本文介绍一个新的大规模学术知识图谱 AceKG，描述了包括论文、作者、领域、期刊和研究机构等知识三十一亿三千万条，通过实体对齐和规则推理等得以丰富；并通过构建基于 AceKG 的数据挖掘评测数据集，评估了知识嵌入和网络表示学习等多样化技术。

Jul, 2018

Epistemic AI 平台基于知识映射的概念，通过自然语言处理、信息检索和网络分析等技术构建知识图谱，为生物医学研究过程中的信息超载、昂贵错误以及错失良机问题提供了解决方案。

Jan, 2022

使用 REMAP 多模态方法，将关于疾病的结构化知识和文本信息融合，从而提高基于文本的疾病关系提取任务的性能，并推荐新的关系，从而提高 AI 驱动的疾病概念间的关系的发现、访问和验证的灵活性。

Mar, 2022

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

Web of Scholars 是一个基于知识图谱的系统，它集成了最先进的挖掘技术，可用于计算机科学领域学者之间的网络搜索、挖掘和可视化复杂网络。它提供了快速、准确、智能的语义查询和强大的推荐服务，并提供一个开放 API 作为高级功能的底层架构，可用于学者进行科学分析。

Feb, 2022

使用生成人工智能（AI）将 1000 篇生物材料领域的科学论文转化为详细的本体知识图，揭示了其固有的无标度特性。通过基于组合排名节点相似性和介数中心性的不同概念之间的图遍历路径检测，我们揭示了深入洞察力，揭示了前所未有的跨学科关系，可用于回答查询，识别知识空缺，并提出前所未见的材料设计及其行为。

Mar, 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

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

本文研究了如何利用引文图来提高科学信息提取的准确性，证明结合引文图与文本提取任务能提升科学信息提取的水平。

Jun, 2021

基于知识图谱的论文搜索引擎 DiscoverPath 可以提供生物医学研究的高效文章检索和跨学科知识探索，通过提取术语和关系创建知识图谱，并提供查询建议和可视化界面，以增强用户体验。

Sep, 2023