歡迎來到《每周NLP論文推薦》。在這個專欄里，還是本著有三AI一貫的原則，專注於讓大家能夠系統性完成學習，所以我們推薦的文章也必定是同一主題的。
知識圖譜是NLP中非常重要的底層基礎建築。知識圖譜之於自然語言處理，就像內功之於武俠世界中的武功。一個優質的知識圖譜網絡能夠極大的提升下游NLP任務的效果。
作者 | 小Dream哥
編輯 | 言有三
首先介紹兩篇中文的知識圖譜綜述，對於初學者了解知識圖譜的相關概念，發展脈絡和趨勢有很好的好處。
文章引用量：30+
推薦指數：
[1] 劉嶠,李楊,段宏,劉瑤,秦志光. 知識圖譜構建技術綜 述[J]. 計算機研究與發展, 2016, 53(3): 582-600.
[2] 黃恆琪, 于娟, 廖曉, et al. 知識圖譜研究綜述[J]. 計算機系統應用, 28(6).
OWL是一種本體描述語言，廣泛應用於知識圖譜的本體描述架構中，感興趣的同學可以看以下。
文章引用量：100+
推薦指數：
[3] Bechhofer S. OWL: Web Ontology Language[J]. Encyclopedia of Information Science & Technology Second Edition, 2004, 63(45):990–996.
DBpedia是一個從Wikipedia中抽取出結構化數據而形成的結構化數據網絡，可以認為是一個知識圖譜，該文介紹了其實現過程。
文章引用量：500+
推薦指數：
[4] AUER, Al S E . DBpedia: A Nucleus for a Web of Open Data.[C]// Semantic Web, International Semantic Web Conference, Asian Semantic Web Conference, Iswc + Aswc, Busan, Korea, November. DBLP, 2007.
實體抽取與實體關係抽取是構建知識圖譜中非常重要的一環。目前的趨勢都是採用聯合抽取的方式，這裡介紹2篇比較典型的論文。
文章引用量：20+
推薦指數：
[5] Zheng S , Wang F , Bao H , et al. Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme[J]. 2017.
[6] Bowen Yu, Zhenyu Zhang, Jianlin Su, et al. Joint Extraction of Entities and Relations Based on a Novel Decomposition Strategy.
長期以來，知識圖譜都非常的「貴」，原因在於其構建過程很大程度的依賴人工的介入。近來，一些知識圖譜自動化構建的方法開始提出，讓知識圖譜的「降價」變得可能。
文章引用量：10+
推薦指數：
[7] Bosselut A , Rashkin H , Sap M , et al. COMET: Commonsense Transformers for Automatic Knowledge Graph Construction[C]// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. 2019.
6 如何獲取文章與交流
找到有三AI開源項目即可獲取。
https://github.com/longpeng2008/yousan.ai
文章細節眾多，閱讀交流在有三AI-NLP知識星球中進行，感興趣可以加入。