ngl567的博客

泽宇个人一直认为强化学习是建模动态系统最好的方法之一，通过与环境的不断交互，在动作选择和状态更新的动态过程中逐渐达到优化目标。因此，本期泽宇将从知识图谱结合强化学习的角度介绍几个不同的研究方向的内容，包括知识图谱推理、自动驾驶、时序推理、对话式问答系统和推荐系统。1知识图谱推理DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning. EMNLP 2017.Wenhan Xiong,Thien Hoan..

最近有很多朋友联系泽宇说想了解一些知识图谱和图神经网络（GNN）结合的研究。那泽宇当然要满足朋友们的要求啊，本期泽宇从知识图谱的几个不同研究方向总结了结合GNN的经典研究，也和大家一起分享。所有内容是泽宇查阅了很多顶会论文，对每一类挑选出一篇具有代表性的论文进行解读，如有理解有误的地方还请批评指教。本期是“知识图谱+”系列的第一期“知识图谱+图神经网络”，之后会陆续分享知识图谱+各类方向的技术介绍，敬请关注。为了方便大家一起交流讨论知识图谱技术，知识图谱学术交流群已经成立了，感兴趣想要入群的朋友们可

知识图谱虽然是Google在2012年公布其开发的搜索引擎时提出的名词，但是知识图谱的雏形早在1960左右就已经出现，因此，知识图谱其实是很多相关技术继承发展的结果。并且，和知识图谱类似的还有好几个概念：专家系统、知识工程、数据库、传统知识库，很多朋友经常疑惑知识图谱和这几个概念之间具体有什么区别和联系。因此，泽宇对知识图谱和这几个概念之间进行了对比，方便大家理解知识图谱的意义。这些总结主要是通过查阅资料和个人理解，欢迎大家一起讨论。知识图谱的发展历史标题从早期的人工智能发展历史来看，Semant

知识图谱在人工智能的许多领域都发挥了重要作用，综述论文的这一章引入多个最新的基于深度学习的知识驱动方法，主要包括的应用领域有自然语言理解，推荐系统和问答系统。1 自然语言理解知识感知的自然语言理解通过将结构化的知识注入一个统一的语义空间中来提高语言表示能力。最新的知识驱动方法将显式的事实知识和隐式的语言表示用于许多自然语言理解任务中。Chen等人[1] 提出了在两个知识图谱上的双图随机游走方法，这两个知识图谱是基于槽的语义知识图谱和基于词的词汇知识图谱，以考虑口语理解中的内部槽关系。Wang等.

从最近一两年有关知识图谱的顶会论文中可以发现，越来越多的国内外研究者开始关注动态时序知识图谱，可见时序知识图谱已经成为了一大研究趋势，相信之后会有更多相关研究出来。因此，这期我们对综述论文的时序知识图谱部分接着进行解读，同时泽宇给出一些时序知识图谱的研究现状。当前的知识图谱的研究主要集中在事实不随时间变化的静态知识图谱上，而知识图谱的时序动态性则很少被研究。但是，时间对于表示知识非常重要，因为结构化知识仅在特定时期内有效，事实的发展遵循时间顺序。最近的一些研究开始将时间信息纳入知识图谱表示学习和知识图谱

泽宇对自己的研究方向也就是知识图谱嵌入（KG Embedding）技术进行了总结，并制作了一套slides，力求让大家只看slides就可以理解并掌握知识图谱嵌入的相关知识和最新研究情况，包括知识图谱嵌入的基本概念、方法分类和经典模型介绍、容易上手的开源平台介绍、常用公开数据集、复杂关系的知识图谱嵌入、引入其它信息的知识图谱嵌入、知识图谱嵌入最新研究进展等，大家可以一起交流学习。马上就要迎来崭新的2021年了，朋友们，无论你是后浪还是打工人，也无论你是否正在经历内卷，都希望大家能够保持对生活的热度，坚持

上期，我们一起学习了常识推理的最新研究进展。这次，我们一起来看看常识知识在AI不同的领域都有哪些应用，泽宇找到几篇最新或有代表性的研究和大家分享学习。Commonsense Knowledge Aware Conversation Generation with Graph AttentionAuthors: Hao Zhou, Tom Young, Minlie Huang, Haizhou Zhao, Jingfang Xu, Xiaoyan Zhu论文地址：https://www.i.

以深度学习为代表的智能感知技术已经取得了突破性进展，并已在各行各业产生了巨大的价值。目前，人工智能的研究领域已经逐渐从感知智能向认知智能领域过渡，其中，深度学习无法解决的一个主要问题是常识推理问题。常识知识是人类智能的重要体现，在计算机中通常以符号逻辑的知识表示形式存储和处理。最近，常识推理在多个研究领域受到了广泛关注，泽宇调研了最新发表的关于常识推理和引入常识知识的研究论文并和大家一起分享学习。1. 常识问答常识推理是指评估环境状况并采取相应行动的能力。识别环境的隐式原因和结果的能力可以使机.

知识图谱已经在人工智能的各个领域发挥越来越重要的作用，例如视觉问答、对话系统、推荐系统等。知识图谱构建是应用这些知识图谱的基础，而面对生活和企业中数据的爆发式增长，自动化知识图谱构建显得越来越重要。从非结构化文本中自动抽取三元组知识并构建知识图谱需要用到的核心技术就是命名实体识别和关系抽取，现在已经有了很多相关的具体算法和模型，对于这些大家可以看顶会论文和技术分享，我们主要来介绍几个专门面向中文的命名实体识别和关系抽取的工具。1. 中文分词中文自然语言处理与其它语言比如英语的最大不同之处在于英.

前不久，自然语言处理领域三大顶会之一的 EMNLP 2020 发布了论文录取的结果。在EMNLP 2020论文正式出版之前，泽宇搜集了目前Arxiv上已经发布出来的录取在EMNLP 2020上所有和知识图谱相关的论文，下面我们就一起来一睹为快。如果对文章感兴趣欢迎关注知乎专栏“人工智能遇上知识图谱“，也欢迎关注同名公众号“人工智能遇上知识图谱”，让我们一起学习并交流讨论人工智能与知识图谱技术。1. 知识图谱嵌入（表示学习）AutoETER: Automated Entity Type Re.

目前已经有很多方法来构建知识图谱，在实际项目中，我们更加关注可以用构建好的知识图谱来干些什么，因此，我找到了网上一些对于当前知识图谱的应用的介绍，分享给大家。1 国内外知识图谱项目国外：常识知识库：Cyc、WordNet、ConceptNet等。互联网知识图谱：主要有FreeBase、DBpedia、Schema、Wikidata 、BableNet、Microsofot ConceptGraph，医疗领域Linked Life Data等。国内：中文知识图谱OpenKG，CN-DB

小图是一个融合常识与专业知识的智能聊天机器人，进入“人工智能遇上知识图谱”公众号，并在聊天窗口中发送消息就可以开始聊天，同时支持多轮多对话，小图能够提供闲聊、生活服务咨询、智能助手、休闲娱乐、文艺女青年等17种对话聊天业务：1 闲聊闲聊：小图是一个萌妹子，年龄设定为18岁，你可以问她例如姓名，年龄等，也可以夸她你好漂亮啊等将其视为撩妹对象进行闲聊。2 生活服务咨询小图是个生活技能慢慢的少女，生活中的很多问题直接问小图就ok啦，比如天气查询、航班查询、日期查询、邮编查询、健康咨询等。

为了满足大家对菜品烹饪的各类问题能直接得到答案的需求，我开发了目前第一个真正关于菜谱的智能问答系统，并在微信小程序发布上线。这套系统支持对于8600多种菜品的问答功能，并能实现快速问答响应，整套系统后端依托于搭建的中式菜谱知识图谱Pro版，图数据库中存储了近10万条知识，因此整个智能问答系统是一个知识库问答系统（也称为KBQA系统），KBQA代码采用django框架开发，所有代码部署在我自己搭建的服务器上，并对微信小程序前端提供后端问答服务。民以食为天，吃是大家每天都必不可少的内容，而烹饪也成为了.

这一讲的主题是：一些高级的知识图谱是什么样的。三位讲者分别从他们各自带领的团队构建出来的高质量的知识图谱实例出发，从中我们可以认识到一些大佬们构建的优秀的知识图谱产品有哪些特点和优势，从中对我们自己构建知识图谱也可以得到一定的启发。1 Diffbot 知识图谱第一位讲者是来自Diffbot公司的CEO，他们公司的目标就是建立世界上第一个全面的人类知识图谱，并且他们认为实现这一目标唯一有效的方法就是全自动化构建知识图谱。讲者团队构建的知识图谱名为Diffbot，所有数据都来源于公网并.

上一讲我们学习了知识图谱的一些基本概念：斯坦福大学CS520知识图谱系列课程学习笔记：第一讲什么是知识图谱本节课程关于如何构建知识图谱，因为知识图谱的构建是整个知识图谱领域的一个非常核心且基础的工程，如何将现有的数据以知识图谱的数据结构建立和存储，是一个学术界和工业界都非常关心的问题。第一位讲者主要介绍如何构建企业知识图谱，也就是如何利用企业已有的一些关系型数据库来构建图数据库，以满足更高效的知识查询和推理的能力。数据集成需要将不同来源的数据组合起来，并向用户提供一个整体视角的数据.

随着知识图谱在人工智能各个领域的广泛使用，知识图谱受到越来越多AI研究人员的关注和学习，已经成为人工智能迈向认知系统的关键技术之一。之前，斯坦福大学的面向计算机视觉的CS231n和面向自然语言处理的CS224n成为了全球非常多AI研究人员的入门经典学习课程。因此，斯坦福大学于今年3月开设了一门专门面向知识图谱的系列课程CS520，官网课程页：https://web.stanford.edu/class/cs520/​web.stanford.edu这门课程系统讲解了知识图谱的各项技术及应用。前.

上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识图谱实体发现部分，本期我们将一起学习这篇论文的关系抽取部分。论文地址：https://arxiv.org/pdf/2002.00388.pdf​arxiv.org关系抽取作为自动化构建知识图谱过程中非常重要的一个技术，近年来得到越来越多的关注。关系抽取关系抽取是从纯文本中提..

上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识图谱补全部分，本期我们将一起学习这篇论文的实体发现部分。论文地址：https://arxiv.org/pdf/2002.00388.pdf​arxiv.org1 实体发现本节将基于实体的知识获取区分为若干细分任务，即实体识别，实体消歧、实体类型和实体对齐。我们称它们为实体发现，..

上期我们介绍了2020年知识图谱最新权威综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》的知识表示学习部分，本期我们将一起学习这篇论文的知识图谱补全部分。论文地址：https://arxiv.org/pdf/2002.00388.pdf​arxiv.org由于知识图谱的不完整性，知识图谱补全可以用来向知识图谱中添加新的三元组。典型的知识图谱补全子任务包括链接预测，实体预测和关系预.

斯坦福大学CS520知识图谱系列课程，从这个课程的编号就足以看出对计算机科学的告白。相信大家对斯坦福大学的计算机学科公开课一点也不陌生，对很多人来说，面向计算机视觉的CS231n和面向自然语言处理的CS224n几乎成为了入门人工智能领域以及CV和NLP的必修课程。与这些课程类似，CS520是斯坦福大学于2020年3月开设的知识图谱春季开放课程，所有人都可以通过Zoom免费在...

知识图谱最新权威综述论文解读：开篇部分今天分享一个自己从数据爬取到d3可视化的中式菜谱知识图谱可视化系统的搭建流程。Github项目地址：https://github.com/ngl567/CookBook-KG访问可视化系统GithubPage地址：https://ngl567.github.io/CookBook-KG/新的改变本项目开发的系统名称为AI Food Time，中文名为爱食光。通过收集网上完全公开的有关中式菜谱的数据，经过数据清洗和分析，转换为知识图谱的存储结构，并提供可视化展示

论文地址：http://arxiv.org/abs/2002.00388这篇综述是数据科学权威 Philip S. Yu 团队对知识图谱领域的最新综述论文，论文从知识图谱的发展历史、知识表示学习、知识获取、知识应用、未来研究方向等方面描述了知识图谱的全局。首先，咱们先来看看这篇综述论文的摘要：摘要：人类知识提供了对世界的正式的理解。表示实体之间结构关系的知识图谱已成为面向认知系统和人类智能的日益流行的研究方向。在本综述中，我们对知识图谱进行了全面的综述，涵盖了有关以下方面的总体研究主题：1）