知识图谱综述论文阅读（一）

原文： https://doi.org/10.1016/j.neucom.2021.02.098

在这里插入图片描述
这个是一篇2021年的知识图谱的综述，虽然比较老了，但是也可以获取一些当时的研究信息。

研究内容

出版来源、主题、机构和国家/地区的分析表明，对知识图谱的创新和应用的贡献已被认可并日益受到欢迎，特别是在2016-2020年间。出版源和主题分析突出了《网络语义学》杂志在该领域的贡献，以及计算机科学、人工智能与知识图谱的密切相关性。

当前状态

从世界范围内来看，中国参与了近50%的386项知识图谱研究，排名前16的高产机构中有11所来自中国。而美国虽然文章数量较少，但在24个国家/地区中开展了合作，其中中国是其最主要的合作伙伴。科学合作分析的结果也显示，机构和国家/地区之间进行了密切合作，而跨地区和跨机构合作应当得到加强。

关键研究方向

主要研究议题包括知识图谱中的嵌入问题、人工智能技术在知识图谱中的应用和演进、与知识图谱相关的自然语言处理问题，以及与知识图谱研究相关的领域问题。其中，"嵌入”及其相关术语（例如，知识图谱嵌入和嵌入算法）主要出现在2016-2020年间发表的知识图谱文章中，是研究文章中最受欢迎的话题，尤其是在2016-2020年间。知识图谱嵌入技术由于能有效度量知识图谱中实体和关系的语义相关性，推动知识获取、融合和推理，其受欢迎程度的增加可由此解释。

这里论文中也给出了几个主要的研究方向：

知识图谱嵌入（Knowledge Graph Embedding）：最受关注的研究主题，涉及实体、关系的嵌入表示方法，包括低秩、低维以及神经网络方法。
知识图谱的搜索与查询（Search and Query based on Knowledge Graphs）：研究如何通过知识图谱进行有效的查询匹配、多面向搜索、以及问题回答。
非物质文化遗产的知识图谱（Knowledge Graphs for Intangible Cultural Heritage）：探讨如何利用知识图谱表示和处理非物质文化遗产，涉及本体论、领域特定的知识图谱构建。
跨语言和跨领域文献的知识图谱（Knowledge Graphs from Multilingual and Cross-Domain Literature）：研究如何从多语言和跨领域文献构建知识图谱，涵盖面广泛，如情感分析、抄袭检测等。
对抗学习和负采样的知识图谱（Adversarial Learning and Negative Sampling for Knowledge Graphs）：关注知识图谱中对抗学习和负采样技术的应用，以提高知识图谱的质量和表示能力。

应用方向

主要的应用方向：

灾害管理的知识图谱（Knowledge Graphs for Disaster Management）：展示了知识图谱如何应用于灾害管理，关注健康、应急、假信息管理等方面。
领域特定的知识图谱（Domain-Specific Knowledge Graphs）：研究针对特定领域，如林业、地理、工程等的知识图谱构建和应用。
生物医学领域能的知识图谱（Biomedical Knowledge Graphs）：涉及利用知识图谱在生物医学领域的应用，如药物-药物相互作用预测等。
医疗知识图谱及对话系统（Medical Knowledge Graphs and Dialogue Systems）：探讨知识图谱在医疗对话系统中的应用，包括患者信息管理和医疗咨询。

研究趋势

大型知识图谱 (Big Knowledge Graph)：2020年出现了一些重要的关键词，表明了知识图谱研究的未来方向，包括"大型知识图谱"等。
因果图谱 (Causality Graph)、交叉语言实体对齐 (Cross-Lingual Entity Alignment) 和紧急决策制定 (Emergency Decision-making) 等也是当前研究的新兴趋势。
知识图谱嵌入：被18.97%的作者研究，是知识图谱研究中最受关注的主题。

未来可能得发展方向和新兴研究主题

探索知识图谱的多语言和跨域文献来增进对复杂数据集的理解和处理能力。
利用对抗学习和负采样对知识图谱进行改进，以处理和优化图谱内的信息结构。
针对各个领域特有的知识图谱构建如药物相互作用预测、灾害管理和生物医学知识图谱等，展现了研究的多样性和专业性。
强调了知识图谱嵌入和搜索与查询基于知识图谱的研究主题，体现了对提升知识图谱效能和实用性的关注