知识图谱的概念于 2012 年由 Google 提出，其发展还不算成熟，属于建立在多个技术领域上的一门实用技术。本文对知识图谱的构建以及知识图谱在深度学习中的应用进行分析，总结出该领域目前面临的困难和挑战具体如下：
1、知识图谱构建技术方面
（1）对于知识抽取技术，现有的实体关系联合抽取技术并未解决关系重叠问题，算法准确率和召回率都较低。除此之外，基于开放域的关系抽取还处于初级阶段，多语种、大范围的多元实体关系抽取是当前面临的主要困难之一，无监督关系抽取具有较高的可移植性和泛化性，为开放域关系抽取任务提供了新的思路。
关系重叠问题：一对多，比如“张学友演唱过《吻别》《在你身边》”中，存在2种关系：「张学友-歌手-吻别」和「张学友-歌手-在你身边」 ；一对实体存在多种关系，如“周杰伦作曲并演唱《七里香》”中，存在2种关系：「周杰伦-歌手-七里香」和「周杰伦-作曲-七里香」
（2）对于知识融合技术，实体对齐是最主要的手段，如何实现高质量的实体对齐、共指消解是一项巨大的挑战，开放领域下的实体对齐、共指消解以及多源数据库融合是当前主要的研究重点，如何在短文本情况下准确地将实体链接到知识库中亟需解决。小样本学习是最具潜力的研究方法之一，在计算机视觉中取得了较好的效果，使得模型具有高效的学习能力，将小样本学习应用于实体对齐具有重要的研究价值。
（3）对于知识推理技术，现有的知识推理技术大多只关注静态数据，忽略了时间信息，知识图谱的信息应该随着时间的推移而变化，因此，动态知识图谱推理还需要进行研究探索，如 EvolveGCN［93］，其使用RNN 来演化 GCN 的参数，捕捉图序列的动态信息。除此之外，如何利用文本、音频、图像等多源信息来进行知识推理以及跨语言的知识推理，也是一个新的研究方向。
2、知识图谱应用于深度学习方面
目前，将知识图谱应用于深度学习还处于起步阶段，存在一些问题亟需解决，例如，知识图谱由点和边组成，符号化的知识在向量化后不可避免地会导致语义缺失问题，因此，如何对知识图谱进行高质量的表示仍是一个挑战。
3 结束语
作为知识工程的一个重要分支，知识图谱已经成为人工智能发展的核心动力和重要领域。本文对比分析知识图谱构建技术，讨论知识图谱与深度学习相结合的方法，并给出研究难点与潜在解决思路。从当前研究进展可以看出，将深度学习用于知识图谱构建已成为主流方法并取得了较好的效果，但无论是知识图谱构建还是深度学习，目前都存在着一些缺陷和挑战。在未来，基于深度学习的开放领域知识抽取、多源知识融合、动态知识推理，以及利用知识图谱弥补深度学习的某些缺陷，将是知识图谱领域的重要研究方向。
