本文轉載自公眾號：DI數(shù)據(jù)智能。? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

---

? 知識圖譜被稱為人工智能的基石，它的前身是語義網(wǎng)，由谷歌在2012年率先提出，用于改善自身的搜索業(yè)務。Data Intelligence執(zhí)行主編、東南大學計算機科學與技術學院漆桂林教授這樣定義知識圖譜：知識圖譜是人工智能中研究如何將人類的知識轉化為圖，從而方便計算機存儲并用于推理，計算機可以通過知識圖譜實現(xiàn)從感知智能到認知智能的飛躍，支持智能問答、輔助決策、智能分析等應用。DI編委、同濟大學特聘研究員王昊奮老師是知識圖譜方面的專家，曾深入?yún)⑴c過IBM Watson系統(tǒng)的研發(fā)工作，他的定義是知識圖譜旨在描述真實世界中存在的各種實體或概念。其中，每個實體或概念用一個全局唯一確定的ID來標識，稱為它們的標識符。每個屬性-值對用來刻畫實體的內在特性，而關系用來連接兩個實體，刻畫它們之間的關聯(lián)。

?知識圖譜是DI的核心主題之一，創(chuàng)刊以來，已刊發(fā)了大量相關論文。我們特別對已出版的知識圖譜主題論文進行了整理，并對每篇論文的核心內容做了中文簡述，以饗關心和支持DI發(fā)展的專家和讀者。

?衷心希望DI刊發(fā)的文章能啟發(fā)您的思想，助力您的科研！

?注：點擊二維碼可直達文章全文頁面。

1. Constructing and Cleaning Identity Graphs in the LOD Cloud

Citation: J. Raad, W. Beek, F. van Harmelen, J. Wielemaker, N. Pernelle & F. Sa?s. Constructing and cleaning identity graphs in the LOD cloud. Data Intelligence 2(2020), 323–352. https://doi.org/10.1162/dint_a_00057

簡述：作者之前的工作展示過一張包含超過5億條明確含有owl:sameAs語句和350億條暗含owl:sameAs語句的等價關系圖譜（identity graph）。作者提出了一個可擴展的方法，可自動計算每一條語句的錯誤程度。在本文中，作者生成了整張等價關系圖譜的子圖，這些子圖都包含一定程度的錯誤數(shù)據(jù)。本文結論是盡管語義網(wǎng)中包含了許多錯誤的owl:sameAs語句，語義網(wǎng)上的數(shù)據(jù)仍是可用的，同時可把因錯誤使用owl:sameAs語句帶來的負面影響降到最低。本文作者之一的Frank van Harmelen教授是荷蘭阿姆斯特丹自由大學計算機科學系教授，是世界頂級的語義網(wǎng)技術專家。

2. Virtual Knowledge Graphs: An Overview of Systems and Use Cases

Citation: G. Xiao, L. Ding, B. Cogrel, & D. Calvanese. Virtual knowledge graphs: An overview of systems and use cases. Data Intelligence 1(2019), 201-223. https://doi.org/10.1162/dint_a_00011

簡述：虛擬知識圖譜技術（VKG）也被稱為基于本體的數(shù)據(jù)訪問，本文詳細總結了VKG的軟件生態(tài)圈和應用案例。本文第一作者意大利博爾扎諾自由大學計算機學院Guohui Xiao (肖國輝)?博士，是當今最先進的VKG系統(tǒng)Ontop?研究團隊的負責人，作者Diego Calvanese教授是知識圖譜領域的國際知名專家。

3. Learning to Complete Knowledge Graphs with Deep Sequential Models

Citation: L. Guo, Q. Zhang, W. Hu, Z. Sun, & Y. Qu. Learning to complete knowledge graphs with deep sequential models. Data Intelligence 1(2019), 224-243. https://doi.org/10.1162/dint_a_00016

簡述：本文提出了一種新的知識圖譜補全方法，通過擴展多層RNN將知識圖譜建模成長度為3的序列，同時提出了3種不同策略來集成RNN單元，并通過實驗展示了不同特點。本文通訊作者是南京大學計算機科學與技術系胡偉副教授。

4. KnowID: An Architecture for Efficient Knowledge-Driven Information and Data Access

Citation: P.R. Fillottrani & C.M. Keet. KnowID: An architecture for efficient knowledge-driven information and data access. Data Intelligence 2(2020), 487–512. doi: 10.1162/dint_a_00060

簡述：本文介紹了在信息管理系統(tǒng)中知識-數(shù)據(jù)轉換的一種架構，KnowID。該架構提出了在實體-聯(lián)系模型和關系模型之間轉換的新的規(guī)則。和其他基于本體的數(shù)據(jù)訪問方法相比，KnowID的突出特點是Runtime 運行可以利用在信息系統(tǒng)設計中經(jīng)常使用的封閉世界假定思想(closed world assumption)，同時利用路徑查詢提高SQL查詢效率。

5. AMiner: Search and Mining of Academic Social Networks

Citation: H. Wan, Y. Zhang, J. Zhang, & J. Tang. AMiner: Search and mining of academic social networks. Data Intelligence 1(2019), 58-76.https://doi.org/10.1162/dint_a_00006

簡述：AMiner是一個新型的由作者、論文、會議、期刊以及機構所組成的大規(guī)模在線學術搜索與挖掘系統(tǒng)。本文第一作者是北京交通大學萬懷宇副教授，通訊作者唐杰教授是國內知名學者、清華大學計算機科學與技術系教授，國家杰出青年科學基金獲得者。

6. XLORE2: Large-scale Cross-lingual Knowledge Graph Construction and Application

Citation: H. Jin, C. Li, J. Zhang, L. Hou, J. Li, & P. Zhang. XLORE2: Large-scale cross-lingual knowledge graph construction and application. Data Intelligence 1(2019), 77-98. https://doi.org/10.1162/dint_a_00003

簡述：本文介紹了基于維基百科和百度百科自動構建的XLORE升級版的構建和應用。本文為清華大學計算機科學與技術系李涓子教授團隊的最新研究成果。李涓子教授目前是中國中文信息學會語言與知識計算專委會主任、清華-青島數(shù)據(jù)科學研究院科技大數(shù)據(jù)研究中心主任。

7. CN-DBpedia2: An Extraction and Verification Framework for Enriching Chinese Encyclopedia Knowledge Base

Citation: B. Xu, J. Liang, C. Xie, B. Liang, L. Chen,& Y. Xiao. CN-DBpedia2: An extraction and verification framework for enriching Chinese encyclopedia knowledge base. Data Intelligence 1(2019), 244-261. https://doi.org/10.1162/dint_a_00017

簡述：本文提出了一種抽取加驗證的知識庫增強框架。相比CN-DBpedia，新版本的知識庫（CN-DBpedia2）增加了大量從實體描述文本中抽取出來的高置信度的事實。本文通訊作者肖仰華是復旦大學計算機學院教授、博導、青年973首席科學家。

8. Microsoft Concept Graph: Mining Semantic Concepts for Short Text Understanding

Citation: L. Ji, Y. Wang, B. Shi, D. Zhang, Z. Wang & J. Yan. Microsoft concept graph: Mining semantic concepts for short text understanding. Data Intelligence 1(2019), 262-294. https://doi.org/10.1162/dint_a_00013

簡述：本文詳述了大型概念知識圖譜系統(tǒng)——微軟知識圖譜?(Microsoft Concept Graph)?的構建實踐。通訊作者為微軟亞洲研究院紀蕾研究員。

9. Constructing a Scene-Based Knowledge System for E-Commerce Industries: Business Analysis and Challenges

Citation: M. Fu, Q. Chen, W. Lin, P. Wang, & W. Zhang. Constructing a scene-based knowledge system for e-commerce industries: Business analysis andchallenges. Data Intelligence 1(2019), 295-308. https://doi.org/10.1162/dint_a_00012

簡述：本文詳述了阿里巴巴集團構建的基于場景的知識系統(tǒng)，從商業(yè)角度分析該系統(tǒng)的優(yōu)勢和面臨的挑戰(zhàn)。本文通訊作者為阿里巴巴集團付敏高級工程師。

10. Knowledge Graph Construction and Applications for Web Search and Beyond

Citation: P. Wang, H. Jiang, J. Xu & Q. Zhang. Knowledge graph construction and applications for Web search and beyond. Data Intelligence 1(2019), 345-361. https://doi.org/10.1162/dint_a_00019

簡述：本文介紹了搜狗公司構建大規(guī)模多源數(shù)據(jù)知識圖譜的案例。作者均來自于搜狗公司。

11. GeoLink Data Set: A Complex Alignment Benchmark from Real-world Ontology

Citation: L. Zhou, M. Cheatham, A. Krisnadhi & P. Hitzler. ?GeoLink data set: A complex alignment benchmark from real-world ontology. Data Intelligence 2(2020), 353-378. https://doi.org/10.1162/dint_a_00054

簡述：本文構建了用于本體匹配的來自于GeoLink 項目的真實數(shù)據(jù)集。本文第一作者來自于堪薩斯大學計算機系Pascal Hitzler教授團隊。Pascal Hitzler教授是語義網(wǎng)領域國際知名學者，Semantic Web 期刊的創(chuàng)刊主編(Founding Editor-in-Chief)?。

12. The Computer Science Ontology: A Comprehensive Automatically-Generated Taxonomy of Research Areas

Citation: A. A. Salatino, T. Thanapalasingam, A. Mannocci, A. Birukou, F.Osborne & E. Motta. The computer science ontology: A comprehensive automatically-generated taxonomy of research areas. Data Intelligence 2(2020), 379-416. https://doi.org/dint_a_00055

簡述：本文詳述了計算機科學本體（Computer Science Ontology）的自動構建過程。該本體包括1.4萬個主題，12.2萬條語義關系。本文通訊作者Angelo A. Salatino是英國開放大學知識媒體研究所的教授，FrancescoOsborne是語義網(wǎng)領域的國際知名青年學者。

13. Refining Linked Data with Games with a Purpose

Citation: I. Celino, G. Re Calegari & A. Fiano. Refining linked data with games with a purpose. Data Intelligence 2(2020),? 417-442. https://doi.org/dint_a_00056

簡述：本文構建了嵌入眾包任務以優(yōu)化關聯(lián)數(shù)據(jù)的開源軟件游戲框架。本文通訊作者Irene Celino為意大利Cefriel公司知識技術團隊負責人，是語義網(wǎng)技術和人機對話技術領域國際知名學者。

14. The Semantic Data Dictionary – An Approach for Describing and Annotating Data

Citation: S.M. Rashid, J.P. McCusker, P. Pinheiro, M.P. Bax, H. Santos, J.A. Stingone, A.K. Das & D.L. McGuinness. The semantic data dictionary –an approach for describing and annotating data. Data Intelligence 2(2020), 443–486. https://doi.org/dint_a_00058

簡述：利用語義數(shù)據(jù)字典可促進數(shù)據(jù)的被發(fā)現(xiàn)、互操作、可重用，可溯源和可再現(xiàn)。本文展示了可公開獲取的美國國家健康與營養(yǎng)檢驗調查數(shù)據(jù)集的語義標注的實例，討論了數(shù)據(jù)建模的挑戰(zhàn)，描述了研究者利用語義數(shù)據(jù)字典方法進行的工作，包括美國國立衛(wèi)生研究院資助的大型健康數(shù)據(jù)網(wǎng)站和倫斯勒理工學院和IBM合作的“分析、學習和語義”健康賦能項目。在評測部分，研究者們設計了四個指標：數(shù)據(jù)、語義、FAIR原則和普適性，分別對比了語義數(shù)據(jù)字典、傳統(tǒng)數(shù)據(jù)字典、映射語言和數(shù)據(jù)集成工具在這四個指標上的得分。研究者們也對該方法的局限性進行了討論并對未來研究方向進行了展望。

15. An RDF Data Set Quality Assessment Mechanism for Decentralized Systems

Citation: L. Huang,Z. Liu, F. Xu & J.Gu. An RDF data set quality assessment mechanism for decentralized systems. Data Intelligence 2(2020), 487–511. https://doi.org/10.1162/dint_a_00059

簡述：本文提出了RDF數(shù)據(jù)質量評測模型，利用區(qū)塊鏈技術記錄數(shù)據(jù)質量評測結果，設計了針對質量評估結果的升級策略。

16. KB4Rec: A Data Set for Linking Knowledge Bases with Recommender Systems

Citation: W.X.Zhao, G. He, K. Yang, H. Dou, J. Huang,S. Ouyang, & J.-R.Wen. KB4Rec: Adata set for linking knowledge bases with recommender systems. Data Intelligence 1(2019), 121-136. https://doi.org/10.1162/dint_a_00008

簡述：本文展示了數(shù)據(jù)集KB4Rec v1.0。該數(shù)據(jù)集將三個廣泛使用的推薦系統(tǒng)數(shù)據(jù)集的物品鏈接到兩個流行的知識圖譜—FreeBase和YAGO。本文通訊作者為中國人民大學信息學院趙鑫副教授。

?

---

?

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數(shù)據(jù)的開放與互聯(lián)，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | Data Intelligence 已出版的知识图谱主题论文的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。