面向管理与决策大数据的个性化知识服务及其应用

This project is based on the problems and challenges of personalized knowledge services in the application of big data. It is based on previous research achievements in knowledge representation and learning, knowledge fusion and evaluation, personalized situational awareness, and combines specific data from medical and legal fields to construct domain knowledge graphs. This project takes knowledge service as the breakthrough point, and studies the technology and method of big data knowledge service in the context of management decision-making based on natural language understanding and knowledge graphs. At the same time, the project focuses on the application demonstration, develops two demonstration applications of personalized knowledge service oriented to chronic diseases and intelligent legal knowledge query and consultation platform oriented to intellectual property laws, so as to improve the quality of big data knowledge service and realize the universal sharing of knowledge service.

本项目立足于个性化知识服务在大数据应用中的问题和挑战，以前期在知识表示与学习、知识融合与评估、个性化情景感知等方面的研究成果为基础，结合医学、法律领域的具体数据构建领域知识图谱。本项目以知识服务为切入点，以自然语言理解和知识图谱等技术为基础，研究管理决策情境下大数据知识服务的技术与方法。同时，此滚动项目以应用示范为载体，开展面向糖尿病的个性化慢病知识服务和面向法律大数据的智能知识产权法律知识问答咨询平台两项示范应用，提升大数据知识服务的质量，实现知识服务的普适共享。

本项目在执行期间面向管理与决策大数据的个性化知识服务及其应用进行了研究，并开展了个性化知识服务示范应用。项目在理论研究及具体应用方面均取得了重要成果，相关概述如下：.1）提出碎片化数据特征选择与分类算法。针对存在大量未标记数据的情况，采用联合半监督特征选择与分类技术，在自动选择相关特征的同时对分类器进行学习。同时，针对高维数据中存在无关特征的情况，提出一种新的稀疏贝叶斯嵌入特征选择算法，该算法采用截断高斯分布作为样本和特征先验，能够同时为分类任务选择相关特征和样本。更进一步地，为实现比传统特征选择算法更好的鲁棒性和可解释性，提出一种基于交叉检查和补码的马尔科夫边界发现，可有效用于类属性与特征之间的因果关系发现。.2）提出面向大数据的多任务聚类学习。提出一种鲁棒的聚类多任务学习方法，通过学习具有代表性的任务，每个任务由这些代表性任务的线性组合来表示，对相关矩阵施加行稀疏约束并修改表示损失，在实现任务间信息共享的同时增加了方法的鲁棒性。.3）提出基于可判别线性动力学系统的短序列数据分类算法：考虑兼顾模型之间的差异性与拟合能力，提出在训练线性动力系统模型时间接引入标签信息，并将模型间差异作为训练目标，通过行列式点过程对数据多样性进行度量。在短时间跨度数据集及合成数据上的实验证明了该方法有效性。.4）开展个性化知识服务示范应用。基于知识图谱的微信聊天机器人，采用检索式多轮对话序列匹配网络，通过自然语言理解、对话管理和自然语句生成三个模块，可实现对用户自然语句提问的智能化问答。基于知识图谱的AR“融媒体”模型，融合医疗领域图片、文字和视频等数据，采用AR交互、随机3D模型生成及融媒体等技术，可形象化展示医疗相关的知识图谱，且能在2D和3D之间任意切换。