「每周NLP论文推荐」知识图谱重要论文介绍

　　欢迎来到《每周NLP论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

　　知识图谱是NLP中非常重要的底层基础建筑。知识图谱之于自然语言处理，就像内功之于武侠世界中的武功。一个优质的知识图谱网络能够极大的提升下游NLP任务的效果。

　　作者 | 小Dream哥

　　编辑 | 言有三

　　1 知识图谱综述

　　首先介绍两篇中文的知识图谱综述，对于初学者了解知识图谱的相关概念，发展脉络和趋势有很好的好处。

　　文章引用量：30+

　　推荐指数：

　　[1] 刘峤,李杨,段宏,刘瑶,秦志光. 知识图谱构建技术综 述[J]. 计算机研究与发展, 2016, 53(3): 582-600.

　　[2] 黄恒琪, 于娟, 廖晓, et al. 知识图谱研究综述[J]. 计算机系统应用, 28(6).

　　2 OWL

　　OWL是一种本体描述语言，广泛应用于知识图谱的本体描述架构中，感兴趣的同学可以看以下。

　　文章引用量：100+

　　推荐指数：

　　[3] Bechhofer S. OWL: Web Ontology Language[J]. Encyclopedia of Information Science & Technology Second Edition, 2004, 63(45):990–996.

　　3 DBpedia

　　DBpedia是一个从Wikipedia中抽取出结构化数据而形成的结构化数据网络，可以认为是一个知识图谱，该文介绍了其实现过程。

　　文章引用量：500+

　　推荐指数：

　　[4] AUER, Al S E . DBpedia: A Nucleus for a Web of Open Data.[C]// Semantic Web, International Semantic Web Conference, Asian Semantic Web Conference, Iswc + Aswc, Busan, Korea, November. DBLP, 2007.

　　4 实体抽取于关系抽取

　　实体抽取与实体关系抽取是构建知识图谱中非常重要的一环。目前的趋势都是采用联合抽取的方式，这里介绍2篇比较典型的论文。

　　文章引用量：20+

　　推荐指数：

　　[5] Zheng S , Wang F , Bao H , et al. Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme[J]. 2017.

　　[6] Bowen Yu, Zhenyu Zhang, Jianlin Su, et al. Joint Extraction of Entities and Relations Based on a Novel Decomposition Strategy.

　　5 知识图谱自动构建

　　长期以来，知识图谱都非常的“贵”，原因在于其构建过程很大程度的依赖人工的介入。近来，一些知识图谱自动化构建的方法开始提出，让知识图谱的“降价”变得可能。

　　文章引用量：10+

　　推荐指数：

　　[7] Bosselut A , Rashkin H , Sap M , et al. COMET: Commonsense Transformers for Automatic Knowledge Graph Construction[C]// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. 2019.

　　6 如何获取文章与交流

　　找到有三AI开源项目即可获取。

　　https://github.com/longpeng2008/yousan.ai

　　文章细节众多，阅读交流在有三AI-NLP知识星球中进行，感兴趣可以加入。

　　举报/反馈