本文以几何深度学习的视角, 以图神经网络为重点, 总结了近期基于图神经网络的知识图谱关键技术研究进展。

. 概述　　得益于大数据的兴起以及算力的快速提升，机器学习技术在近年取得了革命性的发展。在图像分类、语音识别、自然语言处理等机器学习任务中，数据为大小维度确定且排列有序的欧氏（Euclidean）数据。然而，越来越多的现实场景中，数据是以图（Graph）这种复杂的非欧氏数据来表示的。Graph不但包含数据，也包含数据之间的依赖关系，比如社交网络、蛋白质分子结构、电商平台客户数据等等。数据复杂度的提升，对传统的机器学习算法设计以及其实现技术带来了严峻的挑战。在此背景之下，诸多基于Graph的新型机器学习算法—GNN（图神经网络），在学术界和产业界不断的涌现出来。　　GNN对算力和存储器的要求非常

Knowledge graphs are structured representations of real world facts. However, they typically contain only a small subset of all possible facts. Link prediction is a task of inferring missing facts based on existing ones. We propose TuckER, a relatively simple but powerful linear model based on Tucker decomposition of the binary tensor representation of knowledge graph triples. TuckER outperforms all previous state-of-the-art models acrossstandardlinkpredictiondatasets. Weprove that TuckER is a fully expressive model, deriving the bound on its entity and relation embedding dimensionality for full expressiveness which is several orders of magnitude smaller than the bound of previous state-of-the-art models ComplEx and SimplE. We further show that several previously introducedlinearmodelscanbeviewedasspecial cases of TuckER.

WWW2020的DL4G论坛，William L. Hamilton做了关于元学习与图上逻辑规则推导的报告，55页ppt。

图神经网络(GNNs)是针对图信号的信息处理体系结构。它们已经被开发出来，并在本课程中作为卷积神经网络(CNNs)的推广来介绍，它被用来在时间和空间上处理信号。这句话听起来可能有些奇怪，这取决于你对神经网络(NNs)和深度学习的了解程度。

Papers on Graph neural network(GNN)

ONEPICE-KG ONEPICE-KG 是一个面向《海贼王》领域数据的知识图谱项目。 本项目内容包括数据采集、知识存储、知识抽取、知识计算、知识应用五大部分 数据采集 本次项目主要采集构建了两个知识图谱和一个关系抽取数据集 人物知识图谱：主要包含各个人物的信息 关系抽取数据集：标注出自然语言中存在的实体以及他们之间的关系 实体关系知识图谱：构建《海贼王》中各个实体之间关系的知识图谱 知识存储 尝试使用了三元组数据库Apace Jena和原生图数据库Neo4j，并分别使用RDF结构化查询语言SPARQL和属性图查询语言Cypher，在知识图谱上进行查询。 知识抽取 基于之间构建的关系抽取数据集，利用deepke中提供的工具进行关系抽取实践，测试了包括PCNN、GCN、BERT等模型在我们构建数据集上的效果 知识计算 图计算：在Neo4j上对实体关系知识图谱进行了图挖掘，包括最短路径查询、

图神经网络整理.pptx

图神经网络在视频分类中的应用，选自于SFFAI第27期，中科院自动化所高君宇博士的演讲稿。

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