论文地址：http://arxiv.org/abs/2002.00388
这篇综述是数据科学权威 Philip S. Yu 团队对知识图谱领域的最新综述论文，论文从知识图谱的发展历史、知识表示学习、知识获取、知识应用、未来研究方向等方面描述了知识图谱的全局。
首先，咱们先来看看这篇综述论文的摘要：
摘要：人类知识提供了对世界的正式的理解。表示实体之间结构关系的知识图谱已成为面向认知系统和人类智能的日益流行的研究方向。在本综述中，我们对知识图谱进行了全面的综述，涵盖了有关以下方面的总体研究主题：1）知识图谱表示学习，2）知识获取和补全，3）时序知识图谱和，4）知识应用，并总结了近期的突破和有远见的研究方向，以方便将来的研究。我们提出了关于这些主题的全视角的分类和新分类标准。知识图谱嵌入从表示空间，打分函数，编码模型和辅助信息四个方面进行组织。对于知识获取，尤其是知识图谱的补全，回顾了嵌入方法，路径推断和逻辑规则推理。我们进一步探索了几个新兴主题，包括元关系学习，常识推理和时序知识图谱。为了促进对知识图谱的未来研究，我们还提供了精选的有关不同任务的数据集和开源库。最后，我们对几个有前途的研究方向做了一个全面的展望。
整合人类知识是人工智能（AI）的研究方向之一。受解决人类遇到的问题的启发，知识表示和推理是为智能系统表示知识而取得解决复杂任务的能力。近年来，知识图谱作为结构化人类知识的一种形式已经引起了学术界和工业界的极大关注。知识图谱是事实的结构化表示，由实体，关系和语义描述组成。实体可以是现实世界中的对象和抽象概念，关系表示实体之间的关系，实体的语义描述及其关系包含具有明确定义含义的类型和属性。属性图或属性图被广泛使用，其中节点和关系具有属性或属性。
本文的特点包括：
- 给出了针对知识图谱的全视角分类和新分类体系。提出了知识图研究的全视角分类，以及细粒度的新分类体系。具体而言，在高层从三个方面审查知识图谱：知识表示学习，知识获取和知识应用。对于知识表示学习方法，我们进一步从四个视角提出了细粒度分类，包括：表示空间，打分函数，编码模型和辅助信息。对于知识获取的分类包括：基于知识图谱嵌入排序的知识图谱补全包括关系路径推理，逻辑规则推理和元关系学习。实体关系抽取任务分为：实体识别，实体分类，消歧和实体对齐，并根据神经网络范式讨论了关系抽取。
- 对于最新的前沿技术和新兴主题做了总结，包括基于Transformer的知识编码，基于图神经网络（GNN）的知识传播，基于路径推理的强化学习以及元关系学习。
- 总结和对未来方向的展望，提供了每个类别的摘要，并突出了有前景的未来研究方向。
本文对知识图谱的整体分类和梳理如图所示：
考虑到本文涉及面太广，包含的知识量太大，因此作者将其中最核心的几个部分知识表示学习、知识获取、知识应用分别展开介绍，后期将分别介绍这几部分。
欢迎关注同名微信公众号“人工智能遇上知识图谱”，欢迎关注知乎专栏“人工智能遇上知识图谱“，也，让我们一起学习并交流讨论人工智能与知识图谱技术。
