本期发布术语热词：知识图谱(KnowledgeGraph)。知识图谱是大数据时代的知识工程集大成者，是符号主义与连接主义相结合的产物，是实现认知智能的基石。
开篇导语：
知识图谱（KnowledgeGraph）
作者：王昊奋（同济大学）
InfoBox：
中文名：知识图谱
外文名：KnowledgeGraph
简写：KG
学科：自然语言处理、知识工程、人工智能、万维网
实质：利用图结构建模、识别和推断事物之间的复杂关联关系和沉淀通用或领域知识，本质上可以看作是一种世界模型。
基本简介：
知识图谱并没有统一的定义，一种常用的定义为“知识图谱是一种语义网络(semanticnetwork)；网络中的结点代表实体(entity)或者概念(concept)，边代表实体/概念之间的各种语义关系”。一种更为宽泛的定义为“使用图(graph)作为基础表示模型来组织与利用大规模不同类型的数据，并表达明确的通用或领域知识。”
背景与动机：
知识图谱是大数据时代的知识工程集大成者，是符号主义与连接主义相结合的产物，是实现认知智能的基石（如图1）。
图1人工智能金字塔
从技术角度而言，知识图谱是人工智能、自然语言处理、（图）数据库、万维网与信息检索等多技术的交叉与融合（如图3所示）；其中核心的两个要素为语义化表示的知识和图结构的数据；具体涉及的技术要素则可以分为表示、存储、抽取、融合、推理、问答、分析等七个方面。
知识图谱的典型应用场景包括语义搜索、智能问答、智能推荐、辅助大数据分析、语言理解、视觉理解、设备互操作等，目前已经在电商、医疗、工业、金融、农业、政府、军事、公共安全等行业得到的广泛应用。做知识图谱一定要有系统工程的思维，若仅把握其中某一方面的技术来做知识图谱会犹如盲人摸象（如图4）；知识图谱技术与工程涉及数据、算法、工具和系统四个维度。
图4知识图谱系统工程观
研究概况：
知识表示学习
知识表示学习可以分为基于翻译距离模型(translationaldistancemodels)的方法和基于语义匹配模型(semanticmatchingmodels)的方法[3]。
知识获取与补全
知识融合
知识存储与图分析计算
知识推理
面向知识图谱的知识推理通常可以分为基于规则的推理、基于知识表示学习的推理，基于神经网络的推理和混合推理[8]
知识应用
知识图谱应用方面的研究包括基于知识图谱的语义检索、智能推荐、知识问答等[1][9]。
知识图谱的研究趋势包括：（1）深度知识的表示与获取；（2）数据稀疏场景下的知识自动获取；（3）多模态知识图谱；（4）语言预训练与小样本学习；（5）事件与事理图谱。
参考文献：
术语工委及术语平台介绍：
计算机术语审定委员会(CommitteeonTerminology)主要职能为收集、翻译、释义、审定和推荐计算机新词，并在CCF平台上宣传推广。这对厘清学科体系，开展科学研究，并将科学和知识在全社会广泛传播，都具有十分重要的意义。
术语众包平台CCFpedia的建设和持续优化，可以有效推进中国计算机术语的收集、审定、规范和传播工作，同时又能起到各领域规范化标准定制的推广作用。