雷锋网AI科技评论按：以史为鉴，可以知兴替。纵观近期包括AAAI、NeurIPS、IJCAI在内的人工智能顶级会议，对图结构模型的研究是一个绕不开的话题，大量的学者纷纷涌入了这个赛道，想一试身手。
然而，作为一类古老的理论，人们对图论的研究实际上贯穿于计算机科学发展的始终。如今我们看来耀眼辉煌的人工智能技术，实际上也是离散数学、统计理论、逻辑推理、数据库、分布式计算等基础理论厚积薄发的产物。
本文是智利大学教授ClaudioGutierrez为今年的ISWC大会所撰写的主题文章，从人工智能的起源开始，循序渐进地介绍了知识图谱诞生的历史，也探讨了该学科未来的研究方向。
引言
「忘记过去的人注定要重蹈覆辙」
——GeorgeSantayana
从某种程度上来说，我们可以认为知识图谱实现了计算机科学早期的愿景：创造智能化的系统，从而大规模集成知识和数据。本世纪初，研究者们提出了「知识图谱」这一术语，谷歌自年起便大力推广「知识图谱」技术，让它在学术界和工业界迅速流行了起来。
不过要务必注意的是，无论人们对「知识图谱」如何定义、进行怎样的讨论，客观地说，它都是各个研究领域（例如，语义Web，数据库，知识表征和推理，自然语言处理，机器学习等等）科学进展的结晶。
将这些来自不同学科的思想和技术融合起来，极大丰富了知识图谱的概念，但同时也给相关从业人员和研究人员提出了挑战：他们需要知道当前的研究进展如何根植于早期的技术，并从中发展而来。
本文将讨论什么？
作者选择从知识图谱学科历史发展的角度进行介绍，并且突出相关的重点内容。本文为读者展示了该领域的知识结构，引导读者跟进最新的相关思想、理论，以及我们认为具有标志性意义、并推动了当前学科发展的学术事件。本文旨在帮助读者理解哪些思想有效、哪些无效，并反映出它如何启发人们得出下一个想法。
为什么要写这篇文章？
对于一名研究者来说，了解研究领域的历史背景对于推断出通往未来的可能途径至关重要。今天，这种重要性尤其凸显了出来，因为人们每天都淹没在了无穷无尽的信息的海洋中。这些历史背景堪称科研方法的「DNA」：为站在巨人的肩膀上而进行背景调研。
对于语义Web研究领域来说，尤其是其中前景最为光明的一个发展领域——知识图谱，我们注意到学生和初级研究者并没有完全地熟知他们所掌握的思想、概念和技术的来源。我们认为本文将是为克服这一缺点所迈出的一小步。
本文作者根据自己的经验提出了撰写这篇文章的想法。Juan在以「IntegratingSemanticWebintheRealWorld:Ajourneybetweentwocities」为主题的演讲（
