建构生成视角的知识网络表示建模与应用

For machine cognitive learning of human natural language, the semantic understanding and representation modeling of knowledge system is the foundational processing for high-level applications such as text data retrieval and mining, personalized recommendation, human-machine conversation. Although traditional knowledge graph manners based on triple description RDF have successfully been applied to a lot of application problems, however it is still a very hard task to model semantic ontology of text symbols as well knowledge system in human-like associative mind. Inspired by the ideas of constructivist learning theory and evolution law of knowledge system development, this proposal will probe a kind of novel knowledge system modeling methods based on constructive enactivism. At same time, patent big data mining on technology development feature is considered as the specific application problem. In this proposal, three main research contents are considered: 1) knowledge representation modeling based on constructivist learning theory, 2) development modeling of knowledge system driven by constructive associative evolution, 3) associative reasoning mechanism and application algorithms of constructive knowledge network. In summary, this proposal focuses on the frontier scientific problems and real application demands, introduces novel research viewpoint, and should be a very worthyful exploration on deepening the theoretical cognition of natural language processing methods. Expected outcomes can provide new ways for ontology relation modeling and semantic mining of knowledge system.

在自然语言的机器认知学习中，知识系统的语义理解与建模表达是信息检索与挖掘、个性化推荐、人机语言对话等许多重要应用的基础。虽然以三元组为描述元语的传统知识图谱方法已在许多应用场合取得了很大的成功，但其在表达并解释文本符号的知识本体语义，构建类人思维的联想知识体系模型方面仍极为受限。受建构主义学习理论与知识演化发展规律思想启发，本项目拟探索研究一类以建构生成为视角的知识系统表示建模方法，并重点结合专利大数据的技术脉络特征挖掘应用需求,实现对传统知识图谱建模方法的有力扩展。课题研究内容主要包括：1）建构主义学习理论的知识表示建模；2）建构联想演化的知识系统发展生成建模；3）建构知识网络的联想推理与应用。上述研究瞄准自然语言处理的前沿科学问题及现实应用需求，引入新的研究视角，是当前深化探索人工智能计算理论与方法的极有益尝试。预期研究成果可为知识本体关系建模与语义挖掘应用提供新的方法手段。

在自然语言的机器认知学习中，知识系统的语义理解与建模表达是信息检索与挖掘、个性化推荐、人机语言对话等许多重要应用的基础。虽然以三元组为描述元语的传统知识图谱方法已在许多应用场合取得了很大的成功，但其在表达并解释文本符号的知识本体语义，构建类人思维的联想知识体系模型方面仍极为受限。.受建构主义学习理论与知识演化发展规律思想启发，借鉴神经联想计算中连接关系仅为联想权重的特征，创新提出关系描述统一为联想权重的知识网络构建新方法，并与现有的先进机器学习方法相结合，同时结合文本语义理解（文本纠错、专利挖掘）、时空数据知识建模、样本增强计算等应用需求，形成一套类人联想思维的建构生成知识系统建模与应用新方法。研究内容主要包括三个方面：1）建构主义学习理论的知识表示建模；2）建构联想演化的知识系统发展生成建模；3）建构知识网络的联想计算与应用。.基于研究内容的全面推进，项目研究主要在新的知识建模及知识计算方面取得了较为系列性的新技术创新。基础技术方面，通过引入建构主义学习理论，创新提出了知识关系的联想网络表示模型，以及建构主义本体关系学习方法。该新技术方法具有较强的基础独特性，是本项目研究取得的最重要技术成果。进而，围绕上述基础创新，结合文本语义理解（文本纠错、专利挖掘）、时空数据知识建模、样本增强计算等应用需求，主要地创新提出了知识概念空间上的联想关系记忆建模新方法、基于联想网络的专利技术演化脉络分析方法、基于知识关系建模的对抗多任务中文文本纠错方法、面向时空联合预测的图背景化的多任务学习方法、样本关系知识图上动态赋权近邻传播的数据增量采样方法等一系列新技术手段。相关技术可在文本语义理解的专利挖掘、中文文本纠错、时空数据知识挖掘、学习样本生成增强等方面实现有效的应用。上述技术已有效地应用于1项江苏省产业前瞻项目，1项工信部软件招标项目，以及1项国防科研项目，并有效地支撑它们的成功结题。