论文浅尝 | DI刊发的那些有关Knowledge Graph的论文

本文主要是介绍论文浅尝 | DI刊发的那些有关Knowledge Graph的论文，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文转载自公众号：数据智能英文刊

知识图谱被称为人工智能的基石，它的前身是语义网，由谷歌在2012年率先提出，用于改善自身的搜索业务。Data Intelligence执行主编、东南大学计算机科学与技术学院漆桂林教授这样定义知识图谱：知识图谱是人工智能中研究如何将人类的知识转化为图，从而方便计算机存储并用于推理，计算机可以通过知识图谱实现从感知智能到认知智能的飞跃，支持智能问答、辅助决策、智能分析等应用。DI编委、同济大学特聘研究员王昊奋老师是知识图谱方面的专家，曾深入参与过IBM Watson系统的研发工作，他的定义是知识图谱旨在描述真实世界中存在的各种实体或概念。其中，每个实体或概念用一个全局唯一确定的ID来标识，称为它们的标识符。每个属性-值对用来刻画实体的内在特性，而关系用来连接两个实体，刻画它们之间的关联。

知识图谱是DI的核心主题之一，创刊以来，已刊发了大量相关论文。我们特别对已出版的知识图谱主题论文进行了整理，并对每篇论文的核心内容做了中文简述，以飨关心和支持DI发展的专家和读者。

衷心希望DI刊发的文章能启发您的思想，助力您的科研！

注：点击二维码可直达文章全文页面。

1 Constructing and Cleaning Identity Graphs in the LOD Cloud

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

简述：作者之前的工作展示过一张包含超过5亿条明确含有owl:sameAs语句和350亿条暗含owl:sameAs语句的等价关系图谱（identity graph）。作者提出了一个可扩展的方法，可自动计算每一条语句的错误程度。在本文中，作者生成了整张等价关系图谱的子图，这些子图都包含一定程度的错误数据。本文结论是尽管语义网中包含了许多错误的owl:sameAs语句，语义网上的数据仍是可用的，同时可把因错误使用owl:sameAs语句带来的负面影响降到最低。本文作者之一的Frank van Harmelen教授是荷兰阿姆斯特丹自由大学计算机科学系教授，是世界顶级的语义网技术专家。

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

简述：虚拟知识图谱技术（VKG）也被称为基于本体的数据访问，本文详细总结了VKG的软件生态圈和应用案例。本文第一作者意大利博尔扎诺自由大学计算机学院Guohui Xiao (肖国辉) 博士，是当今最先进的VKG系统Ontop 研究团队的负责人，作者Diego Calvanese教授是知识图谱领域的国际知名专家。

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

简述：本文提出了一种新的知识图谱补全方法，通过扩展多层RNN将知识图谱建模成长度为3的序列，同时提出了3种不同策略来集成RNN单元，并通过实验展示了不同特点。本文通讯作者是南京大学计算机科学与技术系胡伟副教授。

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

简述：本文介绍了在信息管理系统中知识-数据转换的一种架构，KnowID。该架构提出了在实体-联系模型和关系模型之间转换的新的规则。和其他基于本体的数据访问方法相比，KnowID的突出特点是Runtime 运行可以利用在信息系统设计中经常使用的封闭世界假定思想(closed world assumption)，同时利用路径查询提高SQL查询效率。

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

简述：AMiner是一个新型的由作者、论文、会议、期刊以及机构所组成的大规模在线学术搜索与挖掘系统。本文第一作者是北京交通大学万怀宇副教授，通讯作者唐杰教授是国内知名学者、清华大学计算机科学与技术系教授，国家杰出青年科学基金获得者。

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

简述：本文介绍了基于维基百科和百度百科自动构建的XLORE升级版的构建和应用。本文为清华大学计算机科学与技术系李涓子教授团队的最新研究成果。李涓子教授目前是中国中文信息学会语言与知识计算专委会主任、清华-青岛数据科学研究院科技大数据研究中心主任。

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

简述：本文提出了一种抽取加验证的知识库增强框架。相比CN-DBpedia，新版本的知识库（CN-DBpedia2）增加了大量从实体描述文本中抽取出来的高置信度的事实。本文通讯作者肖仰华是复旦大学计算机学院教授、博导、青年973首席科学家。

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

简述：本文详述了大型概念知识图谱系统——微软知识图谱 (Microsoft Concept Graph) 的构建实践。通讯作者为微软亚洲研究院纪蕾研究员。

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

简述：本文详述了阿里巴巴集团构建的基于场景的知识系统，从商业角度分析该系统的优势和面临的挑战。本文通讯作者为阿里巴巴集团付敏高级工程师。

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

简述：本文介绍了搜狗公司构建大规模多源数据知识图谱的案例。作者均来自于搜狗公司。

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

简述：本文构建了用于本体匹配的来自于GeoLink 项目的真实数据集。本文第一作者来自于堪萨斯大学计算机系Pascal Hitzler教授团队。Pascal Hitzler教授是语义网领域国际知名学者，Semantic Web 期刊的创刊主编(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

简述：本文详述了计算机科学本体（Computer Science Ontology）的自动构建过程。该本体包括1.4万个主题，12.2万条语义关系。本文通讯作者Angelo A. Salatino是英国开放大学知识媒体研究所的教授，FrancescoOsborne是语义网领域的国际知名青年学者。

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

简述：本文构建了嵌入众包任务以优化关联数据的开源软件游戏框架。本文通讯作者Irene Celino为意大利Cefriel公司知识技术团队负责人，是语义网技术和人机对话技术领域国际知名学者。

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

简述：利用语义数据字典可促进数据的被发现、互操作、可重用，可溯源和可再现。本文展示了可公开获取的美国国家健康与营养检验调查数据集的语义标注的实例，讨论了数据建模的挑战，描述了研究者利用语义数据字典方法进行的工作，包括美国国立卫生研究院资助的大型健康数据网站和伦斯勒理工学院和IBM合作的“分析、学习和语义”健康赋能项目。在评测部分，研究者们设计了四个指标：数据、语义、FAIR原则和普适性，分别对比了语义数据字典、传统数据字典、映射语言和数据集成工具在这四个指标上的得分。研究者们也对该方法的局限性进行了讨论并对未来研究方向进行了展望。

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

简述：本文提出了RDF数据质量评测模型，利用区块链技术记录数据质量评测结果，设计了针对质量评估结果的升级策略。

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

简述：本文展示了数据集KB4Rec v1.0。该数据集将三个广泛使用的推荐系统数据集的物品链接到两个流行的知识图谱—FreeBase和YAGO。本文通讯作者为中国人民大学信息学院赵鑫副教授。