知识图谱的基础知识到实践应用，适合刚入门的小白和已经有基础的同学。 01《知识图谱项目实战》 02《知识图谱实战案例完全剖析》（附完整代码和数据集） 03小x学院接触知识讲解 04《人工智能产品经理实践》 05《智能对话机器人开发实战》 06 neo4j安装

知识图谱的完整基础教程，共包含11章，附有对应代码，比较符合新手作为详细的入门教程

Michael Galkin撰写了AAAI2020知识图谱论文相关研究趋势包括：KG-Augmented语言模型，异构KGs中的实体匹配，KG完成和链路预测，基于kg的会话人工智能和问题回答，包括论文，值得查看!

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。

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.

知识图谱本体demo简单案例 初学者

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。

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。

人工智能本质是解决生产力升级的问题，人类生产力可以归类为知识生产力和劳动生产力，人工智能走入产业后，可以分为感知智能、认知智能和行为智能，后两者更与生产力相对应，NLP和知识图谱是发展认知智能的基础。

KG Refinement by Knowledge Intensive Crowdsourcing-林欣.pdf