A Survey on Application of Knowledge Graph

已于 2023-06-08 14:20:22 修改
阅读量270 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： Knowledge Graph Survey Paper 文章标签： 知识图谱
于 2022-09-07 15:03:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/126721333
本文系统地调查了知识图谱在问答系统、推荐系统、信息检索及特定领域（如医学、网络安全、金融、新闻和教育）的应用。自谷歌2012年提出知识图谱以来，它在提供语义结构化信息方面显示出巨大潜力，但对其应用的系统性审查尚未充分展开。尽管取得了一些进展，但仍有许多方面值得进一步探索。

本文是针对《A Survey on Application of Knowledge Graph》的一个翻译。

知识图谱应用综述

摘要

知识图谱作为一种语义图表示信息，在工业界和学术界引起了广泛关注。它们提供语义结构化信息的特性为许多任务带来了重要的可能解决方案，包括问答、推荐和信息检索，并被许多研究人员认为为构建更多智能机器提供了巨大的前景。尽管自谷歌于2012年提出知识图这一术语以来，知识图谱已经支持了各种商业和科学领域的多个“大数据”应用，但之前没有任何研究对知识图谱的应用进行系统性审查。因此，与关注知识图谱构建技术的其他相关工作不同，本文旨在对这些来自不同领域的应用进行首次调查。本文还指出，尽管近年来在应用知识图谱向特定领域提供语义结构化信息的巨大能力方面取得了重要进展，但仍有几个方面有待探索。

1. 引言

近年来，知识图谱（KG）已成为许多需要访问结构化知识的信息系统的基础。语义网的概念可以追溯到Berners-Lee在2001年的研究。在他的工作中，Berners-Lee建议推广和发展统一资源标识符（URI）、资源描述框架（RDF）和Web本体语言（OWL）等技术标准。
早期的一些研究通过使用RDF标准促进了基于图的知识表示。这些图中的节点表示实体，它们由表示关系的边连接。关系集可以组织在模式或本体中，该模式或本体定义了它们的相关性和使用限制。
链接数据的概念于2009年提出。它建议将语义网中的不同数据集相互链接，使它们被视为一个大型的全局知识图谱。直到2014年，大约1000个数据集在链接的开放数据云中相互链接，它们之间的大多数链接连接相同的实体。
2012年，谷歌提出了一种新技术，称为知识图谱，用于在网络搜索中使用语义知识。谷歌的知识图用于识别和消除文本中的实体歧义，用语义结构摘要丰富搜索结果，并在探索性搜索中提供相

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Knowledge Graph Embedding: A Survey of Approaches and Applications (2)
c_cpp_csharp的专栏
09-26 681
本文是对知识图谱相关文章阅读翻译，《Knowledge Graph Embedding: A Survey of Approaches and Applications》。
【论文翻译 AAAI 2020 | 知识图谱综述】A Survey on Knowledge Graphs: Representation, Acquisition and Applications
热门推荐
byn12345的博客
05-14 1万+
论文题目：A Survey on Knowledge Graphs: Representation, Acquisition and Applications 论文来源：AAAI 2020 Philip S. Yu等人 关键词：知识图谱，表示学习，知识图谱补全，关系抽取，知识推理 待更新… PS. 以后再也不翻译综述了，实在是太长了，也看不下去[捂脸哭泣]。 个人感觉这篇文章看一看每个小结的总结就行了，中间主要是方法的列举。 （都翻译了这么多，也不想接下来只翻译小结，还是善始善终吧） 文章目录1.
AAAI论文摘要【知识图谱补全】：A Survey on knowledge Graphs：Representation，Acquisition and Application
weixin_43253562的博客
10-28 3400
A Survey on knowledge Graphs：Representation，Acquisition and Application 主要思路 全面回顾 知识图谱表示学习 知识图谱推理 全视图分类和新分类 KRL（知识图谱表示学习） 知识获取 知识感知应用（knowledge-aware application） 相关的新进展 基于Transformer的知...
A Survey on Knowledge Graphs___Representation, Acquisition and Applications.知识图谱综述：表示，获取，应用
岁月求索
09-27 6321
知识图谱综述：表示、获取及应用 这是研究生第一篇综述文章，第一次读也是花了好几天的时间。 摘要:人类的知识提供了对世界的一种形式的理解。表征实体之间结构关系的知识图已成为认知和人的智能研究的热门方向。在这个调查中，我们提供了一个全面的知识图谱综述，包括1)知识图谱表示学习，2)知识获取和完成，3)时序知识图谱，4)知识感知应用，并总结近年来的研究进展，展望未来的研究方向。我们提出了对这些主题进行全面的分类和新的分类法。知识图谱嵌入由表示空间、评分函数、编码模型和辅助信息四个方面组成。在知识获取方面，特
A Survey on Knowledge GraphsRepresentation, Acquisition and Applications.pdf
10-30
Abstract—Human knowledge provides a formal understand- ing of the world. Knowledge graphs that represent structural relations between entities have become an increasingly popular research direction towards cognition and human-level intelligence. In this survey, we provide a comprehensive review of k
论文阅读笔记|三遍阅读详解知识图谱入门之作(A Survey on Knowledge Graphs)
qq_30284057的博客
12-15 1630
作者在摘要中主要提及了四点重要内容提供了一个综合的视角来看知识图谱。提出了新的分类方法。讨论了几个热点的课题。提供了各个领域的开源数据，讨论了未来的方向论文，文章创新点分类方式新，大的方面从KRL，知识获取到前沿的时序KG到未来的发展方向。KRL又细分为四种，知识获取也细分为几种。将多个模型放在一起进行比较，对模型进行分类归纳。讨论了前沿的方向，给出了发展的道路。文章关键点细粒度的分类和归纳。
A Survey of Knowledge Graph Reasoning onGraph Types: Static, Dynamic, and Multi-Modal（七）
sinat_41942180的博客
07-23 1081
本文综述了知识图谱推理（KGR）技术的最新研究进展，系统梳理了静态、时序和多模态三类知识图谱的推理方法，并提出了双层分类体系（图类型+技术场景）。文章指出当前KGR面临的七大挑战：分布外推理、大规模推理、多关系推理、多模态推理、可解释推理、实际应用落地，以及与大型语言模型（LLM）的协同。针对每个挑战，作者分析了现有解决方案的局限性和改进方向，例如采用小样本学习处理未见关系、图聚类优化大规模推理、自适应融合多模态信息等。研究还开源了包含180个KGR模型和67个数据集的资源库。未来研究方向包括开发更细粒度的
Multi-Modal Knowledge Graph Construction andApplication: A Survey
weixin_44466434的博客
09-14 1954
多模态知识图谱
《knowledge graph embedding：a survey of approaches and applications》论文阅读
ptxx_p的博客
10-18 1154
发表于TKDE 2017。 knowledge graph embedding：a survey of approaches and applicationsabstract1. introduction2. notations3. KG embedding with facts alone3.1 translational distance models3.1.1 TransE and Its Extensions3.1.2 gaussian embeddings3.1.3 other distance
论文阅读笔记 三遍阅读详解知识图谱入门之作(A Survey on Knowledge Graphs)_知识图谱survey
2301_82102393的博客
04-14 995
来增强语义表示学习。包含实体和关系的关系路径例如x1x2xT(x1​,x2​,…,xT​)，是随机游走产生的，并且元素的位置和互换。然后使用其来计算循环隐层状态httanhWhht−1Wxxtbskip操作如下，其中S1S1​，S2S2​是权重矩阵。ht′htxt∈εS1htS2xt−1xt∈R。
Lua非空判断方法[源码]
11-24
本文详细介绍了在Lua中进行非空判断的几种方法，特别是针对table类型的变量。首先，文章指出了直接对nil值进行索引会导致异常的问题，并给出了一个简单的例子来说明如何避免这种情况。接着，文章讨论了如何判断一个table是否为空，指出不能简单地使用`#table == 0`的方式，而是应该使用`next(t) == nil`的方法。此外，文章还提到了`next`指令在LuaJIT中的优化问题，建议在非必要情况下少用。最后，文章简要介绍了如何判断一个字符串是否全部由空格组成，使用了正则匹配的方法。这些内容对于Lua开发者来说非常实用，能够帮助他们避免常见的错误。
JS表格转Excel实现[可运行源码]
11-24
该文章详细介绍了如何使用JavaScript将HTML表格数据导出为Excel文件。内容涵盖了针对不同浏览器的兼容性处理，包括IE和非IE浏览器的不同实现方式。对于IE浏览器，使用ActiveXObject进行导出；对于非IE浏览器，则通过base64编码和数据URI方案实现。文章还提供了完整的代码示例，包括表格数据的处理、格式化和导出功能，支持文本和图片类型的数据导出。
图片转bin文件存储[项目代码]
11-24
本文介绍了在OpenCV项目中如何将大量图片数据转换为二进制（bin）文件进行高效存储和读取的方法。作者在项目中遇到需要处理大量图片数据的问题，尝试了多种格式（如.mat、.txt、.yml）后发现效率较低。通过使用二进制文件存储，显著提升了读写速度。文章详细展示了使用OpenCV将图片写入二进制文件的代码示例，以及从二进制文件读取图片数据的实现方法。虽然该方法需要提前知道图片的尺寸和数量，但读写速度极快，适合处理大量图片数据。作者还提到可以通过换行符或终止符优化读取过程，但未深入探讨。
ROS视觉处理与色彩识别[项目源码]
11-24
本文详细介绍了在ROS环境下进行视觉处理的基础步骤，特别是针对色彩识别的实现方法。内容涵盖了从摄像头驱动的安装与配置（如usb_cam驱动和image_view工具的使用），到创建功能包和编写图像处理节点（包括RGB图像回调函数、HSV色彩空间转换、二值化处理及形态学操作）。此外，还演示了如何在仿真环境中获取图像，并通过OpenCV实现红色和绿色物体的识别与追踪。最后，文章提供了完整的代码示例和编译运行步骤，帮助读者快速上手ROS视觉处理项目。
Anaconda安装与使用指南[项目源码]
11-24
本文详细介绍了在Anaconda环境下安装和使用jupyter及numpy的步骤。首先，指导用户如何安装Anaconda并创建虚拟环境，然后详细说明了如何在虚拟环境中安装jupyter和numpy。接着，文章提供了多个numpy的练习示例，包括创建零向量、矩阵操作、归一化等。此外，还介绍了如何在Jupyter中完成numpy、pandas和matplotlib的例题，涵盖了从基础操作到实际应用的多个方面。最后，文章总结了实验过程中的经验，特别是在使用国内镜像源后下载速度的提升。
【动静障碍物】基于JPS算法（改进A）全局路径规划与DWA动态窗口局部避障的机器人自主导航混合控制算法（Matlab代码实现）
11-24
【动静障碍物】基于JPS算法（改进A）全局路径规划与DWA动态窗口局部避障的机器人自主导航混合控制算法（Matlab代码实现）内容概要：本文介绍了一种结合改进A*算法的JPS（跳跃点搜索）全局路径规划与DWA（动态窗口法）局部避障的混合控制算法，用于机器人在动静态障碍物环境下的自主导航。该算法通过JPS优化全局路径搜索效率，提升路径规划速度，并结合DWA实现实时动态避障，增强了机器人在复杂动态环境中的适应性和安全性。整个系统在Matlab平台上进行了代码实现与仿真验证，展示了良好的路径规划效果与避障性能。; 适合人群：具备一定机器人学、自动控制或路径规划基础知识的研究生、科研人员及从事智能机器人开发的工程技术人员。; 使用场景及目标：①应用于移动机器人在静态与动态障碍共存环境中的自主导航任务；②为研究高效全局规划与实时局部避障的融合策略提供技术参考与实现案例；③支持Matlab仿真环境下的算法验证与优化。; 阅读建议：建议读者结合Matlab代码深入理解JPS与DWA的集成逻辑，重点关注算法在路径最优性、计算效率与避障实时性之间的平衡设计，可进一步扩展至多机器人系统或复杂地形场景的应用研究。
Lua中loadstring应用[源码]
最新发布
11-24
本文介绍了在Lua编程中使用loadstring函数解析字符串公式的方法，特别是在游戏开发中的应用。通过示例代码展示了如何解析包含动态变量的字符串，如属性键、操作符和技能等级等，并动态计算其值。文章详细说明了如何利用loadstring将字符串转换为可执行的Lua代码，并处理复杂的公式解析，如计算buff持续时间和属性加成。这对于需要动态处理游戏内文本和公式的开发者具有实用价值。
VINS-Fusion部署流程[项目源码]
11-24
本文详细介绍了VINS-Fusion的部署及启动流程。首先，系统需要安装Ubuntu16.04以上版本并配置ROS环境，同时安装OpenCV、Glog、Ceres等依赖库。其次，编译功能包并进行多线程编译。启动阶段需获取IMU数据和图像信息，通过模拟器启动VINS-Fusion并查看Rviz可视化效果。标定部分包括相机内参和外参的配置，以及回环检测的优化。最后，文章简要提及实机启动的步骤，包括飞控和相机驱动的安装，以及通过脚本启动VINS-Fusion的流程。
Lua table.concat函数详解[项目源码]
11-24
本文详细介绍了Lua中的table.concat函数，该函数用于连接表中数组部分的元素，并可通过参数指定分隔符、起始和结束位置。文章通过多个示例展示了不同参数组合下的函数行为，包括默认参数的使用、自定义分隔符、指定连接范围等。此外，文章还解释了为何table.concat比for循环更高效，特别是在处理大量字符串连接时，table.concat经过优化，能显著减少时间消耗。最后，文章强调table.concat不会改变原始表的结构，为开发者提供了安全的使用保障。
a survey on knowledge graph-based recommender systems
06-28
### 回答1： 知识图谱推荐系统调查 知识图谱推荐系统是一种基于知识图谱的推荐系统，它利用知识图谱中的实体、属性和关系来推荐物品。该系统可以通过分析用户的兴趣、行为和偏好来生成个性化推荐。知识图谱推荐系统可以应用于各种领域，如电子商务、社交网络和文本推荐等。目前，该领域的研究重点包括知识图谱的构建、推荐算法的设计和评估方法的研究等。 ### 回答2： 知识图谱推荐系统是一种依靠知识图谱构建的推荐系统，它不仅考虑用户的历史行为和个人喜好，还考虑了物品的属性、关系和语义信息。近年来，知识图谱推荐系统在学术和工业界都受到了广泛关注和研究。 在知识图谱推荐系统中，建立知识图谱是关键步骤之一。知识图谱通常由实体和关系构成，实体可以是物品或用户，关系则可以是它们之间的交互行为、属性描述等。实体和关系之间的语义信息可以通过数据挖掘和自然语言处理等技术自动构建，也可以手工添加和维护。知识图谱的构建，需要结合业务场景和领域知识，通过不断迭代和优化，以获得更好的推荐效果和用户满意度。 知识图谱推荐系统的核心算法是基于知识图谱的推荐算法，主要包括基于图的推荐算法、基于规则的推荐算法、基于深度学习的推荐算法等。这些算法的基本思想是通过利用知识图谱的结构信息和语义信息，对用户和物品进行匹配和推荐，以提高推荐的准确性和个性化水平。 知识图谱推荐系统的应用场景非常广泛，包括电商推荐、新闻推荐、社交网络推荐等。知识图谱推荐系统可以更好地利用物品之间的关联和用户之间的交互，同时可以结合人类的知识和专业判断，提高推荐的可解释性和可靠性。 未来，随着人工智能和大数据技术的不断发展，知识图谱推荐系统将会得到更广泛的应用和深入的研究，同时也面临着更多的挑战，如数据隐私和安全问题、知识图谱的动态维护和更新问题等。要开展更深入的研究和解决这些问题，需要结合各种学科和技术手段，以推动知识图谱推荐系统的发展和应用。 ### 回答3： 知识图谱是一种用来描述各种实体以及它们之间关系的图形化表示工具，近年来，知识图谱被广泛应用于推荐系统中。知识图谱推荐系统在推荐过程中利用知识图谱中的实体和关系信息，可以有效地改进推荐结果的质量和效率。 针对知识图谱推荐系统的开发和应用，近年来已经涌现出了各种基于知识图谱的推荐算法和框架。例如，基于图注意力机制的知识图谱推荐系统可以通过考虑实体之间的直接和间接关系，生成更准确的推荐结果。还有一些基于深度学习的知识图谱推荐算法，如基于RNN的节点属性与图结构编码的方案，已经被证明在准确性和效率方面都有很高的表现。 此外，还有许多研究集中于知识图谱推荐系统的实际应用。例如，在电影推荐领域，研究表明基于知识图谱的推荐系统能够更准确地预测用户对电影的评价和偏好。在旅游推荐领域，基于知识图谱的推荐系统能够根据用户的兴趣和偏好，为用户提供更加个性化的旅游线路规划。 然而，知识图谱推荐系统仍然面临着许多挑战和问题。例如，在实践中，如何有效地构建和管理知识图谱、如何应对数据稀疏性和冷启动等问题，都需要进一步研究和解决。此外，在知识图谱推荐系统中，如何解释预测结果以及保障数据的隐私性等问题也需要考虑。 总之，基于知识图谱的推荐系统是一个具有广泛研究和应用前景的领域。未来的工作应该更加注重实际应用，并进一步解决相关的技术问题，以提高系统的性能和用户体验。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值