知识图谱中本体方法及其应用，本体建设是知识图谱中的最核心的部分。

以下附上三篇中文图神经网络（GNN）的论文，其中，两篇为综述类论文，另外一篇为基于原路径的实体集扩展方法研究。

Toprovidemoreaccurate,diverse,andexplainablerecommendation, it is compulsory to go beyond modeling user-item interactions andtakesideinformationintoaccount.Traditionalmethodslike factorizationmachine(FM)castitasasupervisedlearningproblem, whichassumeseachinteractionasanindependentinstancewith side information encoded. Due to the overlook of the relations amonginstancesoritems(e.g., thedirectorofamovieisalsoan actorofanothermovie),thesemethodsareinsufficienttodistillthe collaborativesignalfromthecollectivebehaviorsofusers.

本文为大家整理了六篇SIGIR 2020 基于图神经网络的推荐（GNN+RS）相关论文，这六篇论文分别出自中科大何向南老师和和昆士兰大学阴红志老师团队，供大家参考——捆绑推荐、Disentangled GCF、服装推荐、多行为推荐、全局属性GNN

知识图谱本体demo简单案例 初学者

在这个 Simulink 文件中，我们将 ZNN 模型与 GNN 模型进行了时变矩阵求逆的比较

以法学知识为中心的认知智能是当前司法人工智能发展的重要方向。该文提出了以自然语言处理(NLP)为核心技术的司法案件案情知识图谱自动构建技术。以预训练模型为基础,对涉及的实体识别和关系抽取这两个NLP基本任务进行了模型研究与设计。针对实体识别任务,对比研究了两种基于预训练的实体识别模型;针对关系抽取任务,该文提出融合平移嵌入的多任务联合的语义关系抽取模型,同时获得了结合上下文的案情知识表示学习。在“机动车交通事故责任纠纷”案由下,和基准模型相比,实体识别的F1值可提升0.36,关系抽取的F1值提升高达2.37。以此为基础,该文设计了司法案件的案情知识图谱自动构建流程,实现了对数十万份判决书案情知识图谱的自动构建,为类案精准推送等司法人工智能应用提供语义支撑。

近年来，图神经网络(GNNs)由于具有建模和从图结构数据中学习的能力，在机器学习领域得到了迅猛发展。这种能力在数据具有内在关联的各种领域具有很强的影响，而传统的神经网络在这些领域的表现并不好。

关于图神经网络（GNN）的必读文章 GNN 必读论文 GNN：图神经网络 由 Jie Zhou、Ganqu Cui、Zhengyan Zhang 和 Yushi Bai 贡献。 内容 1. 调查 2. 模型 2.1 基本模型 2.2 图类型 2.3 池化方法 2.4 分析 2.5 效率 3. 应用 3.1 物理 3.2 化学和生物学 3.3 知识图谱 3.4 推荐系统 3.5 计算机视觉 3.6 自然语言处理 3.8 攻击生成器 3.3 攻击生成器3.10 图聚类 3.11 图分类 3.12 强化学习 3.13 交通网络 3.14 小样本和零样本学习 3.15 程序表示 3.16 社交网络 3.17 图匹配 3.18 计算机网络调查论文 图神经网络介绍。 人工智能与机器学习综合讲座，Morgan & Claypool 出版社，2020 年。书志远刘，周杰。 图神经网络：方法和应用综述。 arxiv 2018. 论文 Jie Zhou、Ganqu Cui、Zhengyan Zhang、Cheng Yang、Zhiyuan Liu、Maosong Sun。 图神经网络综合

一个非常棒的PPT，介绍了“医疗KG的构建及应用”，来源于JIST 2019（http://120.27.214.45/）上Dr.倪渊的报告。从平安医疗生态圈讲起，到医疗领域的KG构建，最后介绍给予KG的医疗智能服务。