基于知識(shí)圖譜相關(guān)研究的熱點(diǎn)及發(fā)展趨勢(shì)的可視化分析

中圖分類號(hào)：TP182 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-1959（2025）12-0022-07

DOI：10.3969/j.issn.1006-1959.2025.12.005

VisualAnalysisof Hotspotsand Development TrendsBased onKnowledge GraphRelated Research

LIULu，ZHANGShan

（SchoolofNursing，CapitalMedical University，Beijing1OoO69，China）

Abstract：ObjetiveTanalyetheotspotsndfuturetrendsofsudiesbsedonaknowledgegraphandprovidereferencesforalying infotionecholotoproethualityofucatioMethdCitepaceasusetosualthertclesfroWebfienceion databsesalatialdualfis articlesnd2eteuddinealsumbeoftesaseigarandroios showbetweeatioalistuindos.Thsechtsptedoeostrucodiofeowgeaec andaplicationofowedgegapTheesearchtrenfocusedngaphconvolutioaletworksandecommendatiossteostructioasedo knowledgegaphs.ConcusionIntheasttenyars，thesudiesbasedonowledgegraphavebeenincreasingapidlyndthio betwninstitutiosofrosoutisstilldsteregtedesearrshveadoutsriesofeseahoeoiod algoritmofnowledegapsndteasongandapcatioasdonowledgegaps.Iisgestedtatfutureeseasafute exploretelfaloelsoeeoo promote the establishment and applicationof a recommendation system based on a knowledge graph.

Keywords：Knowledgegraph;Artificial intelligence;Research hotspot;Developmenttrend;Visualanalysis

《“健康中國(guó)2030”規(guī)劃綱要》中指出[1，隨著健康中國(guó)戰(zhàn)略的逐步推進(jìn)，居民對(duì)護(hù)理服務(wù)的需求也不斷增加，需要護(hù)士具備較高水平的臨床決策能力來提供優(yōu)質(zhì)的護(hù)理服務(wù)。而且國(guó)家衛(wèi)生健康委員會(huì)為了促進(jìn)護(hù)理服務(wù)業(yè)改革與發(fā)展提出，充分利用信息化手段推進(jìn)院校護(hù)理人才培養(yǎng)，加大護(hù)理教育領(lǐng)域改革力度。為了進(jìn)一步持續(xù)推動(dòng)信息技術(shù)與教育教學(xué)深度融合，2023年“世界數(shù)字教育大會(huì)高等教育平行論壇\"也在推進(jìn)數(shù)字化智能化智慧教育工具的共建共享3。知識(shí)圖譜（knowledgegraph）是一種以圖形的形式來表示和組織知識(shí)的結(jié)構(gòu)化知識(shí)庫(kù)4，其通過將實(shí)體、概念和關(guān)系等知識(shí)元素以節(jié)點(diǎn)和邊的方式進(jìn)行連接，使學(xué)生更好地理解課程內(nèi)容的關(guān)聯(lián)性8]。目前，知識(shí)圖譜在個(gè)性化學(xué)習(xí)推薦、知識(shí)管理、智能問答等方面取得了一定的進(jìn)展[910。因此，本研究針對(duì)國(guó)內(nèi)外基于知識(shí)圖譜相關(guān)研究進(jìn)行可視化分析，以期為應(yīng)用信息化手段提升教育教學(xué)質(zhì)量提供方法學(xué)和實(shí)踐參考。

1資料與方法

1.1文獻(xiàn)檢索策略文獻(xiàn)源自WebofScience（WOS）核心合集數(shù)據(jù)庫(kù)，檢索詞為（\"KnowledgeGraph\"）。中文文獻(xiàn)以中國(guó)學(xué)術(shù)期刊全文數(shù)據(jù)庫(kù)（CNKI）為數(shù)據(jù)檢索來源，檢索詞為“知識(shí)圖譜”或\"KnowledgeGraph”。檢索時(shí)間為2013年1月-2023年9月。

1.2文獻(xiàn)納入與排除標(biāo)準(zhǔn)納人標(biāo)準(zhǔn)： ① 以“知識(shí)圖譜”為主題的相關(guān)文獻(xiàn)； ② 文獻(xiàn)類型為原始文獻(xiàn)（ar-ticle）和綜述（review）。排除標(biāo)準(zhǔn)：同一研究重復(fù)發(fā)表及內(nèi)容缺失的文獻(xiàn)。

1.3方法采用CiteSpace6.2.R5軟件對(duì)納入文獻(xiàn)進(jìn)行分析，參數(shù)包括：時(shí)間分區(qū)為1年，網(wǎng)絡(luò)連接強(qiáng)度為Cosine。 ① 發(fā)文量分析：采用Excel軟件統(tǒng)計(jì)該領(lǐng)域每年發(fā)文量； ② 發(fā)文國(guó)家/機(jī)構(gòu)：節(jié)點(diǎn)類型選擇country/institution，閥值為Top50; ③ 發(fā)文作者/文獻(xiàn)共被引情況：節(jié)點(diǎn)類型選擇author/citejournal，閾值為Top30； ④ 高頻關(guān)鍵詞分析：節(jié)點(diǎn)類型選擇key-word，閾值為Top30，采用最小生成樹法和修剪切片網(wǎng)絡(luò)對(duì)圖譜進(jìn)行修剪； ⑤ 關(guān)鍵詞聚類分析：采用Log-LikelihoodRatio算法對(duì)關(guān)鍵詞進(jìn)行聚類分析，得出Q值（聚類模塊值）以及S值（聚類平均輪廓值）的聚類圖譜，Q值 gt;0.3，S 值 gt;0.5 說明聚類合理；⑥ 關(guān)鍵詞突現(xiàn)分析：伽馬值 γ 為1.0，最小持續(xù)時(shí)間設(shè)置為2，突發(fā)檢測(cè)的靈敏度為2.0。

2結(jié)果

2.1年發(fā)文量獲取10255篇英文論文均納入最終分析；CNKI初步檢索獲取24640篇文獻(xiàn)，CiteSpace文獻(xiàn)轉(zhuǎn)換排除了2362篇重復(fù)文獻(xiàn)，最終22278篇納入分析，發(fā)文量均呈上升趨勢(shì)，見圖1。

2.2發(fā)文國(guó)家121個(gè)國(guó)家發(fā)表了英文相關(guān)文章，E值為1092，密度值為0.1504。發(fā)文最多的為中國(guó)，其次是美國(guó)，發(fā)文排名前10的國(guó)家見表1。

2.3發(fā)文機(jī)構(gòu)246個(gè)機(jī)構(gòu)發(fā)表了英文相關(guān)文章，E值為1266，密度為0.042，中國(guó)科學(xué)院為發(fā)文最多的機(jī)構(gòu)（449篇，中心性為0.14，占 4.38% ）。246個(gè)機(jī)構(gòu)發(fā)表了中文文章，E值為88，密度為0.0029，電子科技大學(xué)為發(fā)中文最多的機(jī)構(gòu)（202篇，占 0.91% ）。

2.4發(fā)文作者282位作者發(fā)表英文文獻(xiàn)，連線為194，密度值為 0.0049 。288位作者發(fā)表中文文獻(xiàn)，E值為123，密度值為 0.003 。

2.5文獻(xiàn)共被引情況基于英文文獻(xiàn)的網(wǎng)絡(luò)圖譜中有72個(gè)節(jié)點(diǎn)，連線406條，密度為0.15。文獻(xiàn)共被引期刊最多的為計(jì)算機(jī)科學(xué)理論與方法領(lǐng)域的LECTURENOTESINCOMPUTERSCIENCE，見表2。

2.6高頻關(guān)鍵詞將意義相同的關(guān)鍵詞進(jìn)行合并，如knowledgegraph和knowledgegraphs兩個(gè)節(jié)點(diǎn)合并為knowledgegraphs。英文最高頻關(guān)鍵詞為“knowl-edgegraphs（知識(shí)圖譜）”，見表3；中文最高頻關(guān)鍵詞也為“知識(shí)圖譜”，見表4。

2.7關(guān)鍵詞聚類分析英文關(guān)鍵詞聚類Q值為0.4473，S值為0.56，說明聚類合理且代表了知識(shí)圖譜相關(guān)研究的熱點(diǎn)。聚類結(jié)果為#Otaskanalysis（任務(wù)分析）#1datamining（數(shù)據(jù)挖掘）#2knowledge（知識(shí)）#3ontology（本體）#4machine learning（機(jī)器學(xué)習(xí)）#5graphtheory（圖論），見圖2。中文關(guān)鍵詞聚類Q值為0.4976，S值為0.8302，聚類結(jié)果為#0知識(shí)圖譜、#1研究熱點(diǎn)、#2關(guān)系抽取、#3可視化、#4citespace、#5人工智能，見圖3。

2.8關(guān)鍵詞突現(xiàn)基于知識(shí)圖譜的研究英文突現(xiàn)詞為datamining（數(shù)據(jù)挖掘）taskanalysis（任務(wù)分析）、graphconvolutionalnetwork（圖卷積網(wǎng)絡(luò)），見圖4。中文突現(xiàn)詞為推薦系統(tǒng)和知識(shí)抽取，見圖5。

3討論

3.1基于知識(shí)圖譜相關(guān)研究的現(xiàn)狀隨著人工智能技術(shù)的不斷發(fā)展，知識(shí)圖譜的應(yīng)用也越來越廣泛。2020年7月，國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)等五部門印發(fā)了《國(guó)家新一代人工智能標(biāo)準(zhǔn)體系建設(shè)指南》2]，指出知識(shí)圖譜為人工智能應(yīng)用提供了通用技術(shù)支撐。為進(jìn)一步推動(dòng)知識(shí)圖譜技術(shù)的發(fā)展、加快知識(shí)圖譜技術(shù)的應(yīng)用，各國(guó)學(xué)者開展了一系列的研究并將研究成果進(jìn)行發(fā)表，結(jié)果顯示國(guó)內(nèi)外近十年發(fā)文量逐年攀升。發(fā)文量最多的國(guó)家為中國(guó)（4657篇）。中國(guó)科學(xué)院為發(fā)表英文文章最多的機(jī)構(gòu)（449篇），電子科技大學(xué)為發(fā)表中文文章最多的機(jī)構(gòu)（202篇），國(guó)內(nèi)外機(jī)構(gòu)和作者間存在一定合作，但還需進(jìn)一步增加合作機(jī)會(huì)，推動(dòng)知識(shí)圖譜技術(shù)的發(fā)展和應(yīng)用。計(jì)算機(jī)科學(xué)理論與方法領(lǐng)域的LECTURENOTESINCOMPUTERSCIENCE期刊為文獻(xiàn)共被引最多的期刊，有助于學(xué)者們了解知識(shí)圖譜相關(guān)研究的現(xiàn)狀和發(fā)展。

3.2基于知識(shí)圖譜相關(guān)研究的熱點(diǎn)

3.2.1知識(shí)圖譜的構(gòu)建與算法高頻關(guān)鍵詞中包括knowledge（知識(shí)）、information（信息）、models（模型）、algorithms（算法）、deeplearning（深度學(xué)習(xí)）、machinelearning（機(jī)器學(xué)習(xí)）、featureextraction（特征提取）、ontology（本體）、taskanalysis（任務(wù)分析）表示學(xué)習(xí)、大數(shù)據(jù)、人工智能、關(guān)系抽取；英文關(guān)鍵詞聚類包括#Otaskanalysis（任務(wù)分析）#1datamining（數(shù)據(jù)挖掘）#2knowledge（知識(shí)）#3ontology（本體） #4ma- chinelearning（機(jī)器學(xué)習(xí)）；中文關(guān)鍵詞聚類包括#2關(guān)系抽取。知識(shí)圖譜的構(gòu)建需要從大量的數(shù)據(jù)（結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化）中提取實(shí)體、關(guān)系和屬性等信息，并使用深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等技術(shù)進(jìn)行自動(dòng)化的處理和表示[13，14]。知識(shí)圖譜可以對(duì)任務(wù)分析獲得的初始數(shù)據(jù)和結(jié)構(gòu)信息進(jìn)一步清洗和擴(kuò)充，即任務(wù)分析為知識(shí)圖譜構(gòu)建過程提供了知識(shí)庫(kù)的查詢或挖掘[5]。目前已有的知識(shí)圖譜平臺(tái)，如GoogleKnowl-edgeGraph、MicrosoftConceptGraph等，已經(jīng)積累了大量的數(shù)據(jù)和算法，能夠高效地構(gòu)建知識(shí)圖譜[。

3.2.2 知識(shí)圖譜的推理高頻關(guān)鍵詞中包括 graphtheory（圖論）graphneuralnetworks（圖神經(jīng)網(wǎng)絡(luò)）和linkprediction（鏈接預(yù)測(cè)）；英文關(guān)鍵詞聚類包括#5graphtheory（圖論）。知識(shí)圖譜推理是指從知識(shí)圖譜中推理出新的知識(shí)或信息的過程1。圖論作為一種數(shù)學(xué)和計(jì)算機(jī)科學(xué)的基礎(chǔ)結(jié)構(gòu)，在知識(shí)圖譜推理中發(fā)揮著重要的作用[18]。例如，基于圖搜索的路徑推理、基于有向無環(huán)圖的因果推斷等，可以輔助研究人員更好地理解和處理復(fù)雜的知識(shí)圖譜[19，20]。目前，已有學(xué)者基于圖神經(jīng)網(wǎng)絡(luò)的方法，通過學(xué)習(xí)實(shí)體和關(guān)系的表示來推理新知識(shí)或預(yù)測(cè)新信息[2]。圖神經(jīng)網(wǎng)絡(luò)是一種在神經(jīng)網(wǎng)絡(luò)框架上應(yīng)用圖數(shù)據(jù)的模型，能夠自動(dòng)學(xué)習(xí)并從圖數(shù)據(jù)中提取有用的信息[21，22]。圖神經(jīng)網(wǎng)絡(luò)已經(jīng)在諸多研究領(lǐng)域取得了顯著成果，包括社交網(wǎng)絡(luò)分析、生物信息學(xué)、計(jì)算機(jī)視覺等[18.22]。例如，MacleanF[18]對(duì)于知識(shí)圖譜在藥物發(fā)現(xiàn)中的應(yīng)用進(jìn)行了研究，發(fā)現(xiàn)基于圖神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)在目標(biāo)識(shí)別和藥物再利用中具有一定的優(yōu)勢(shì)；然而，由于諸多鏈接預(yù)測(cè)算法未能對(duì)復(fù)雜動(dòng)態(tài)生物系統(tǒng)中的因果關(guān)系進(jìn)行建模，所以技術(shù)仍需要進(jìn)一步的探索和提升。

3.2.3知識(shí)圖譜的應(yīng)用高頻關(guān)鍵詞中包括systems（系統(tǒng)）推薦系統(tǒng)、問答系統(tǒng)。知識(shí)圖譜已廣泛應(yīng)用于多個(gè)領(lǐng)域，如智能問答、語義搜索、推薦系統(tǒng)等[23-25]。基于知識(shí)圖譜的推薦系統(tǒng)能夠基于用戶畫像，有效地從大數(shù)據(jù)中快速挖掘出潛在的、有用的信息，為用戶提供更準(zhǔn)確、更個(gè)性化的推薦服務(wù)[24]。例如，有學(xué)者基于知識(shí)圖譜和深度學(xué)習(xí)技術(shù)構(gòu)建了問診推薦系統(tǒng)[24，用戶通過“疾病-癥狀\"知識(shí)圖譜，基于癥狀自查患有的疾病，還能進(jìn)一步提供醫(yī)生醫(yī)院推薦服務(wù)，該系統(tǒng)疾病診斷準(zhǔn)確率為 74.00% ，醫(yī)生醫(yī)院推薦服務(wù)準(zhǔn)確率達(dá) 90.91% 。此外，知識(shí)圖譜作為問答系統(tǒng)的知識(shí)庫(kù)，可以幫助用戶通過自然語言提問的方式獲取答案和信息[25，26]。問答系統(tǒng)能夠減少用戶的學(xué)習(xí)成本、快速回答用戶的問題、提供更多的信息以幫助用戶更好地理解問題25。有學(xué)者基于知識(shí)圖譜搭建了醫(yī)療問答系統(tǒng)2，利用雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory Networks，BiLSTM）和條件隨機(jī)場(chǎng)（conditionalrandom field，CRF）模型對(duì)海量醫(yī)療數(shù)據(jù)進(jìn)行模型訓(xùn)練，采用Neo4j圖數(shù)據(jù)庫(kù)構(gòu)建醫(yī)療知識(shí)圖譜作為智能問答系統(tǒng)的知識(shí)庫(kù)，實(shí)證研究表明該系統(tǒng)可基于用戶的問題匹配準(zhǔn)確答案。高頻關(guān)鍵詞中包括研究熱點(diǎn)、文獻(xiàn)計(jì)量、可視化、Citespace、共詞分析、研究前沿、共詞網(wǎng)絡(luò)、研究現(xiàn)狀、發(fā)展趨勢(shì)、聚類分析；中文關(guān)鍵詞聚類包括#1研究熱點(diǎn)、#3可視化、#4citespace。為了系統(tǒng)的了解某研究領(lǐng)域或者研究方向的現(xiàn)狀、熱點(diǎn)前沿和發(fā)展趨勢(shì)，學(xué)者們應(yīng)用CiteSpace、VOSview-er、R-bibliometrix等軟件對(duì)該領(lǐng)域的文獻(xiàn)進(jìn)行計(jì)量學(xué)分析，為下一步研究方向提供參考[27，28]

3.3基于知識(shí)圖譜相關(guān)研究的趨勢(shì)英文突現(xiàn)詞預(yù)測(cè)基于知識(shí)圖譜相關(guān)研究未來的發(fā)展趨勢(shì)，包含為datamining（數(shù)據(jù)挖掘）、taskanalysis（任務(wù)分析）、graphconvolutionalnetwork（圖卷積網(wǎng)絡(luò)）；中文突現(xiàn)詞為推薦系統(tǒng)和知識(shí)抽取。圖卷積網(wǎng)絡(luò)是處理圖數(shù)據(jù)的深度學(xué)習(xí)模型，可以提取知識(shí)圖譜中的特征（如實(shí)體的屬性和實(shí)體間關(guān)系），用于聚類或推薦等[29]。另外，也可以將知識(shí)圖譜作為輸入數(shù)據(jù)，訓(xùn)練圖卷積網(wǎng)絡(luò)模型，用于實(shí)體識(shí)別、關(guān)系抽取或因果推斷等[30。未來，研究人員可以利用已有的知識(shí)圖譜，采用圖卷積網(wǎng)絡(luò)模型進(jìn)行特征提取或模型訓(xùn)練，輔助學(xué)者更好地理解和應(yīng)用知識(shí)圖譜，進(jìn)而構(gòu)建更加準(zhǔn)確且全面的知識(shí)圖譜。此外，未來學(xué)者還可進(jìn)一步基于知識(shí)圖譜構(gòu)建個(gè)性化的推薦系統(tǒng)，如基于用戶的行為數(shù)據(jù)和興趣偏好推薦個(gè)性化的內(nèi)容23；也可基于知識(shí)圖譜構(gòu)建多模態(tài)推薦系統(tǒng)，即融合文本、圖像、視頻等多種形式，實(shí)現(xiàn)推薦系統(tǒng)的多樣性和豐富性[31]。

4總結(jié)

本研究應(yīng)用CiteSpace軟件對(duì)國(guó)內(nèi)外基于知識(shí)圖譜的研究進(jìn)行可視化計(jì)量分析，結(jié)果發(fā)現(xiàn)近十年基于知識(shí)圖譜的相關(guān)研究主要圍繞知識(shí)圖譜的構(gòu)建及算法、知識(shí)圖譜的推理與應(yīng)用。未來學(xué)者可進(jìn)一步探索圖卷積網(wǎng)絡(luò)模型在推動(dòng)知識(shí)圖譜聚類、知識(shí)抽取或推薦中的作用，以及構(gòu)建更全面準(zhǔn)確的基于知識(shí)圖譜的推薦系統(tǒng)，為提高工作質(zhì)量和效率提供前沿導(dǎo)向。且數(shù)智技術(shù)的迅猛發(fā)展，也在推動(dòng)知識(shí)圖譜助力教學(xué)與科研研究的逐年上升，但為了推動(dòng)國(guó)際化數(shù)智技術(shù)的共同發(fā)展，各國(guó)機(jī)構(gòu)和學(xué)者亟需加強(qiáng)合作協(xié)同開展研究。

參考文獻(xiàn)：

[1]中共中央，國(guó)務(wù)院.中共中央國(guó)務(wù)院印發(fā)《\"健康中國(guó)2030\"規(guī)劃綱要》[EB/OL].（2016-10-25）[2024-04-21].http：//www.gov.cn/xinwen/2016-10/25/content_5124174.htm.

[2]衛(wèi)生健康委，發(fā)展改革委，教育部，等.關(guān)于印發(fā)促進(jìn)護(hù)理服務(wù)業(yè)改革與發(fā)展指導(dǎo)意見的通知[EB/OL].（2018-06-21）[2024-04-21].http：//www.gov.cn/zhengce/zhengceku/2018-12/31/con-tent_5435177.htm.

[3]中華人民共和國(guó)教育部.世界數(shù)字教育大會(huì)高等教育平行論壇成功舉辦[EB/OL].（2023-02-14）[2024-04-21].http：//www.moe.gov.cn/jyb_xwfb/gzdt_gzdt/moe_1485/202302/t20230214_1044671.html.

[4]Hogan A，Blomqvist E，Cochez M，et al.Knowledge Graphs.ACMComput Surv，2021，54（4）：71.

[5]曾露，李其娜.知識(shí)圖譜賦能信息化教學(xué)創(chuàng)新].現(xiàn)代信息科技，2021，5（7）：196-198.

[6]LovelaceJ，Newman-GrifisD，Vashishth S，etal.RobustKnowledge Graph Completion with Stacked Convolutions anda Student Re-Ranking Network [J].Proc Conf Assoc ComputLinguist Meet，2021，2021：1016-1029.

[7]雷思文.基于知識(shí)圖譜的在線課程教學(xué)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].武漢：華中科技大學(xué)，2021.

[8]Nie Y，Luo X，Yu Y.A vision sensing-enhanced knowledgegraph inference method fora healthy operation index in highereducation[J].Math Biosci Eng，2023，20（2）：3731-3748.

[9]Liu P，Cao Y，WangL.A Multimodal Fusion Online Music E-ducation System for Universities[].Comput Intell Neurosci，2022，2022：6529110.

[10]Xu G，Jia G，Shi L，et al.Personalized Course Recommenda-tion System Fusing with Knowledge Graph and CollaborativeFiltering[].Comput IntellNeurosci，201，2021：9590502.

[11]Chen C，Hu Z，LiuS，etal.Emerging trends inregenerativemedicine：a scientometric analysis in CiteSpace J].Expert OpinBiol Ther，2012，12（5）：593-608.

[12]國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)，中央網(wǎng)信辦，國(guó)家發(fā)展改革委，等.國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)等五部門關(guān)于印發(fā)《國(guó)家新一代人工智能標(biāo)準(zhǔn)體系建設(shè)指南》的通知 [EB/OL].（2020-08-05）[2024-04-21].htps：//www.sac.gov.cn/xw/tzgg/art/2020/art_906877cd33bd405a87c9fe5f12c03e49.html.

[13]Ma C，Zhou Z，Liu H，et al.KGML-xDTD：a knowledgegraph-based machine learning framework for drug treatmentprediction and mechanism description[J].Gigascience，2O22，12：gi-ad057.

[14]Ni P，Okhrati R，Guan S，et al.Knowledge Graph and DeepLearning-based Text-to-GQL Model for Inteligent MedicalConsultation Chatbot[J].Inf Syst Front，2022：1-19.

[15]Fei H，Ren Y，Zhang Y，et al.Enriching contextualized lan-guage model from knowledge graph for biomedical informationextraction[J].Brief Bioinform，2021，22（3）：bbaa110.

[16]Myburgh PH.Infodemiologists Beware：Recent Changes tothe Google Health TrendsAPI Result in Incomparable Data asof1January 2022[].IntJEnvironResPublic Health，202，19

[17]He Q，Xu S，Zhu Z，et al.KRP-DS：A Knowledge Graph-BasedDialogue System with Inference-Aided Prediction[J].Sen-sors（Basel），2023，23（15）：6805.

[18]Maclean F.Knowledge graphs and their applications in drugdiscovery[].Expert Opin DrugDiscov，2021，16（9）：1057-1069.

[19]彭成，張春霞，張?chǎng)危?基于實(shí)體多元編碼的時(shí)序知識(shí)圖譜推理[].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2023，7（1）：138-149.

[20]于慧琳，陳煒，王琪，等.使用子圖推理實(shí)現(xiàn)知識(shí)圖譜關(guān)系預(yù)測(cè)[].計(jì)算機(jī)科學(xué)與探索，2022，16（8）：1800-1808.

[21]楊宇雪.基于神經(jīng)網(wǎng)絡(luò)的知識(shí)圖譜推理關(guān)鍵技術(shù)研究[D].成都：電子科技大學(xué)，2021.

[22]Xiao S，Lin H，Wang C，et al.Graph Neural Networks WithMultiple Prior Knowledge for Multi-Omics Data Analysis[J].IEEEJBiomed Health Inform，2023，27（9）：4591-4600.

[23]劉澤京，鄔楠，黃撫群，等.基于知識(shí)圖譜與協(xié)同過濾混合策略的在線編程評(píng)測(cè)系統(tǒng)題目推薦模型[.計(jì)算機(jī)科學(xué)，2023，50（2）：106-114.

[24]武家偉，孫艷春.融合知識(shí)圖譜和深度學(xué)習(xí)方法的問診推薦系統(tǒng)[J].計(jì)算機(jī)科學(xué)與探索，2021，15（8）：1432-1440.

[25]李偉，王竣生，秦鵬.基于知識(shí)圖譜的醫(yī)療問答系統(tǒng)研究]長(zhǎng)江信息通信，2023，36（6）：107-109.

[26]王建林，陳萌萌，冶存花，等.基于知識(shí)圖譜的檔案領(lǐng)域問答系統(tǒng)研究與應(yīng)用[].軟件工程與應(yīng)用，2024，13（2）：190-198.[27]李櫻子，任麗芳，王建晶，等.基于CiteSpace的虛擬現(xiàn)實(shí)技術(shù)在國(guó)內(nèi)外護(hù)理領(lǐng)域應(yīng)用的研究現(xiàn)狀與趨勢(shì)分析.中華現(xiàn)代護(hù)理雜志，2023，29（11）：1468-1476.

[28]柳鴻鵬，李程，王翠麗，等.基于Web ofScience的老年衰弱干預(yù)研究的文獻(xiàn)計(jì)量學(xué)分析.中華現(xiàn)代護(hù)理雜志，2023，29（16）：2158-2165.

[29]Tian Z，F(xiàn)ang H，Teng Z，et al.GOGCN： Graph Convolu-tional Network on Gene Ontology for Functional SimilarityAnalysis of Genes[J].IEEE/ACM Trans Comput Biol Bioinform，2023，20（2）：1053-1064.

[30]Lan W，Zhang H，Dong Y，et al.DRGCNCDA：PredictingcircRNA-disease interactions based on knowledge graph anddisentangled relational graph convolutional network[J].Methods，2022，208：35-41.

[31]馬甜甜，楊長(zhǎng)春，嚴(yán)鑫杰，等.融合知識(shí)圖譜和輕量級(jí)圖卷積網(wǎng)絡(luò)推薦系統(tǒng)的研究[J].智能系統(tǒng)學(xué)報(bào)，2022，17（4）：721-727.

收稿日期：2024-05-07;修回日期：2024-05-29編輯/杜帆