shù)百萬(wàn)條數(shù)據(jù)，以預(yù)測(cè)，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(shí)圖譜領(lǐng)域主要用于動(dòng)態(tài)事件預(yù)測(cè)等動(dòng)態(tài)圖譜方面。
OAG
OAG（Open Academic Graph包含來(lái)自MAG的166,192,182篇論文和來(lái)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(shí)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(shí)建模
知識(shí)抽取
Deepdive
知識(shí)推理
知識(shí)表示
OpenKE
清華大學(xué)NLP實(shí)驗(yàn)室基于TensorFlow開(kāi)發(fā)的知識(shí)嵌入平臺(tái)，實(shí)現(xiàn)了大部分知識(shí)表示學(xué)習(xí)方法。
知識(shí)融合
白皮書(shū)及報(bào)告
機(jī)構(gòu)及人物
本部分介紹在知識(shí)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(yè)
- 劉知遠(yuǎn):清華大學(xué)網(wǎng)頁(yè)、知乎主頁(yè)
- 漆桂林:東南大學(xué)網(wǎng)頁(yè)
- 肖仰華:復(fù)旦大學(xué)網(wǎng)頁(yè)
- 劉康:中科院網(wǎng)頁(yè)
- 劉挺:哈工大網(wǎng)頁(yè)
- 王昊奮:
視頻課程
小象學(xué)院知識(shí)圖譜課程
貪心學(xué)院知識(shí)圖譜課程
煉數(shù)成金知識(shí)圖譜課程
CSDN視頻課
專(zhuān)欄合集
知乎集合
簡(jiǎn)書(shū)集合
評(píng)測(cè)競(jìng)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(shí)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(xún)類(lèi)問(wèn)答
- 瑞金醫(yī)院MMC人工智能輔助構(gòu)建知識(shí)圖譜大賽
- CCKS 2018 面向中文電子病歷的命名實(shí)體識(shí)別
- CCKS 2018 面向音樂(lè)領(lǐng)域的命令理解任務(wù)
- CCKS 2018 微眾銀行智能客服問(wèn)句匹配大賽
- CCKS 2018 開(kāi)放領(lǐng)域的中文問(wèn)答任務(wù)
- CCKS 2017 問(wèn)題命名實(shí)體識(shí)別和鏈接任務(wù)
- CCKS 2017 面向電子病歷的命名實(shí)體識(shí)別
會(huì)議交流及講座
AICon
BDTC
- BDTC 2018 醫(yī)療知識(shí)圖譜的構(gòu)建和應(yīng)用
- BDTC 2018 從知識(shí)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(shí)圖譜實(shí)戰(zhàn)
- BDTC 2017 Event Extraction from Texts
- BDTC 2017 知性會(huì)話(huà)：基于知識(shí)圖譜的人機(jī)對(duì)話(huà)系統(tǒng)方法與實(shí)踐
- BDTC 2017 基于圖的海量知識(shí)圖譜數(shù)據(jù)管理
- CSDN AI 2018 醫(yī)療知識(shí)圖譜的敏捷構(gòu)建和實(shí)踐
- CSDN AI 2018 知識(shí)圖譜的表示和推理
- CSDN AI 2018 大規(guī)模通用知識(shí)圖譜構(gòu)建及應(yīng)用
- CSDN AI 2018 大規(guī)模通用知識(shí)圖譜構(gòu)建及應(yīng)用
其他
- 知識(shí)圖譜中的深度學(xué)習(xí)技術(shù)應(yīng)用概述
- 2018云棲大會(huì)上海-人工智能專(zhuān)場(chǎng)
- AI研習(xí)社-知識(shí)圖譜的嵌入：更好更快的負(fù)采樣
項(xiàng)目案例
教育領(lǐng)域知識(shí)圖譜
金融領(lǐng)域知識(shí)圖譜
利用網(wǎng)絡(luò)上公開(kāi)的數(shù)據(jù)構(gòu)建一個(gè)小型的證券知識(shí)圖譜/知識(shí)庫(kù)
- 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(shí)圖譜
農(nóng)業(yè)領(lǐng)域知識(shí)圖譜
使用爬蟲(chóng)獲取Wikidata數(shù)據(jù)構(gòu)建
- https://github.com/CrisJk/Agriculture-KnowledgeGraph-Data.git
知識(shí)工程領(lǐng)域知識(shí)圖譜
其他知識(shí)圖譜
紅樓夢(mèng)人物關(guān)系圖譜
- https://github.com/chizhu/KGQA_HLM
通用領(lǐng)域知識(shí)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(shí)圖譜
- https://github.com/ownthink/KnowledgeGraph
簡(jiǎn)易電影領(lǐng)域知識(shí)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(shí)圖譜的語(yǔ)義理解技術(shù)及應(yīng)用
- 阿里巴巴資深算法專(zhuān)家張偉：百科類(lèi)知識(shí)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(shí)圖譜引關(guān)注
- 華為開(kāi)發(fā)者大會(huì) HDC.Cloud 硬核技術(shù)解讀：知識(shí)圖譜構(gòu)建流程及方法
- 騰訊云知識(shí)圖譜技術(shù)與應(yīng)用實(shí)踐之路
- 知識(shí)圖譜在小米的落地與挑戰(zhàn)
- 構(gòu)建行業(yè)知識(shí)圖譜切勿操之過(guò)急，這里有三大前提條件
2019
- 大眾點(diǎn)評(píng)搜索基于知識(shí)圖譜的深度學(xué)習(xí)排序?qū)嵺`
- 知識(shí)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(shí)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(shí)圖譜，如何感應(yīng)用戶(hù)需求？
- 阿里小蜜：知識(shí)結(jié)構(gòu)化推動(dòng)智能客服升級(jí)
- CCKS 2019:百度CTO王海峰詳解知識(shí)圖譜與語(yǔ)義理解
- 反守為攻！從華為知識(shí)圖譜窺探AI布局
2018
- 張偉博士：阿里巴巴百億級(jí)別的三元組知識(shí)圖譜掌舵者
- 知識(shí)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(shí)圖譜AceKG，超1億實(shí)體，近100G數(shù)據(jù)量
- 知識(shí)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(shí)圖譜技術(shù)與應(yīng)用指南
- 一文揭秘！自底向上構(gòu)建知識(shí)圖譜全過(guò)程
- 健康知識(shí)圖譜，阿里工程師如何實(shí)現(xiàn)？
- 為電商而生的知識(shí)圖譜，如何感應(yīng)用戶(hù)需求？
- 肖仰華談知識(shí)圖譜：知識(shí)將比數(shù)據(jù)更重要，得知識(shí)者得天下
- 知識(shí)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(shí)圖譜進(jìn)行多模態(tài)內(nèi)容理解
- 騰訊互娛劉偉：知識(shí)圖譜讓AI更有學(xué)識(shí)
- 美團(tuán)大腦：知識(shí)圖譜的建模方法及其應(yīng)用
- 美團(tuán)餐飲娛樂(lè)知識(shí)圖譜——美團(tuán)大腦揭秘
- 人力資源知識(shí)圖譜搭建及應(yīng)用
- 基于概念知識(shí)圖譜的短文本理解——王仲遠(yuǎn)
2017
- 阿里知識(shí)圖譜首次曝光：每天千萬(wàn)級(jí)攔截量，億級(jí)別全量智能審核
- 百度王海峰：知識(shí)圖譜是 AI 的基石
- 哈工大劉挺：從知識(shí)圖譜到事理圖譜
- 智能導(dǎo)購(gòu)？你只看到了阿里知識(shí)圖譜冰山一角
2016
本文使用 文章同步助手 同步
