1.自用：Unifying Structure Reasoning and Language Pre-training for Complex Reasoning Tasks-学习知识图谱-个人指南

因为对知识图谱理解不够清晰，导致在学习知识图谱和大模型融合时遇到苦难，文章看不懂。

具体是在理解文章：《Unifying Structure Reasoning and Language Pre-training for Complex Reasoning Tasks》时所用的知识图谱查询技术不了解。因此写了这篇总结，记录学习过程。

1. 论文解读

文章主要提到了关于构建知识图谱的其他两片文章，这两篇文章有相关的解读：

【论文解读 ICLR 2020 | Jure Leskovec组】Query2box: Reasoning over KGs in Vector Space using Box Embedding_query2box论文阅读-CSDN博客

《Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs》论文阅读笔记_知识图谱多跳推理beta e-CSDN博客

但文章涉及的知识点较多，很难理解。

2. 对于知识图谱的初步了解：

知识图谱构建流程步骤详解_知识图谱怎么构建-CSDN博客

知识图谱构建（概念，工具，实例调研）-CSDN博客

知识图谱一 -- 知识图谱架构、DeepDive中文抽取示例-CSDN博客

主要在看以上三篇内容，因为直接看知识点不容易吸收，且学习速度较慢。即使看完知识点，我最大的困惑：知识图谱如何嵌入、构建 还是没有解决。于是搜索到了：

《斯坦福图机器学习CS224W》√ 原文已收录在endnotes

中文版有这篇笔记：斯坦福图机器学习CS224W笔记自用: Reasoning in Knowledge Graphs using Embeddings_transe方法 多跳-CSDN博客

但是对于里面的：

word2vec ；transE 并不了解，这里其实就是好奇原理，毕竟对我这种一根筋来说，不懂原理很难接受这个方法。

最终，希望自己再对这篇笔记有一个清晰的理解：NLP之一文搞懂word2vec、Elmo、Bert演变

3. 知识图谱嵌入解读

回到第一部分的两篇论文

首先在query2box中，我的理解，核心思想就是：将原本实体当作一个点的方式 转化为 将实体集 转化为一个box，从而可以对实体取并集（v）。也就是说，在处理conjunctive query时，可以把EPFO逻辑查询转化为DNF，然后将最近的实体进行返回。

在第二篇文章 BETAE中，可以取到非操作。

同时还找到了这篇笔记，希望进一步学习。知识图谱从入门到应用——知识图谱推理：基于表示学习的知识图谱推理-[嵌入学习]-CSDN博客

4.《Unifying Structure Reasoning and Language Pre-training for Complex Reasoning Tasks》

最后回到对这篇论文的解读上，文章旨在 通过将知识图谱的结构融合到对文本的解读上，将文本语义和推理结构进行融合。

如这张图所示，通过RoBERTa对文本进行处理，再通过几何学习表示法对向量进行进一步推理。