4. 富知识的用户理解和交互式知识适配 。研究基于复杂知识和推理的用户行为分析、需求的感知技术，并在此基础上实现情景驱动的多通道知识服务模式 。这是用户和智能系统交互的关键，也是近年人工智能发展的重要方向 。这方面的研究主要有两类，一类是从心理动力学的角度探索如何构建人机交互的表征体系，另一类是如何设计计算模型以实现高效的智能交互策略 。
本期专题
本期专题介绍了一部分具有代表性的专家在认知图谱和知识图谱方面开展的工作 。清华大学的《从知识图谱到认知图谱：历史、发展与展望》一文从知识图谱的发展到认知图谱的提出给出了一个全面而简要的解读；
清华大学的《基于空间认知的知识表示和推理》一文介绍了融合符号推理与神经网络的认知推理计算 。
阿里巴巴集团的《认知图谱的研究与电商实践》一文介绍了阿里巴巴正在打磨和落地的第2代AI系统认知智能计算平台 。
中国科学院计算技术研究所的《图神经网络及其在知识图谱中的应用》一文介绍了基于卷积定理图神经网络及其在知识图谱中的应用 。
北京邮电大学的《基于图神经网络的知识图谱研究进展》一文介绍了基于图神经网络的知识图谱学习与计算，以及基于图神经网络融合知识图谱信息的应用的研究进展 。
微软雷蒙德研究院和中国人民大学的《图神经网络的预训练》一文则更多地介绍了自监督学习的图神经网络及其在认知推理方面可能的应用 。
同济大学的《“神经+符号”：从知识图谱角度看认知推理的发展》一文介绍了符号逻辑和神经网络相结合的计算思路 。
浙江大学的《低资源条件下的知识图谱推理与构建》一文介绍了一种被称为加权关系对抗网络(weighted Relation Adversarial Network，wRAN)的方法，来解决低资源条件下知识图谱的关系预测和关系抽取问题 。
哈尔滨工业大学的《基于事理图谱的文本推理》一文介绍了用事理知识表示、推理和决策（包括人的认知）来解决文本推理任务 。
展望
本期专题只是一次抛砖引玉，要真正实现知识表示和推理，还需要万亿级的常识知识库支持以实现真正的机器常识，包括感知、理解和判断事物的基本能力 。常识的缺失阻碍了人工智能系统对世界的理解，也阻碍了其学习新的经验 。这一次兴起的人工智能浪潮也许到终点还是无法实现推理能力，没有可解释能力 。而下一波人工智能浪潮的兴起，就是实现具有推理能力、可解释性、认知能力的人工智能，这是人工智能在下一个10年需要发展也一定会发展的一个重要方向 。
文章插图
唐杰
CCF 杰出会员，CCCF 前动态栏目主编，CCF 学术工委主任 。清华大学计算机系教授 。主要研究方向为人工智能、知识图谱、数据挖掘、社交网络和机器学习 。
jietang@mail.tsinghua.edu.cn
推荐阅读
- 系统架构设计工具—SystemArchitect
- 现代Web开发中的JavaScript音频库——howler.js
- WEB渗透——MySQL注入原理与注入检测
- 运动装|明欣尚学面膜——实力与颜值担当
- pytorch实现 GoogLeNet——CNN经典网络模型详解
- Flink知识图谱
- 新技术不断刷新我对测试工作的认知！如何进行机器语音交流测试？
- 玉楼春春景宋祁赏析
- 按摩|美颜的真面目——素颜
- 清华扫地僧整理的全网最全多线程详解，看完怀疑自己的认知