这篇文档属于类型b，是一篇发表在IEEE Transactions on Neural Networks and Learning Systems（2022年2月，第33卷第2期）上的综述论文，标题为《A Survey on Knowledge Graphs: Representation, Acquisition, and Applications》。作者包括Shaoxiong Ji（阿尔托大学）、Shirui Pan（莫纳什大学）、Erik Cambria（南洋理工大学）、Pekka Marttinen（阿尔托大学）和Philip S. Yu（伊利诺伊大学芝加哥分校）。
本文对知识图谱（Knowledge Graph, KG）的研究进行了全面综述，涵盖知识图谱的表示学习（representation learning）、知识获取（acquisition）及其应用（applications），并总结了近期突破性进展和未来研究方向。
知识图谱表示学习旨在将实体和关系映射到低维向量空间，同时保留其语义信息。论文从四个维度展开：
- 表示空间（Representation Space）：包括点空间（如TransE的欧氏空间）、复杂向量空间（如Complex的复数空间）、高斯分布（如KG2E）和流形空间（如ManifoldE）。不同空间适用于不同任务，例如复数空间能建模对称/反对称关系。
- 评分函数（Scoring Function）：分为基于距离的（如TransE的平移原则）和基于语义匹配的（如DistMult的双线性模型）。评分函数衡量三元组（head, relation, tail）的合理性。
- 编码模型（Encoding Models）：包括线性/双线性模型（如RESCAL）、张量分解（如Tucker）和神经网络（如CNN-based ConvE、GNN-based R-GCN）。神经网络通过非线性交互提升表达能力。
- 辅助信息（Auxiliary Information）：如文本描述（DKRL）、类型约束（SSE）和视觉信息（IKRL），可增强表示学习。
支持理论：论文列举了超过20种代表性模型（如TransE、RotatE、QuatE），并通过对比实验说明不同方法在链接预测任务中的性能差异。
知识获取旨在从非结构化文本或已有知识图谱中补全或发现新知识，分为三类任务：
- 知识图谱补全（Knowledge Graph Completion, KGC）：包括嵌入排序（如TransE）、关系路径推理（如PRA）、规则推理（如NeuralLP）和元关系学习（如GMatching）。规则推理结合符号逻辑，提升可解释性。
- 实体发现（Entity Discovery）：包括实体识别（如LSTM-CRF）、实体消歧（如Ganea的注意力模型）和实体对齐（如BootEA的迭代对齐）。跨语言对齐是研究热点。
- 关系抽取（Relation Extraction）：基于远程监督（如PCNN）和神经网络（如BERT-based模型），结合对抗训练（DSGAN）和强化学习（HRL）缓解噪声问题。
支持证据：论文对比了KGC模型在FB15k-237等基准数据集上的性能，显示结合路径推理和规则的模型（如RuleN）在复杂推理中更优。
传统知识图谱忽略时间动态性，而时序知识图谱将三元组扩展为四元组（head, relation, tail, timestamp）。研究包括：
- 时序嵌入：如HyTE将时间戳作为超平面投影实体和关系。
- 实体动态性：如Know-Evolve用点过程建模实体状态演化。
- 时序规则：如RLvLR-Stream从知识流中学习时序闭路径规则。
应用场景：适用于事件预测（如RE-Net建模交互序列）和时效性问答。
知识图谱赋能下游任务的核心是融合符号知识与计算模型：
- 语言表示学习：如ERNIE-Baidu通过实体掩码注入知识，K-BERT将知识子图融入Transformer。
- 问答系统：单事实问答（如BAMNet的双向注意力）和多跳推理（如KagNet的路径注意力）。
- 推荐系统：如MKR通过共享潜在特征联合训练知识图谱和推荐模型，KPRN用LSTM建模用户-物品交互路径。
案例：DKN模型将新闻中的实体与知识图谱对齐，提升点击率预测准确率。
这篇综述为研究者提供了知识图谱领域的全景视角，兼具理论深度与实践指导意义。