Los grafos de conocimiento están cada vez más presentes en la web, desde pequeñas taxonomías hasta grandes bases de conocimiento que contienen una gran cantidad de información. Para construir tales grafos de conocimiento, ya sea de forma automática o manual, se necesitan herramientas para su rápida exploración y comprensión. Los resúmenes semánticos se han propuesto como una tecnología clave que permite la rápida comprensión y exploración de grandes grafos de conocimiento. Entre los métodos propuestos para generar resúmenes, los métodos estructurales explotan principalmente la estructura del grafo para generar los resúmenes resultantes. Los enfoques en esta área se centran en identificar los nodos más importantes y suelen emplear una única medida de centralidad, capturando una perspectiva específica sobre la noción de importancia de un nodo. Sin embargo, pasar de una medida de centralidad a varias tiene el potencial de generar una vista más objetiva sobre la importancia de los nodos, lo que lleva a mejores resúmenes. En este documento, presentamos SumMER, la primera técnica de resumen estructural que explota técnicas de aprendizaje automático para los grafos de conocimiento RDF/S. SumMER explora ocho medidas de centralidad y luego emplea técnicas de aprendizaje automático para seleccionar de manera óptima los nodos más importantes. Luego, esos nodos se vinculan formulando un subgrafo a partir del grafo original. Experimentalmente demostramos que combinar medidas de centralidad con aprendizaje automático aumenta efectivamente la calidad de los resúmenes generados.