知网查重样例–碎片化知识处理与网络化人工智能
发布时间：2017-08-20 点击率：0
知识处理是人工智能研究的重要内容,在互联网发展的驱动下,知识碎片化时代的到来对知识处理的能力和能效提出了更高的要求.而且知识表达的方式早已从传统的静态文本数据格式发展到了声音、动画、图像和视频等多种模式[1,2],知识的数量更是呈指数增长形式加速倍增.知识处理[3]包含了知识的获取、知识的加工、逻辑判断、推理与知识的输出等全部过程.在这样的背景下,大数据推动下的新一代知识工程就应运而生,进而催生了新一代人工智能方法的出现——网络化人工智能.
人工智能的核心是知识处理问题[9∼11].伴随着人工智能的概念在1956年被提出,知识处理也应运而生,在一系列实际需求的不断推动下,相应的知识工程也不断出现(如图1所示).Feigenbaum在1977年第五届人工智能联合会议上提出了“知识工程”[12,13]这一概念.知识工程是人工智能的原理和方法,对需要人类专家才能够解决的领域应用难题提供求解途径.知识工程已在诸多领域得到应用,处理对象已从规范化知识扩展到非规范化知识,处理方式和规模也从封闭式扩大为开放式,从中小规模发展为能进行海量知识处理的大规模工程.
这种新模式具有融合群体智慧的特点,单一的碎片化知识存在完备性、一致性等质量问题,但海量的碎片化知识蕴含了大量用户对事物的认识.利用群体智能理论方法[25∼27]有望实现信息从量到质的转变从而获取有价值的知识,实现碎片化知识替代专家知识,建立与专家知识质量相当的知识库.除此之外,以数据驱动的知识自动化有利于知识库的更新迭代,具有自我进化的特点.UGC是不断累积动态变化的,从而带动数据源的不断更新,对完善知识库适应知识快速增长与剔除冗余具有积极作用.
同时实现了用户共同参与动态知识维护,避免专家知识因少数专家的倾向性而产生的局限性.传统的专家知识所建立的知识库更多关注于特定领域的知识构建而忽略了知识间的相互关联,难以完成知识的推理演化.UGC的碎片化知识在互联网+的知识自动化中可以通过信息的关联、融合和推理等操作生成新知识,提升系统的处理能力,实现知识推理演化.
然而,碎片化知识自身特点以及用户需求的多样化,导致互联网+的知识自动化在技术与模式上还面临一系列挑战.例如,多源分布的碎片化知识的多模态、多粒度、时变等特性对知识的准确表示提出了更高的要求.同时,碎片化知识的真实性、无序性也导致当前的研究成果不能适应用户需求的多样性与场景的多变性,而互联网+的知识自动化对于解决传统知识工程的局限性问题具有积极意义.
.—— END ——.
