【知识图谱系列】动态知识图谱表示学习综述 | 十篇优秀论文导读

作者：CHEONG

公众号：AI机器学习与知识图谱

研究方向：自然语言处理与知识图谱

本文分享一篇动态知识图谱表示学习综述汇报ppt，分享10篇优秀论文，简单介绍其核心思想，完整汇报ppt获取请关注公众号回复关键字：动态知识图谱

一、何为动态图谱

首先知识图谱本质上就是一个语义网络，由节点Node和边Edge构成，每个Node表示现实世界中存在的实体Entity，而每条边表示实体与实体之间的关系。简单来说，知识图谱就是把所有不同种类的信息连接在一起而得到的关系网络，比如社交网络。由于这种关系网络会随着时间推移，实体以及实体间的关系会不断变化，为了全面获取知识，搭建动态知识图谱，在知识图谱数据中加入时间维度，利用时序分析技术和图相似性技术，分析图谱结构随时间的变化和趋势，从而掌握到关键信息。动态知识图谱应用有：交通流量预测、动作识别、气候预测。

下图展示了一下动态图谱，节点和边的颜色代表不同种类，可以看出图谱从时刻t到时刻t+1，图谱的结构有明显变化。比如金融动态知识图谱，学习到图谱间的时序信息便显得十分重要。

二、Paper

三、往期精彩

【知识图谱系列】Over-Smoothing 2020综述

【知识图谱系列】自适应深度和广度图神经网络模型

【知识图谱系列】知识图谱多跳推理之强化学习

【知识图谱系列】知识图谱的神经符号逻辑推理

【知识图谱系列】知识图谱表示学习综述 | 近30篇优秀论文串讲

【知识图谱系列】探索DeepGNN中Over-Smoothing问题

【知识图谱系列】动态时序知识图谱EvolveGCN

【知识图谱系列】多关系神经网络CompGCN

【面经系列】八位硕博大佬的字节之旅

各大AI研究院共35场NLP算法岗面经奉上

【机器学习系列】机器学习中的两大学派

干货 | Attention注意力机制超全综述

干货 | NLP中的十个预训练模型

干货|一文弄懂机器学习中偏差和方差

FastText原理和文本分类实战，看这一篇就够了

Transformer模型细节理解及Tensorflow实现

GPT,GPT2,Bert,Transformer-XL,XLNet论文阅读速递

机器学习算法篇：最大似然估计证明最小二乘法合理性

Word2vec, Fasttext, Glove, Elmo, Bert, Flair训练词向量教程+数据+源码

汇报完整版ppt可通过关注公众号后回复关键词：动态知识图谱 来获得，有用就点个再看呗