使用知识图谱增强对话代理的准确性和全面性，但在对话时生成文本仍被认为是一项具有挑战性的任务，本文回顾了知识图谱文本生成的不同架构，包括图神经网络、图变换器和序列到序列模型，选择使用序列到序列变压器模型（PLMs）作为知识图谱到文本生成任务的模型，并探索未来多语言维度的研究方向。

Jul, 2023

本文提出一种适用于任务导向型对话系统的模型，利用知识库和对话的依存关系图结构信息解决了如何有效地将外部知识库整合到学习框架中以及如何准确捕捉对话历史语义的挑战。此外，该模型采用多跳推理能力以及循环单元架构进行表示学习。实验结果表明，该模型在两个不同的任务导向型对话数据集上均优于现有模型。

Oct, 2020

本文提出了一个新的任务，旨在研究如何在神经会话模型中应用动态知识图谱，并提供了 DyKgChat 话语语料库来帮助评估动态知识图谱对响应生成的影响。为了支持动态知识图谱，我们提出了一个选取两个网络的初步模型：序列到序列模型 (Seq2Seq) 和多跳推理模型。我们引入了几种评估指标进行评测，并实验证明我们的方法优于以往的知识驱动对话模型。该文所提出的语料库和模型可激发未来的研究方向。

Oct, 2019

本文介绍了开放事件知识图谱（OEKG），它是一个多语言、事件中心、时间性的知识图谱，由来自多个应用领域的七个不同的数据集组成，包括问答、实体推荐和命名实体识别。这些数据集通过一个易于使用和稳定的管道集成，通过与事件中心的知识图 EventKG 链接，描述了它们的公共模式，并在三个用例中演示了 OEKG 的用法：类型特定的图像检索、基于知识图谱和新闻文章的混合问答以及语言特定的事件推荐。 OEKG 及其查询端点是公开可用的。

Feb, 2023

本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

May, 2023

提出了一种基于动态技能知识图谱（KSG）的新型技能检索和学习方法，可以在各种环境中搜索不同代理的技能并提供可转移的信息来获取新技能，从而提高了新技能学习的效率。

Sep, 2022

基于对话历史和外部知识源，知识驱动型对话是在生成富有信息的回复的任务。通过全面实验和研究，我们回答了三个关键问题，包括适当知识形式的选择、知识和模型选择之间的相互影响程度，以及知识的少样本表现。通过统计证据的支持，我们提出了确定性解决方案和明智建议，为未来研究的方向和标准提供了指导。

Dec, 2023

知识图谱是多样化知识的结构化表示方式，广泛应用于各种智能应用。本文综述了各种类型的知识图谱（静态、动态、时态和事件型）的演化以及知识提取和推理技术，并介绍了不同类型知识图谱的实际应用，包括金融分析的案例研究。最后，我们提出了关于知识工程未来方向的观点，包括将知识图谱和大型语言模型的能力结合以及知识提取、推理和表示的发展。

Oct, 2023

结合了知识图谱和对话界面的基于图的探索式搜索系统，通过自然语言提问和图结构导航相关主题，对新闻文章进行探索，并通过一项用户研究，评估了基于图的探索式搜索的有效性，并讨论了开发这样系统的设计影响。

Oct, 2023

本文提出了一种历史语义图增强问答模型（HSGE），能够有效地建模会话历史中的长程语义依赖关系，同时保持低计算成本。实验结果表明，它在所有问题类型上平均优于现有基线。

Jun, 2023