该研究介绍了一种从非结构化数据中自动开发算法问题的知识图谱方法，通过构建算法知识图谱可以更清晰广泛地捕获信息，提供算法元数据的额外上下文和可解释性。

May, 2022

该研究描述了 KnowledgeHub 工具，一种科学文献信息提取和问题回答的流程，通过支持将 PDF 文档转换为文本和结构化表示，以构建本体论，并使用基于浏览器的注释工具对 PDF 文档的内容进行注释，然后通过训练命名实体识别和关系分类模型来构建知识图谱，结合大型语言模型进行问题回答和摘要生成，支持用户全面了解知识发现流程。

May, 2024

为了支持初学者研究人员进行研究调查，本研究旨在建立一种具有层次结构的树状知识图，反映研究主题的继承洞察和学术论文之间的相关洞察。

Feb, 2024

利用无监督学习方法构建知识图谱，将自然语言概念实体与源代码实体相关联，结合词嵌入、降维和聚类技术的文本概念聚类方法，用于帮助科学家理解、组织和比较开放科学生态系统中的软件，并增强对科学文献的整体理解。

Aug, 2019

该论文介绍了 ORKG-assays 工具，一个帮助科学家将他们的学术贡献语义化的 AI 工具，它利用了 AI 聚类算法，可以帮助药学研究人员在药物开发方面智能地访问语义化的生物分析集合。

Mar, 2022

本文介绍了一种使用两个基于人工智能的聚类算法来推荐 Open Research Knowledge Graph（ORKG）中资源有关谓词（在 RDF 语句中）的方法，以促进 ORKG 中术语汇聚的服务。实验证明，该方法具有很高的准确性和相对较高的召回率，并提供了有关谓词组的新见解，这些谓词组自动在跨 44 个研究领域的学术知识的语义化模式中积累。

Oct, 2022

本文提出语义知识图谱（SKG）来集成抽象和其他元信息中的语义概念以表示语料库，并利用半监督流程进行实体抽取和实体标准化，以及设计了一个数据流系统来展示如何灵活和交互地进行各种语义查询。最后，在可视化文献的基础上进行研究并提供现实世界的用例来展示 SKG 的有用性。

Jun, 2023

本研究提出了一种自动、准确和灵活的算法，能够从数字化科学文章中直接提取各种元数据，包括基本文档元数据、结构化全文和参考文献部分。该算法通过在大规模、多样化的数据集上训练监督和无监督机器学习算法实现，具有较高的精度，适用于分析异构文档集合。与其他类似解决方案的比较也证明了我们的算法在大多数元数据类型上表现优于竞争对手。

Oct, 2017

从科学论文中提取本体学的等结构来构建多模态知识图谱，以及在网络安全领域应用层次 NMF 方法构建网络安全领域特定的知识图谱。

Mar, 2024

这篇论文研究了从科学论文中构建 NLP 知识图谱的端到端构建方法，重点在提取四种类型的关系：任务和数据集之间的关系，任务和评估指标之间的关系，以及相同类型实体之间的关联关系。通过将 SciNLP-KG 框架应用于 ACL 文献库中的 30,000 篇 NLP 论文构建了一个大规模的知识图谱，可支持自动构建 NLP 领域的科学排行榜，并且实验结果表明：所得知识图谱包含高品质信息。

Jun, 2021