关于论文《A Survey on Knowledge Graphs Representation, Acquisition and Applications》的心得复写一

关于论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的心得复写一

写在前面：在选择开题之际，在项目课题中，关注到了知识图谱方向，选择了一篇2021年在IEEE出版的关于知识图谱的综述。这是我的第一篇复写文章，针对摘要和引言进行内容复写。

摘要

现阶段，表征实体结构关系的知识图谱已经成为认知和人工智能研究的一个流行方向。论文中关于知识图谱涉及到：知识图谱表示学习、知识获取与补全、时序知识图谱、知识感知应用等，还总结近期突破和未来方向。

Knowledge graph embedding从表示空间、得分函数、编码模型、辅助信息进行阐述。对知识获取，特别是知识图谱的补全、嵌入方法、路径推理和逻辑规则推理进行了综述。还探讨了元关系学习、常识推理和时序知识图谱等新兴课题。对未来的知识图谱的研究还提供了不同任务数据集和开源库，也对未来前景方向做了展望。

引言

这部分首先提到知识图谱是事实的结构化表示，由实体、关系和语义描述组成。实体可以是现实世界的对象和抽象概念，关系表示实体之间的关联，实体及其关系的语义描述包含定义良好的类型和属性。

知识图谱(Knowledge graph)和知识库(Knowledge base)的关系：当考虑知识图谱的图结构时，知识图谱可以看作是一个图，但是涉及到形式语义时，它可以作为解释和推断事实的知识库。下边两个图分别是知识库实例和知识图谱。知识是可以用事实的三元组来表示的，其形式为（头实体，关系，尾实体）(head, relation,tail)或者还有（主语，谓语，宾语）(subject, predicate,object)。

举例：(Albert Einstein; WinnerOf; Nobel Prize). 它也可以表示为一个有向图，其中节点是实体，边是关系。所以为了方便，文章将两个术语互换使用。

近年来，基于知识图谱的研究主要集中在知识表示学习(KRL)和知识图谱嵌入(KGE)两个方面。具体的知识获取任务包括知识图谱补全(KGC)、三元组分类、实体识别和关系提取。知识感知模型得益于异构信息、丰富的知识表示本体和语义以及多语言知识的集成。该文章的综述侧重点在于知识表示，它为知识获取和知识感知应用提供了更多的上下文、智能和语义。

（自己论文写作思路：关于综述论文，并不是要涉及到所有领域，可以学习在这篇文章，针对某一点某一个主要方向进行阐述，可能会自己提供新思路）

主要贡献：

1.对知识图谱起源和现代知识图谱的关系学习技术进行了全面的综述。如，知识图谱表示、学习和推理的主要神经网络结构。还对不同领域应用做了介绍。

2.对知识图谱进行全视图分类和新的分类方法。在高层次，从KRL、知识获取、时间知识图和知识感知应用四个方面对知识图的研究进行了综述。对于KRL方法，进一步将细粒度分类法划分为四个视图，包括表示空间、评分函数、编码模型和辅助信息。在知识获取方面，从基于嵌入的排序、关系路径推理、逻辑规则推理和元关系学习四个方面综述;实体获取任务分为实体识别、类型识别、消歧和对齐;并根据神经范式对关系抽取进行了讨论。

3.提供了新兴主题的综述，基于transformer的知识编码、基于图神经网络(GNN)的知识传播、基于路径推理的强化学习和元关系学习。

编码、基于图神经网络(GNN)的知识传播、基于路径推理的强化学习和元关系学习。

4.总结展望，强调未来研究方向。