Rada Mihalcea, Paul Tarau: TextRank: Bringing Order into Text. EMNLP 2004: 404-411 [https://web.eecs.umich.edu/~mihalcea/papers/mihalcea.emnlp04.pdf]
Paul Deane: A Nonparametric Method for Extraction of Candidate Phrasal Terms. ACL 2005: 605-613 [https://www.aclweb.org/anthology/P05-1075/]
Jialu Liu, Jingbo Shang, Chi Wang, Xiang Ren, Jiawei Han: Mining Quality Phrases from Massive Text Corpora. SIGMOD Conference 2015: 1729-1744 [https://dl.acm.org/citation.cfm?doid=2723372.2751523]
Ahmed El-Kishky, Yanglei Song, Chi Wang, Clare R. Voss, and Jiawei Han, "Scalable Topical Phrase Mining from Text Corpora", 2015 Int. Conf. on Very Large Data Bases (VLDB'15) [http://elkishk2.web.engr.illinois.edu/]
On the unsupervised analysis of domain-specific Chinese texts.Deng K, Bol PK, Li KJ, Liu JS.PNAS 2016. [https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4896694/pdf/pnas.201516510.pdf]
Jingbo Shang, Jialu Liu, Meng Jiang, Xiang Ren, Clare R. Voss, Jiawei Han: Automated Phrase Mining from Massive Text Corpora. IEEE Trans. Knowl. Data Eng. 30(10): 1825-1837 (2018) [https://ieeexplore.ieee.org/document/8306825]
Kazuya Kawakami, Chris Dyer, Phil Blunsom: Unsupervised Word Discovery with Segmental Neural Language Models. CoRR abs/1811.09353 (2018)
Jing Li, Aixin Sun, Jianglei Han, Chenliang Li: A Survey on Deep Learning for Named Entity Recognition. CoRR abs/1812.09449 (2018) [https://arxiv.org/abs/1812.09449]
Shantanu Kumar: A Survey of Deep Learning Methods for Relation Extraction. CoRR abs/1705.03645 (2017) [https://arxiv.org/abs/1705.03645]
Relation Extraction : A Survey. Sachin Pawara,b, Girish K. Palshikara, Pushpak Bhattacharyyab. 2017 [https://arxiv.org/abs/1712.05191]
Alisa Smirnova, Philippe Cudré-Mauroux: Relation Extraction Using Distant Supervision: A Survey. ACM Comput. Surv. 51(5): 106:1-106:35 (2019) [https://dl.acm.org/citation.cfm?doid=3271482.3241741]
Chengyu Wang, Xiaofeng He, Aoying Zhou: A Short Survey on Taxonomy Learning from Text Corpora: Issues, Resources and Recent Advances. EMNLP 2017: 1190-1203 [https://www.aclweb.org/anthology/D17-1123/]
Quan Fang, Changsheng Xu, Jitao Sang, M. Shamim Hossain, Ahmed Ghoneim: Folksonomy-Based Visual Ontology Construction and Its Applications. IEEE Trans. Multimedia 18(4): 702-713 (2016)
Huaiwen Zhang, Quan Fang, Shengsheng Qian, Changsheng Xu: Learning Multimodal Taxonomy via Variational Deep Graph Embedding and Clustering. ACM Multimedia 2018: 681-68
Chengyu Wang, Xiaofeng He, Aoying Zhou: Improving Hypernymy Prediction via Taxonomy Enhanced Adversarial Learning. AAAI 2019: 7128-7135
Yu Shi, Jiaming Shen, Yuchen Li, Naijing Zhang, Xinwei He, Zhengzhi Lou, Qi Zhu, Matthew Walker, Myunghwan Kim, Jiawei Han: Discovering Hypernymy in Text-Rich Heterogeneous Information Network by Exploiting Context Granularity. CIKM 2019: 599-608
A Three-Way Model for Collective Learning on Multi-Relational Data, Maximilian Nickel, Volker Tresp, Hans-Peter Kriegel, ICML 2011
Translating Embeddings for Modeling Multi-relational Data, Antoine Bordes, Nicolas Usunier, Alberto Garcia-Duran, Jason Weston, Oksana Yakhnenko, NIPS 2013
Knowledge Graph Embedding by Translating on Hyperplanes Zhen Wang, Jianwen Zhang, Jianlin Feng, Zheng Chen, AAAI 2014
[Reducing the Rank of Relational Factorization Models by Including Observable Patterns] (http://papers.nips.cc/paper/5448-reducing-the-rank-in-relational-factorization-models-by-including-observable-patterns.pdf), Maximilian Nickel, Xueyan Jiang, Volker Tresp, NIPS 2014
Learning Entity and Relation Embeddings for Knowledge Graph Completion, Yankai Lin, Zhiyuan Liu, Maosong Sun, Yang Liu, Xuan Zhu, AAAI 2015
A Review of Relational Machine Learning for Knowledge Graph, Maximilian Nickel, Kevin Murphy, Volker Tresp, Evgeniy Gabrilovich, IEEE 2015
Knowledge Graph Embedding via Dynamic Mapping Matrix, Guoliang Ji, Shizhu He, Liheng Xu, Kang Liu, Jun Zha, ACL 2015.
Modeling Relation Paths for Representation Learning of Knowledge Bases, Yankai Lin, Zhiyuan Liu, Huanbo Luan, Maosong Sun, Siwei Rao, Song Liu, EMNLP 2015
Embedding Entities and Relations for Learning and Inference in Knowledge Bases, Bishan Yang, Wen-tau Yih, Xiaodong He, Jianfeng Gao, Li Deng, ICLR 2015
Holographic Embeddings of Knowledge Graphs, Maximilian Nickel, Lorenzo Rosasco, Tomaso Poggio, AAAI 2016
Complex Embeddings for Simple Link Prediction, Théo Trouillon, Johannes Welbl, Sebastian Riedel, Éric Gaussier, Guillaume Bouchard, ICML 2016
Modeling Relational Data with Graph Convolutional Networks, Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne Van Den Berg, Ivan Titov, Max Welling, arXiv 2017
Fast Linear Model for Knowledge Graph Embeddings, Armand Joulin, Edouard Grave, Piotr Bojanowski, Maximilian Nickel, Tomas Mikolov, arXiv 2017
Convolutional 2D Knowledge Graph Embeddings, Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel, AAAI 2018
Knowledge Graph Embedding With Iterative Guidance From Soft Rules, Shu Guo, Quan Wang, Lihong Wang, Bin Wang, Li Guo, AAAI 2018
KBGAN: Adversarial Learning for Knowledge Graph Embeddings, Liwei Cai, William Yang Wang, NAACL 2018
Improving Knowledge Graph Embedding Using Simple Constraints, Boyang Ding, Quan Wang, Bin Wang, Li Guo, ACL 2018
SimplE Embedding for Link Prediction in Knowledge Graphs, Seyed Mehran Kazemi, David Poole, NeurIPS 2018
A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network, Dai Quoc Nguyen, Tu Dinh Nguyen, Dat Quoc Nguyen, Dinh Phung, NAACL 2018
Rakshit Trivedi, Bunyamin Sisman, Xin Luna Dong, Christos Faloutsos, Jun Ma, Hongyuan Zha: LinkNBed: Multi-Graph Representation Learning with Entity Linkage. ACL (1) 2018: 252-262
Yukun Zuo, Quan Fang, Shengsheng Qian, Xiaorui Zhang, Changsheng Xu: Representation Learning of Knowledge Graphs with Entity Attributes and Multimedia Descriptions. BigMM 2018: 1-5
Iteratively Learning Embeddings and Rules for Knowledge Graph Reasoning, Wen Zhang, Bibek Paudel, Liang Wang, Jiaoyan Chen, Hai Zhu, Wei Zhang, Abraham Bernstein, Huajun Chen, WWW 2019
RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space, Zhiqing Sun, Zhi-Hong Deng, Jian-Yun Nie, Jian Tang, ICLR 2019
Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs, Deepak Nathani, Jatin Chauhan, Charu Sharma, Manohar Kaul, ACL 2019
Probabilistic Logic Neural Networks for Reasoning, Meng Qu, Jian Tang, NeurIPS 2019
Quaternion Knowledge Graph Embeddings, Shuai Zhang, Yi Tay, Lina Yao, Qi Liu, NeurIPS 2019
Multi-relational Poincaré Graph Embeddings, Ivana Balaževic, Carl Allen, Timothy Hospedales, NeurIPS 2019
Xin Dong, Evgeniy Gabrilovich, Geremy Heitz, Wilko Horn, Ni Lao, Kevin Murphy, Thomas Strohmann, Shaohua Sun, Wei Zhang: Knowledge vault: a web-scale approach to probabilistic knowledge fusion. KDD 2014: 601-610
Xin Luna Dong, Evgeniy Gabrilovich, Geremy Heitz, Wilko Horn, Kevin Murphy, Shaohua Sun, Wei Zhang: From Data Fusion to Knowledge Fusion. PVLDB 7(10): 881-892 (2014)
Chao Zhang, Zichao Yang, Xiaodong He, Li Deng: Multimodal Intelligence: Representation Learning, Information Fusion, and Applications. CoRR abs/1911.03977 (2019)
Namyong Park, Andrey Kan, Xin Luna Dong, Tong Zhao, Christos Faloutsos: Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks. KDD 2019: 596-606
Shengbin Jia, Yang Xiang, Xiaojun Chen, Kun Wang, Shijia E:Triple Trustworthiness Measurement for Knowledge Graph. WWW 2019: 2865-2871
Quan Fang, Changsheng Xu, Jitao Sang, M. Shamim Hossain, Ahmed Ghoneim: Folksonomy-Based Visual Ontology Construction and Its Applications. IEEE Trans. Multimedia 18(4): 702-713 (2016)
Huaiwen Zhang, Quan Fang, Shengsheng Qian, Changsheng Xu: Learning Multimodal Taxonomy via Variational Deep Graph Embedding and Clustering. ACM Multimedia 2018: 681-68
Yu Su, Shengqi Yang, Huan Sun, Mudhakar Srivatsa, Sue Kase, Michelle Vanni, Xifeng Yan:Exploiting Relevance Feedback in Knowledge Graph Search. KDD 2015: 1135-1144
Chenyan Xiong, Russell Power, Jamie Callan: Explicit Semantic Ranking for Academic Search via Knowledge Graph Embedding. WWW 2017: 1271-1279
Hongwei Wang, Fuzheng Zhang, Jialin Wang, Miao Zhao, Wenjie Li, Xing Xie, Minyi Guo: RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems. CIKM 2018: 417-426
Xiang Wang, Dingxian Wang, Canran Xu, Xiangnan He, Yixin Cao, Tat-Seng Chua: Explainable Reasoning over Knowledge Graphs for Recommendation. AAAI 2019: 5329-5336
Hongwei Wang, Fuzheng Zhang, Miao Zhao, Wenjie Li, Xing Xie, Minyi Guo: Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation. WWW 2019: 2000-2010
Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu, Tat-Seng Chua:KGAT: Knowledge Graph Attention Network for Recommendation. KDD 2019: 950-958
Yixin Cao, Xiang Wang, Xiangnan He, Zikun Hu, Tat-Seng Chua: Unifying Knowledge Graph Learning and Recommendation: Towards a Better Understanding of User Preferences. WWW 2019: 151-161
Weizhi Ma, Min Zhang, Yue Cao, Woojeong Jin, Chenyang Wang, Yiqun Liu, Shaoping Ma, Xiang Ren:Jointly Learning Explainable Rules for Recommendation with Knowledge Graph. WWW 2019: 1210-1221
12.【幹貨】最全知識圖譜綜述#1: 概念以及構建技術 專知
[http://mp.weixin.qq.com/s/bhk6iZdphif74HJlyUZOBQ]
14.知識圖譜相關會議之觀後感分享與學習總結
[http://blog.csdn.net/eastmount/article/details/46672701]
- PPT: [http://download.csdn.net/detail/eastmount/9159689]
東南大學《知識圖譜》研究生課程
浙江大學《知識圖譜》課程
複旦大學知識圖譜暑期課程,2018年 本次課程體係由複旦大學肖仰華教授策劃,講者來自複旦大學、南加州大學、湖南大學、香港中文大學、華東師範大學、微軟亞洲研究院、上海財經大學、東華大學、蘇州大學等青年學者。本次課程由上海財經大學承辦,由上海財經大學崔萬雲博士負責課程的本地組織工作。 [百度雲鏈接:https://pan.baidu.com/s/11DdkfxN4JG_naD1ySkIHeQ, 密碼:r5d3]
DBpedia DBpedia 是一個大規模的多語言百科知識圖譜,可視為是維基百科的結構化版本。DBpedia 使用固定的模式對維基百科中的實體信息進行抽取,包括 abstract、infobox、category 和 page link 等信息。圖 2 示例了如何將維基百科中的實體“Busan”的 infobox 信息轉換成 RDF 三元組。DBpedia 目前擁有 127 種語言的超過兩千八百萬個實體與數億個 RDF 三元組,並且作為鏈接數據的核心,與許多其他數據集均存在實體映射關係。而根據抽樣評測,DBpedia 中 RDF 三元組的正確率達 88%。DBpedia 支持數據集的完全下載。 [http://wiki.dbpedia.org/]
Yago 是一個整合了維基百科與 WordNet的大規模本體,它首先製定一些固定的規則對維基百科中每個實體的 infobox 進行抽取,然後利用維基百科的category進行實體類別推斷(Type Inference)獲得了大量的實體與概念之間的 IsA 關係(如:“Elvis Presley” IsA “American Rock Singers”),最後將維基百科的 category 與 WordNet 中的 Synset(一個 Synset 表示一個概念)進行映射,從而利用了 WordNet 嚴格定義的 Taxonomy 完成大規模本體的構建。隨著時間的推移,Yago 的開發人員為該本體中的 RDF 三元組增加了時間與空間信息,從而完成了 Yago2的構建,又利用相同的方法對不同語言維基百科的進行抽取,完成了 Yago3的構建。目前,Yago 擁有 10 種語言約 459 萬個實體,2400 萬個 Facts,Yago 中 Facts的正確率約為 95%。Yago 支持數據集的完全下載。 [https://www.mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/yago/downloads/]
Wikidata WikiData的目標是構建一個免費開放、多語言、任何人或機器都可以編輯修改的大規模鏈接知識庫。WikiData由維基百科於2012年啟動,早期得到微軟聯合創始人Paul Allen、Gordon Betty Moore基金會以及Google的聯合資助。WikiData繼承了Wikipedia的眾包協作的機製,但與Wikipedia不同,WikiData支持的是以三元組為基礎的知識條目(Items)的自由編輯。一個三元組代表一個關於該條目的陳述(Statements)。例如可以給“地球”的條目增加“<地球,地表麵積是,五億平方公裏>”的三元組陳述。截止2016年,WikiData已經包含超過2470多萬個知識條目。 [https://www.wikidata.org/wiki/Wikidata:Main_Page]
BabelNet 是目前世界範圍內最大的多語言百科同義詞典,它本身可被視為一個由概念、實體、關係構成的語義網絡(Semantic Network)。BabelNet 目前有超過 1400 萬個詞目,每個詞目對應一個 synset。每個 synset 包含所有表達相同含義的不同語言的同義詞。比如:“中國”、“中華人民共和國”、“China”以及“people’srepublic of China”均存在於一個 synset 中。BabelNet 由 WordNet 中的英文 synsets 與維基百科頁麵進行映射,再利用維基百科中的跨語言頁麵鏈接以及翻譯係統,從而得到 BabelNet 的初始版本。目前 BabelNet 又整合了 Wikidata、GeoNames、OmegaWiki 等多種資源,共擁有 271 個語言版本。由於 BabelNet 中的錯誤來源主要在於維基百科與 WordNet 之間的映射,而映射目前的正確率大約在 91%。關於數據集的使用,BabelNet 目前支持 HTTP API 調用,而數據集的完全下載需要經過非商用的認證後才能完成。 [http://babelnet.org/]
ConceptNet 是一個大規模的多語言常識知識庫,其本質為一個以自然語言的方式描述人類常識的大型語義網絡。ConceptNet 起源於一個眾包項目 Open Mind Common Sense,自 1999 年開始通過文本抽取、眾包、融合現有知識庫中的常識知識以及設計一些遊戲從而不斷獲取常識知識。ConceptNet 中共擁有 36 種固定的關係,如 IsA、UsedFor、CapableOf 等,圖 4 給出了一個具體的例子,從中可以更加清晰地了解 ConceptNet 的結構。ConceptNet 目前擁有 304 個語言的版本,共有超過 390 萬個概念,2800 萬個聲明(statements,即語義網絡中邊的數量),正確率約為 81%。另外,ConceptNet 目前支持數據集的完全下載。 [http://conceptnet.io/]
Microsoft Concept Graph 是一個大規模的英文 Taxonomy,其中主要包含的是概念間以及實例(等同於上文中的實體)概念間的 IsA 關係,其中並不區分 instanceOf 與 subclassOf 關係。Microsoft Concept Graph 的前身是 Probase,它過自動化地抽取自數十億網頁與搜索引擎查詢記錄,其中每一個 IsA 關係均附帶一個概率值,即該知識庫中的每個 IsA 關係不是絕對的,而是存在一個成立的概率值以支持各種應用,如短文本理解、基於 taxonomy 的關鍵詞搜索和萬維網表格理解等。目前,Microsoft Concept Graph 擁有約 530 萬個概念,1250 萬個實例以及 8500 萬個 IsA 關係(正確率約為 92.8%)。關於數據集的使用,MicrosoftConcept Graph 目前支持 HTTP API 調用,而數據集的完全下載需要經過非商用的認證後才能完成。 [https://concept.research.microsoft.com/Home/Introduction]
Freebase: Freebase是一個開放共享的、協同構建的大規模鏈接數據庫。Freebase是由矽穀創業公司MetaWeb於2005年啟動的一個語義網項目。2010年,穀歌收購了Freebase作為其知識圖譜數據來源之一。Freebase主要采用社區成員協作方式構建。其主要數據來源包括維基百科Wikipedia、世界名人數據庫NNDB、開放音樂數據庫MusicBrainz,以及社區用戶的貢獻等。Freebase基於RDF三元組模型,底層采用圖數據庫進行存儲。Freebase的一個特點是不對頂層本體做非常嚴格的控製,用戶可以創建和編輯類和關係的定義。2016年,穀歌宣布將Freebase的數據和API服務都遷移至Wikidata,並正式關閉了Freebase。 [https://developers.google.com/freebase/]
Schema.org:Schema.org是2011年起,由Bing、Google、Yahoo和Yandex等搜索引擎公司共同支持的語義網項目。Schema.org支持各個網站采用語義標簽(Semantic Markup)的方式將語義化的鏈接數據嵌入到網頁中。搜索引擎自動搜集和歸集這些,快速的從網頁中抽取語義化的數據。Schema.org提供了一個詞彙本體用於描述這些語義標簽。截止目前,這個詞彙本體已經包含600多個類和900多個關係,覆蓋範圍包括:個人、組織機構、地點、時間、醫療、商品等。穀歌於2015年推出的定製化知識圖譜支持個人和企業在其網頁中增加包括企業聯係方法、個人社交信息等在內的語義標簽,並通過這種方式快速的彙集高質量的知識圖譜數據。截止2016年,穀歌的一份統計數據顯示,超過31%的網頁和1200萬的網站已經使用了Schema.org發布語義化的鏈接數據。其它采用了部分Schema.org功能的還包括微軟Cortana、Yandex、Pinterest、蘋果的Siri等。Schema.org的本質是采用互聯網眾包的方式生成和收集高質量的知識圖譜數據。 [http://schema.org/]
LOD-Linked Open Data:LOD的初衷是為了實現Tim Berners-Lee在2006年發表的有關鏈接數據(Linked Data)作為語義網的一種實現的設想。LOD遵循了Tim提出的進行數據鏈接的四個規則,即:(1)使用URI標識萬物;(2)使用HTTP URI,以便用戶可以(像訪問網頁一樣)查看事物的描述;(3)使用RDF和SPARQL標準;(4)為事物添加與其它事物的URI鏈接,建立數據關聯。截止目前,LOD已經有1143個鏈接數據集,其中社交媒體、政府、出版和生命科學四個領域的數據占比超過90%。56% 的數據集對外至少與一個數據集建立了鏈接。被鏈接最多的是dbpedia的數據。比較常用的鏈接類型包括:foaf:knows、sioc:follows、owl:sameAs、rdfs:seeAlso、dct:spatial、skos:exactMatch等。LOD鼓勵各個數據集使用公共的開放詞彙和術語,但也允許使用各自的私有詞彙和術語。在使用的術語中,有41%是公共的開放術語 [http://lod-cloud.net/]
WordNet:語言知識圖譜,包含155, 327個單詞,同義詞集117,597個,同義詞集之 間由22種關係連接 [https://wordnet.princeton.edu/]
Zhishi.me :Zhishi.me是中文常識知識圖譜。主要通過從開放的百科數據中抽取結構化數據,已融合了百度百科,互動百科以及維基百科中的中文數據。 [http://zhishi.me/]
CN-DBPeidia:CN-DBpedia是由複旦大學知識工場實驗室研發並維護的大規模通用領域結構化百科。CN-DBpedia主要從中文百科類網站(如百度百科、互動百科、中文維基百科等)的純文本頁麵中提取信息,經過濾、融合、推斷等操作後,最終形成高質量的結構化數據,供機器和人使用。CN-DBpedia自2015年12月份發布以來已經在問答機器人、智能玩具、智慧醫療、智慧軟件等領域產生數億次API調用量。CN-DBpedia提供全套API,並且免費開放使用。大規模商務調用,提供由IBM、華為支持的專業、穩定服務接口。 [http://kw.fudan.edu.cn/cndbpedia/search/]
Medical Relation Detection Dataset in DIEBOLDS 一個醫療健康領域的知識圖譜數據集,可以用來做醫療實體的抽取和檢測,比如藥物、成分、症狀和疾病。 Lidong Bing 邴立東 [http://www.cs.cmu.edu/~lbing/#Datasets]
Kinships:領域知識圖譜,描述人物之間的親屬關係,104個實體, 26種關係, 10,800個三元組。 [https://archive.ics.uci.edu/ml/datasets/kinship]
UMLS:領域知識圖譜,醫學領域,描述醫學概念之間的聯係,135 個實體,49種關係,6,800個三元組。 [https://www.nlm.nih.gov/research/umls/]
XLORE雙語百科知識圖譜 XLore從異構的跨語言在線百科中抽取結構化信息,並將其分享在網絡上。據我們所知,XLore是第一個大規模的中英文知識平衡的知識圖譜。目前,XLore包含663,740個概念,56,449個屬性和10,856,042個實例。這給構建任何雙語言知識平衡的大規模知識圖譜提供了一種新的方式。 [http://xlore.org/]
Knowledge Vault: 機器自動構建的知識圖譜,4500萬實體,4469種關係,2.7億 三元組 [https://research.google.com/pubs/pub45634.html]
ConceptNet5 ConceptNet是常識知識庫。最早源於MIT媒體實驗室的Open Mind Common Sense (OMCS)項目。OMCS項目是由著名人工智能專家Marvin Minsky於1999年建議創立。ConceptNet主要依靠互聯網眾包、專家創建和遊戲三種方法來構建。ConceptNet知識庫以三元組形式的關係型知識構成。ConceptNet5版本已經包含有2800萬關係描述。與Cyc相比,ConceptNet采用了非形式化、更加接近自然語言的描述,而不是像Cyc那樣采用形式化的謂詞邏輯。與鏈接數據和穀歌知識圖譜相比,ConceptNet比較側重於詞與詞之間的關係。從這個角度看,ConceptNet更加接近於WordNet,但是又比WordNet包含的關係類型多。此外,ConceptNet完全免費開放,並支持多種語言。 [http://www.openkg.cn/dataset/conceptnet5-chinese]
史上最大規模1.4億中文知識圖譜開源下載 本次ownthink開源了史上最大規模的中文知識圖譜,數據是以(實體、屬性、值),(實體、關係、實體)混合的形式組織, [https://github.com/ownthink/KnowledgeGraphData]
金融領域知識圖譜
醫療領域知識圖譜
農業領域知識圖譜
Baoxu Shi, Tim Weninger: ProjE: Embedding Projection for Knowledge Graph Completion. AAAI 2017: 1236-1242
Rakshit Trivedi, Hanjun Dai, Yichen Wang, Le Song: Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs. ICML 2017: 3462-3471
Baoxu Shi, Tim Weninger: Open-World Knowledge Graph Completion. AAAI 2018: 1957-1964
Beilun Wang, Arshdeep Sekhon, Yanjun Qi: A Fast and Scalable Joint Estimator for Integrating Additional Knowledge in Learning Multiple Related Sparse Gaussian Graphical Models. ICML 2018: 5148-5157
Keyulu Xu, Chengtao Li, Yonglong Tian, Tomohiro Sonobe, Ken-ichi Kawarabayashi, Stefanie Jegelka: [Representation Learning on Graphs with Jumping Knowledge Networks] (http://proceedings.mlr.press/v80/xu18c.html). ICML 2018: 5449-5458
Antoine Bosselut, Hannah Rashkin, Maarten Sap, Chaitanya Malaviya, Asli Çelikyilmaz, Yejin Choi: COMET: Commonsense Transformers for Automatic Knowledge Graph Construction. ACL (1) 2019: 4762-4779
Lingbing Guo, Zequn Sun, Wei Hu: Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs. ICML 2019: 2505-2514
Tianwen Jiang, Tong Zhao, Bing Qin, Ting Liu, Nitesh V. Chawla, Meng Jiang: The Role of: A Novel Scientific Knowledge Graph Representation and Construction Model. KDD 2019: 1634-1642
初步版本,水平有限,有錯誤或者不完善的地方,歡迎大家提建議和補充,會一直保持更新,本文為專知內容組原創內容,未經允許不得轉載,如需轉載請發送郵件至fangquanyi@gmail.com 或 聯係微信專知小助手(Rancho_Fang)
敬請關注//www.webtourguide.com 和關注專知公眾號,獲取第一手AI相關知識
最近更新:2022-2-15