知识图谱论文阅读
1.Question Answering over Freebase via Attentive RNN with Similarity Matrix based CNN（有pytorch源码）
1.实体检测
此外，文中设计了一种新的实体检测启发式扩展方法，大大降低了噪声的影响。
2.关系检测(检测出知识图谱中与问题最匹配的关系)
目的：找出与问题P相似度最大的关系R，即
使用了两种相似度的计算
(1)语义层面：使用 RNN 的序列建模本质来捕获语义级关联，并使用注意机制同时跟踪实体和关系。
1.使用attention机制表示question
2.计算表示后的问题与relation的相似度
(2).·字层面·：针对一个词会有多种表示的问题，文中使用基于 CNN 的相似矩阵和双向池化操作建模数据间空间相关性的强度来计算词语字面的匹配程度。
1.建立Q与R之间的相似度矩阵
2.基于相似度矩阵进行CNN卷积
3.在问题和关系两个方向进行max pooling
4.通过全连接层
最后组合上述两种相似度，进行最后的打分
2.DKN: Deep Knowledge-Aware Networkfor News Recommendation
1.使用了三个信息
（1）标题本身词向量
（2）标题内实体的向量
对于freebase中的三元组（h,r,t）即head，relation，the tail of a triple，进行embedding的调整
（3）context embedding
即图谱中与实体有关的其他实体，取一个平均
2.对于三类信息的整合和对齐
（1）通过矩阵将其投影至同一语义空间
（2）三个向量对齐
3.使用CNN获取W的高维表示
3.Knowledge-aware AttentiveNeural Network for Ranking Question Answer Pairs
1.使用双向LSTM分别取表示question和answer
2.