人工智能正由感知智能向认知智能演化，让机器具备认知智能，其核心就是让机器具备理解和解释能力。这种能力的实现与大规模、结构化的背景知识是密不可分的。知识图谱是实现机器认知智能的使能器，一方面通过建立从数据到知识图谱中实体、概念、关系的映射，让机器理解数据的本质；另一方面利用知识图谱中实体、概念和关系来解释现实世界中事物和现象，让机器解释现象的本质。
知识图谱的概念最早起源于Google在2012年提出的Knowledge Graph。知识图谱本质上是一种语义网络。其结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系。知识图谱的直接推动力来自于一系列实际应用，包括语义搜索、机器问答、情报检索、电子阅读、在线学习等。
AMiner学术搜索平台推荐了一系列知识图谱相关的经典论文，内容涵盖：概念、发展历程、关键技术（比如知识表示与建模、知识抽取、知识融合、知识图谱查询与推理计算等）、应用场景、研究问题与挑战、未来研究方向等多方面。旨在为读者了解知识图谱的发展动向、基础及应用研究的代表性成果提供了信息窗口。
10篇推荐论文如下：
1、标题：A Survey on Knowledge Graphs: Representation, Acquisition and Applications
出版物：the Association for the Advance of Artificial Intelligence --AAAI2020
作者：Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu
推荐理由：本文详细介绍了知识图谱表示学习、知识获取与完成、时间知识图谱、知识感知应用等方面的技术和未来的研究方向。
2、标题：Knowledge graph completion with adaptive sparse transfer matrix
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2016
作者：Guoliang Ji, Kang Liu, Shizhu He, Jun Zhao
推荐理由：本文提出一种自适应稀疏转移矩阵来完善知识图谱，处理知识图谱的异质性和不平衡性等问题。
3、标题：Dynamic Knowledge Graph Construction for Zero-shot Commonsense Question Answering
出版物：Computing Research Repository --CoRR2019
作者：Antoine Bosselut, Yejin Choi
推荐理由：本文提出了一种利用生成神经常识模型，根据需要生成上下文相关知识的新方法，用于零样本常识问答任务，性能得到提升。
4、标题：Collaborative knowledge base embedding for recommender systems
出版物：ACM SIGKDD Conference on Knowledge Discovery and Data Mining--KDD 2016
作者：Fuzheng Zhang, Nicholas Jing Yuan, Defu Lian, Xing Xie, Wei-Ying Ma
推荐理由：本文研究了如何利用知识库中的异构信息来提高推荐系统的质量，首先利用知识库设计了三个组件，分别从结构内容、文本内容和可视内容中提取条目的语义表示；然后提出一种协同知识库嵌入（CKE）集成框架，共同学习协同过滤中的潜在表示以及知识库中项目的语义表示。本文方法明显提升了推荐系统中协同过滤的性能。
5、标题：ProjE: Embedding projection for knowledge graph completion
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2017
作者：Baoxu Shi, Tim Weninger
推荐理由：本文提出一个名为ProjE的共享变量神经网络模型，该模型不需要复杂特征工程，仅通过简单改变底层模型的结构，来填补知识图谱中的缺失信息。
6、标题：Convolutional 2d knowledge graph embeddings
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2018
作者：Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel
推荐理由：本文提出了一种用于链路预测的多层卷积网络模型ConvE，来预测知识图谱中实体间缺失关系。本文方法具有很高的参数效率，特别适用于对具有高密度的节点进行建模。
7、标题：InfoGraph: Unsupervised and Semi-supervised Graph-Level Representation Learning via Mutual Information Maximization
出版物：The International Conference on Learning Representations --ICLR 2020
作者：Fan-Yun Sun, Jordan Hoffmann, Vikas Verma, Jian Tang
推荐理由：本文受到无监督表示法学习的启发，通过最大化交互信息，提出了InfoGraph*模型，该模型最大化了InfoGraph学习的无监督图表示与现有监督方法学习的表示之间的互信息。
8、标题：Dynamic Graph Representation Learning via Self-Attention Networks
出版物：Web Search and Data Mining --WSDM 2020
作者：Aravind Sankar, Yanhong Wu, Liang Gou, Wei Zhang, Hao Yang
推荐理由：本文提出了动态的自注意力网络（DySAT），这是一种新型的神经架构，它操作在动态图上，并学习节点表示，以捕捉结构特性和时间演化模式。
9、标题：An End-to-End Deep Learning Architecture for Graph Classification
出版物：the Association for the Advance of Artificial Intelligence --AAAI 2018
作者：Muhan Zhang, Zhicheng Cui, Marion Neumann, Yixin Chen
推荐理由：本文提出了一种可以接受任意结构的图神经网络架构，包括局部图卷积模型和图顶点排序策略。本文方法解决了图分类任务中的两个问题：1)如何提取有用的特征来表示信息编码丰富的图象；2)如何顺序读取有意义且一致的绘制图形。
10、标题：Hierarchical graph representation learning with differentiable pooling
出版物：Neural Information Processing Systems --NeurIPS 2018
作者：Rex Ying, Jiaxuan You, Christopher Morris, Xiang Ren, William L. Hamilton, Jure Leskovec
推荐理由：本文提出了一种可微图池化模块DIFFPOOL，可生成层次结构图形的表示形式，并可与各种图形相结合的端到端的神经网络架构。