在这篇论文中，我们对来自各个领域（如自然科学、医学和自然语言处理）的 29 个真实知识图谱数据集进行了大规模比较研究，分析了它们的属性和结构模式，并根据发现提出了针对基于知识图谱模型开发和评估的几项建议。我们相信知识图谱中丰富的结构信息可以有益于各个领域更好地发展知识图谱模型，并希望这项研究能够有助于打破现有领域间的数据孤岛（例如机器学习、自然语言处理和科学人工智能之间的联系）。

Nov, 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

本篇论文探讨了知识图谱的构建与查询，结合深度学习、信息检索和自然语言处理等学科展开研究，提出了一些新的挑战和机会。

May, 2023

基于历史知识图谱，通过预测重复事实，在预测未来时间步内的知识图谱的链接方面提出了一个直观的 TKG 预测基线，与大多数 TKG 模型相比，它需要较少的超参数调整和无迭代训练，并且能够帮助识别现有方法中的失败模式。与五个数据集上的 11 种方法相比，我们的基线在其中三个数据集中排名第一或第三，展现了现有技术在预测质量上的截然不同的画面。

Apr, 2024

对自然语言处理中知识图谱相关研究领域进行综合调研，总结任务分类、相关贡献和研究进展，并提出了未来研究方向

Sep, 2022

预测从未发表的研究想法的影响力，使用大型知识图谱结合语义网络和引用网络，通过机器学习准确预测未来的网络动态和新研究方向的影响。

Feb, 2024

本篇研究介绍了一个多语言的以事件为中心的知识图谱 EventKG，其中包括超过 690,000 个当代和历史事件以及超过 2.3 百万的时间关系，该知识图谱填补了现有知识库在事件和时间关系上的不足。

Apr, 2018

通过多源数据的整合与深度学习生物实体提取方法，我们构建了一个 PubMed 知识图谱（PKG），可用于衡量学术影响、知识使用和传递，以及通过与生物实体的联系，帮助我们对作者和机构进行档案概述。

May, 2020

通过引入科学知识图谱来使预训练模型适应科学领域并提出了无监督构建科学知识图谱的方法，进一步提出了以事件为中心的知识注入方法，实验结果表明，方法达到了最先进的性能并具有效果和可靠性。

Oct, 2022

KG-Hub 是一个平台，它通过一种简单、模块化的提取 - 转换 - 加载（ETL）模式来生成符合 Biolink Model 的图形数据，易于集成任何 OBO 本体论，支持对上游数据源的缓存下载、版本化和自动更新构建，提供易于重复使用的转换子图，并支持基于知识图的机器学习。

Jan, 2023