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&编辑 | 小Dream哥
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
