基于文献计量和知识图谱的电动车辆路径问题研究综述

为揭示电动车辆路径问题领域的研究与发展现状,对CNKI和Web of Science数据库中电动车辆路径问题1994-2022年间的期刊文献进行知识挖掘与分析。基于文献计量学的量化分析与知识图谱的可视化,通过分析文献外部特征和共被引情况,梳理研究热点及热点演进趋势,归纳研究主题,总结出电动车辆路径问题的知识域包括研究主题和应用场景,其中,研究主题由变体研究、充电调度、求解方法三部分构成;对电动车辆路径问题在复杂实际问题、高效求解算法方面的未来发展进行展望,这将为电动车辆路径问题研究的深入化与国际化提供一定的推动作用。     

知识图谱平台综述

近年来,知识图谱被广泛研究和应用。为了能够更加准确、高效地维护知识图谱的全生命周期,以及对知识图谱进行更多复杂的操作,大量知识图谱平台被设计、开发和应用。而开发者通常是基于他们所拥有的知识图谱而进行设计和开发的,缺少对知识图谱平台整体上的认识以及对应用场景特殊性需求的理解。通过调研当前主流的43个知识图谱平台,分别从知识图谱平台的功能、架构和应用三个角度对其进行系统性地分析和研究,旨在使平台开发和使用人员对知识图谱平台有更深入的认识,进而促进知识图谱平台被高效地开发和使用。     

区块链和比特币相关主题的知识结构分析:共被引和耦合聚类分析视角

区块链与比特币作为当前一种重要的新兴技术和数字货币,随着相关应用的拓展,一些理论和应用问题开始得到更多的关注.近年来,区块链和比特币的相关概念已经逐渐扩散到其他的学术领域.但是,对区块链和比特币相关主题的知识结构（Intellectual structure）,包括知识基础（Intellectual base）和研究前沿（Research front）的探讨较少,定量化研究基本为空白.本文通过对Web of Science数据库收录的相关文献进行计量分析,并结合科学图谱分析工具,以较为直观的方式,部分呈现了区块链与比特币相关主题的知识结构,其中包括以共被引聚类分析呈现的知识基础和以耦合聚类分析和关键词共现分析呈现的研究前沿.对于推进区块链和比特币相关主题的知识扩散,以及对未来区块链和比特币的相关学术研究具有一定的参考价值.     

基于知识图谱的智群计算国内外研究可视化分析

以美国科学信息所的Web of Science核心合集数据库中收录的主题为Swarm Intelligence的文献为数据源,基于分析可视化软件CiteSpace和Tableau对所采集的数据进行信息计量、共引统计和聚类分析。绘制智群计算领域的发文数量时序图和作者、研究机构、研究方向、被引文献等多类知识图谱及其共词分析、聚类分析知识图谱,展示该领域的研究力量、研究方向和研究主流,并利用词频探测技术揭示该领域的研究热点、研究前沿及发展趋势。结果表明智群计算领域的研究处于持续上升期;以中国、美国和印度为核心的研究工作占据了主导位置;国内研究机构以中国科学院为首团结了数十家高校,但国际合作研究仍待加强;计算机科学和工程类方向是该领域的重要研究分支,仿生智群算法是当下的研究热点,人工蚁群算法的研究工作体现了研究前沿及发展趋势。     

国内垂直领域知识图谱发展现状与展望

为了充分展现国内在垂直知识图谱领域研究的现状,以垂直领域知识图谱为研究对象对其发展现状和趋势进行综述.对垂直领域知识图谱的定义和分类、架构和关键技术的发展现状进行了详细论述;针对垂直领域知识图谱的具体应用进行了论述,并以学术信息知识图谱和医药卫生知识图谱为例进行了详细介绍.最后对垂直领域知识图谱发展中存在的问题和对策以及未来的趋势进行了探讨.     

知识图谱构建技术综述

知识图谱在医疗、金融、农业等领域得到快速发展与广泛应用,其可以高效整合海量数据的有效信息,为实现语义智能化搜索以及知识互联打下基础。随着深度学习的发展,传统基于规则和模板的知识图谱构建技术已经逐渐被深度学习所替代。梳理知识抽取、知识融合、知识推理3类知识图谱构建技术的发展历程,重点分析基于卷积神经网络、循环神经网络等深度学习的知识图谱构建方法,并归纳现有方法的优劣性与发展思路。此外,深度学习虽然在自然语言处理、计算机视觉等领域取得了较大成果,但自身存在依赖大规模样本、缺乏推理性与可解释性等缺陷,限制了其进一步发展。为此,对知识图谱应用于深度学习以改善深度学习自身缺陷的相关方法进行整理,分析深度学习的可解释性、指导性以及因果推理性,归纳知识图谱的优势以及发展的必要性。在此基础上,对知识图谱构建技术以及知识图谱应用于深度学习所面临的困难和挑战进行梳理和分析,并对该领域的发展前景加以展望。     

社交知识图谱研究综述

作为通用的知识结构化表示形式,知识图谱被成功应用于医疗、金融、安全等领域.社交知识图谱是一种以人为中心的知识图谱,其融合了动态演化的社交知识.作为知识图谱概念的延伸,社交知识图谱涵盖人、物、事、地等异质信息及其复杂关联;由于其融入了来自社交网络的强时效性知识,能够准确地描述人员的即时状态及其演化趋势,被广泛应用于推荐系统、社交分析等以人为中心的应用中.当前,社交知识图谱的相关工作不断涌现,但缺乏统一的形式化定义以及系统性的分析.基于此,本文首先梳理了社交知识图谱的相关概念,并给出了社交知识图谱的形式化定义.然后从社交知识图谱的定义出发,对其动态性、异质性、情感性、互演化性等性质进行分析.接下来围绕社交知识图谱的生命周期,梳理了社交知识图谱的构建、融合、表示和推理的相关代表性工作.最后介绍了社交知识图谱的相关应用,并展望了社交知识图谱的未来发展蓝图.     

面向智慧城市应用的知识图谱构建——以兰州市为例

自从知识图谱的概念被提出来以后,研究人员一直致力于对知识图谱的深入研究,以挖掘此项技术的潜力,本文从知识图谱的架构入手介绍了知识图谱构建的步骤和涉及的核心技术,进而进行城市知识图谱的搭建。以兰州市为例,获取城市中餐饮、医疗、教育、旅游景点等领域相对全面的数据让系统最终的实用性与真实性有所保障。考虑到用户的使用体验,设计了前端界面完成知识图谱可视化,用户可以在客户端对知识图谱中的数据进行交互了解城市不同领域的内容结构,展现了该系统的实用性。     

基于链接实体回放的多源知识图谱终身表示学习

知识图谱存储大量的结构化知识和丰富的语义信息,已被广泛应用于知识驱动的智能软件.随着智能应用的不断发展,它们对知识图谱的需求也在发生变化.而单一知识图谱往往具有数据不完备等缺点,难以满足需求.因此,支持新数据来源、融合多源知识已经成为迫切需求.传统的知识图谱表示学习和应用范式只考虑单一图谱,忽视了不同图谱间的知识迁移.多源知识图谱联合训练虽然可以带来性能提升,但不支持新增知识图谱的拓展表示学习.鉴于此,提出了多源知识图谱终身表示学习的新范式.给定一个知识图谱序列,终身表示学习的目标是在学习新知识图谱的同时,从已学习的知识图谱与模型中获得知识迁移.为实现这一目标,提出了一个基于链接实体回放的多源知识图谱终身表示学习框架.首先,设计一个以Transformer为编码器的知识图谱表示学习模型作为框架核心,利用关系相关性进行实体的链接预测.其次,提出链接子图构造方法,基于实体对齐构建并回放新增知识图谱和已有知识图谱之间的链接子图进行终身学习和知识迁移.最后,采用动态结构方法,为每个知识图谱存储相应的模型参数快照来避免灾难性遗忘.多个链接预测基准数据集上的实验结果表明,所提出的表示学习模型可以取得最先进的性能,且提出的终身表示学习框架可以实现有效的知识迁移.     

领域知识图谱研究综述

知识图谱由Google公司提出, 作为增强其搜索功能的知识库, 在近几年得到了迅速发展. 随着知识图谱价值不断地被发掘, 各类领域知识图谱也迅速建设起来. 本文通过领域知识图谱和通用知识图谱的对比来清晰化领域知识图谱的定义, 介绍了领域知识图谱的架构, 并以医学知识图谱为例讲解了领域知识图谱的构建技术. 最后, 本文介绍了当前热门的领域知识图谱的发展状况和应用, 对当前领域知识图谱状况进行了较为全面的总结.