知識圖譜的概念最早起源於Google在2012年提出的Knowledge Graph。知識圖譜本質上是一種語義網絡。其結點代表實體（entity）或者概念（concept），邊代表實體/概念之間的各種語義關係。知識圖譜的直接推動力來自於一系列實際應用，包括語義搜索、機器問答、情報檢索、電子閱讀、在線學習等。
人工智能正由感知智能向認知智能演化，讓機器具備認知智能，其核心就是讓機器具備理解和解釋能力。這種能力的實現與大規模、結構化的背景知識是密不可分的。知識圖譜是實現機器認知智能的使能器，一方面通過建立從數據到知識圖譜中實體、概念、關係的映射，讓機器理解數據的本質；另一方面利用知識圖譜中實體、概念和關係來解釋現實世界中事物和現象，讓機器解釋現象的本質。
AMiner學術搜索平臺推薦了一系列知識圖譜相關的經典論文，內容涵蓋：概念、發展歷程、關鍵技術（比如知識表示與建模、知識抽取、知識融合、知識圖譜查詢與推理計算等）、應用場景、研究問題與挑戰、未來研究方向等多方面。旨在爲讀者瞭解知識圖譜的發展動向、基礎及應用研究的代表性成果提供了信息窗口。
10篇推薦論文如下：
1、標題：A Survey on Knowledge Graphs: Representation, Acquisition and Applications
出版物：the Association for the Advance of Artificial Intelligence --AAAI2020
作者：Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu
推薦理由：本文詳細介紹了知識圖譜表示學習、知識獲取與完成、時間知識圖譜、知識感知應用等方面的技術和未來的研究方向。
2、標題：Knowledge graph completion with adaptive sparse transfer matrix
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2016
作者：Guoliang Ji, Kang Liu, Shizhu He, Jun Zhao
推薦理由：本文提出一種自適應稀疏轉移矩陣來完善知識圖譜，處理知識圖譜的異質性和不平衡性等問題。
3、標題：Dynamic Knowledge Graph Construction for Zero-shot Commonsense Question Answering
出版物：Computing Research Repository --CoRR2019
作者：Antoine Bosselut, Yejin Choi
推薦理由：本文提出了一種利用生成神經常識模型，根據需要生成上下文相關知識的新方法，用於零樣本常識問答任務，性能得到提升。
4、標題：Collaborative knowledge base embedding for recommender systems
出版物：ACM SIGKDD Conference on Knowledge Discovery and Data Mining
--KDD 2016
作者：Fuzheng Zhang, Nicholas Jing Yuan, Defu Lian, Xing Xie, Wei-Ying Ma
推薦理由：本文研究瞭如何利用知識庫中的異構信息來提高推薦系統的質量，首先利用知識庫設計了三個組件，分別從結構內容、文本內容和可視內容中提取條目的語義表示；然後提出一種協同知識庫嵌入（CKE）集成框架，共同學習協同過濾中的潛在表示以及知識庫中項目的語義表示。本文方法明顯提升了推薦系統中協同過濾的性能。
5、標題：ProjE: Embedding projection for knowledge graph completion
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2017
作者：Baoxu Shi, Tim Weninger
推薦理由：本文提出一個名爲ProjE的共享變量神經網絡模型，該模型不需要複雜特徵工程，僅通過簡單改變底層模型的結構，來填補知識圖譜中的缺失信息。
6、標題：Convolutional 2d knowledge graph embeddings
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2018
作者：Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel
推薦理由：本文提出了一種用於鏈路預測的多層卷積網絡模型ConvE，來預測知識圖譜中實體間缺失關係。本文方法具有很高的參數效率，特別適用於對具有高密度的節點進行建模。
出版物：The International Conference on Learning Representations --ICLR 2020
作者：Fan-Yun Sun, Jordan Hoffmann, Vikas Verma, Jian Tang
推薦理由：本文受到無監督表示法學習的啓發，通過最大化交互信息，提出了InfoGraph*模型，該模型最大化了InfoGraph學習的無監督圖表示與現有監督方法學習的表示之間的互信息。
8、標題：Dynamic Graph Representation Learning via Self-Attention Networks
出版物：Web Search and Data Mining --WSDM 2020
作者：Aravind Sankar，Yanhong Wu, Liang Gou, Wei Zhang，Hao Yang
推薦理由：本文提出了動態的自注意力網絡（DySAT），這是一種新型的神經架構，它操作在動態圖上，並學習節點表示，以捕捉結構特性和時間演化模式。
9、標題：An End-to-End Deep Learning Architecture for Graph Classification
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2018
作者：Muhan Zhang, Zhicheng Cui, Marion Neumann, Yixin Chen
推薦理由：本文提出了一種可以接受任意結構的圖神經網絡架構，包括局部圖卷積模型和圖頂點排序策略。本文方法解決了圖分類任務中的兩個問題：1)如何提取有用的特徵來表示信息編碼豐富的圖象；2)如何順序讀取有意義且一致的繪製圖形。
10、標題：Hierarchical graph representation learning with differentiable pooling
出版物：Neural Information Processing Systems --NeurIPS 2018
作者：Rex Ying, Jiaxuan You, Christopher Morris, Xiang Ren,William L. Hamilton， Jure Leskovec
推薦理由：本文提出了一種可微圖池化模塊DIFFPOOL，可生成層次結構圖形的表示形式，並可與各種圖形相結合的端到端的神經網絡架構。
相關閱讀：