本开放资源由浙江大学知识引擎实验室以及牛津大学的陈矫彦研究员和爱丁堡大学的Jeff Z. Pan教授联合贡献。在此开放资源中，我们为近年来引起广泛关注的零样本学习技术贡献了类别语义知识图谱，图谱囊括了类别的属性描述信息、文本描述信息、结构化知识信息，以及语义更丰富的逻辑约束信息等，包含了比以往工作更丰富的类别语义知识，为推动知识驱动的零样本学习研究提供数据支撑。
开放资源在线地址：https://github.com/China-UK-ZSL/Resources_for_KZSL
在此篇工作中，我们为两个来自不同领域的零样本学习任务构建了基于知识图谱的语义资源，即零样本图像分类任务（Zero-shot Image Classification, ZS-IMGC）和零样本知识图谱补全任务（Zero-shot Knowledge Graph Completion, ZS-KGC），对资源构建的过程进行详细介绍的同时，对资源的用途也进行了详细阐述。
此外，我们也在此篇工作的基础上做了扩展：新增了零样本关系抽取任务（Zero-shot Relation Extraction, ZS-RE）、对资源的细节进行了更翔实的介绍（包括数据统计、存储格式、应用场景等），同时基于此资源展开了一项评估研究，即利用该资源评估比较了不同的零样本学习方法、不同的语义知识设定等，通过该项评估研究，说明了我们所构建资源的巨大潜力——为后续开发更有效的知识驱动的零样本学习方法以及探索更多应用知识图谱解决机器学习问题的思路和探究更有效的神经-符号继承模式(Neural-Symbolic Integration)提供强有力的数据支撑。更多细节参见论文：Benchmarking Knowledge-driven Zero-shot Learning。
