论文题目：A Survey on Knowledge Graphs: Representation, Acquisition and Applications
作者：Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu
单位：Aalto University, Monash University, Nanyang Technological University, University of Illinois
期刊：IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS
发表日期：2021.03.30
快速总结
本文从以下四点总结了KG的相关工作及近期进展：
- Knowledge Representation Learning (KRL)
- Knowledge Acquisition
- Knowledge Aware Application
- Temporal Knowledge Graph
以下先详细记录第二部分Knowledge Aquisition，也就是知识图谱的获取。
Knowledge Aquisition
知识图谱的获取主要包括关系抽取（Relation Extraction）、知识图谱补全（Knowledge Graph Completion，KGC）及其他与实体（entity）相关的任务（例如实体识别-Entity Recognition和实体对齐-Entity Alignment）。
其他一些相关任务还包括三元组分类（Triple Classification）、关系分类（Relation Classification）和开放知识充实（Open Knowledge Enrichment）等。
这里主要介绍KGC、Entity Discovery和关系抽取。
Knowledge Graph Completion
KGC的子任务包括link prediction，entity prediction和relation prediction。
Embedding-based Models
以entity prediction为例，这类方法先使用TransE等算法在已有的三元组上学习向量表示，然后分别用不同的entity向量代替head/tail entity来计算每个候选entity的分数并按此排序。
Relation Path Reasoning
虽然Embedding方法在某些数据集上获得了很好的效果，但其无法建模复杂的关系路径（relation path）。为了解决该问题，研究者采用了随机游走推理方法（random walk inference）。
例如Paht-Ranking Algorithm首先按照路径约束的组合选取一条关系路径，然后采用最大似然分类。
RL-based Path Finding
此类方法将两个实体间的关系路径搜索建模为马尔科夫决策过程（Markov decision process, MDP）。它们使用policy-based RL agent在与KG环境交互的过程中学习搜索能拓展推理路径的关系步骤（step of relation），并使用策略梯度（policy gradient）来训练RL agent。
Rule-based Reasoning
此类方法通过构建logical rule进行KGC。例如以下logic rule：
(Y, sonOf, X) <- (X, hasChild, Y) ^ (Y, gender, Male)
这些logical rule可以使用AMIE等规则挖掘工具。也有研究尝试将规则和embedding进行结合。
Meta Relational Learning
也称为few-shot relational learning，旨在训练模型根据少数几个例子预测新的关系事实（relational fact）。
Triple Classification
该任务目的是分辨测试集中的三元组是否正确，是一个二元分类任务。一般是通过将三元组的分数和一个阈值（threshold）进行对比来判断的。