图谱动态｜学苑周刊 NO.100

Neo4j与咨询公司德勤合作，为东南亚客户提供服务

在亚太地区的金融服务、旅游、零售、公共部门和医疗保健等行业的需求刺激下，Neo4j去年的业务增长了100%。近日，Neo4j宣布将向德勤提供产品和技术支持，德勤将向各东南亚客户提供咨询服务，尤其是物流运输、电信、金融服务和政府领域。

http://mtw.so/5zhZRV

林草领域知识图谱应用系统

日前，由中国林科院科信所林草大数据与知识服务团队历经3年多时间研发的“林草领域知识图谱应用系统”正式推出运行。该系统覆盖了从数据采集到数据清洗、知识提取、知识表示、本体建模、图谱自动构建及动态更新、可视化关联分析、智能问答、语义检索、智能知识推荐等知识图谱技术链，实现了林草领域知识资源协同建设与知识共享，为用户提供基于语义关联的知识发现服务。

该系统通过林草领域专家的参与，确定了专家、机构、地点、类别、品种、种（动植物）、属（动植物）、科（动植物）8大概念维度，定义了各概念之间的关系与属性，构建了林草领域知识本体模型。开展了林草专家、机构、造林树种、国家林木良种名录、授权植物新品种等知识的收集、数据抽取、精细化加工和标注，形成不同知识维度和分类体系的数据，构建了林草领域知识本体库，目前已收录林草领域实体数据53753个，关系数据162888个,以RDF三元组形式表示，利用Neo4j图形库进行存储。实现了林草领域知识图谱与林业专业知识服务系统林业搜索系统的有机融合，提高了平台的统一搜索和聚合能力，实现知识关联、智能搜索、知识挖掘与可视化分析等功能。利用本体针对用户检索结果进行辅助聚类，同时利用本体关联关系辅助用户进行深入检索，实现数据资源的深度挖掘与揭示。

http://mtw.so/5GOd0a

知识图谱+海洋发展

爱尔兰科学基金会（SFI）适应中心和开放数据公司Derilinx获得了教科文组织的支持，用于构建海洋数据搜索引擎和门户网站。它是教科文组织OceanInfoHub（OIH）的一部分，OIH是一个为期三年的项目，始于2020年，旨在使研究人员和公众更容易获得全球海洋数据。目标是使现有和新兴的海洋数据和信息系统能够互操作并支持可持续发展。

作为该项目的一部分，Adapt的研究人员将帮助构建OIH知识图谱，该图谱将整合来自世界各地的各种数据源。该团队将与总部位于都柏林的Derilinx合作，为公众和研究人员建立一个可访问的搜索门户。

Derilinx通过帮助公共部门组织提供高质量的干净数据，这些数据可用于公众研究。该搜索门户网站预计将于下个月完成。预计Adapt在数据管理、网络技术和知识图谱方面的能力将有助于支持OIH搜索门户架构的开发。OIH项目由佛兰德斯政府资助，并由教科文组织政府间海洋学委员会实施。

http://mtw.so/5GOcX6

—--| 会议讲座 |--—

USENIX ATC'22

USENIX Annul Technical Conference (USENIX ATC)，是计算机系统领域国际顶级学术会议，将于2022.7.11-13举办。

自1992年举办第一届USENIX ATC会议以来，至今已成功举办30多届，吸引了来自全球的顶级名校及科技巨头投稿。USENIX ATC是CCF推荐A类会议，Core Conference Ranking A类会议，H-5指数44，Impact Score 7.26。

详情请访问

https://www.usenix.org/conference/osdi22

SIGIR 2022

SIGIR是展示信息检索领域新研究成果、新系统和新技术的主要国际论坛。会议包括5天的全文论文、短论文、资源论文、演示、教程、研讨会、博士联盟论文和展望论文，重点讨论信息检索领域的研究和发展，以及行业跟踪和社会事件。

第45届信息检索研究与发展国际ACM SIGIR会议将于2022年7月11日-7月15日在西班牙马德里召开，同时支持线上参会。

详情请访问

https://sigir.org/sigir2022/

—--| 书籍推荐 |--—

本周推荐的是书籍《 Introduction to Graph Neural Networks 》。本书全面介绍了图神经网络的基本概念、模型和应用，作者是清华大学计算机系自然语言处理实验室的刘知远副教授等。 

图（Graph）是一种有用的数据结构，广泛应用于物理系统建模、分子指纹学习、交通网络控制、社交网络朋友推荐等复杂的现实应用中。这些任务通常需要处理包含元素间丰富关系信息的非欧式图数据，难以使用传统的深度学习模型（如卷积神经网络（CNN）和递归神经网络（RNN））。在这种背景下，图神经网络（GNN）被提出，通过特征传播和聚合操作，GNN能够有效地结合图上的结构和特征信息并获得更好的图表示。由于其良好的性能和高度可解释性，GNN近来已成为一种广泛应用的图分析工具。

这本书对图神经网络的基本概念、模型和应用进行了系统而全面的介绍。首先引入vanilla GNN模型，然后介绍了vanilla模型的几种变体，如图卷积网络、图递归网络、图注意力网络、图残差网络和一些通用框架，接着介绍了图类型的不同变体和若干高级训练方法。对于GNN的应用，本书分为结构化、非结构化和其他场景三方面展开叙述，并介绍了解决这些任务的若干典型模型。在本书的最后，作者提供了GNN的开放资源列表并对未来方向进行展望。

书籍的完整目录见下图：

书籍的完整介绍和在线资源获取：

祝我们的 张藩博士、苟向阳博士、杨磊博士、林殷年硕士、章喆硕士、常辰硕士、曹力升学士、熊云帆学士、叶心怡学士 毕业快乐！