IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

吕金虎教授等:网络化知识与复杂网络(工程视角)

已有 751 次阅读 2022-9-30 15:48 |系统分类:博客资讯

研究背景

传统知识工程专注于从数据中提取有用信息,并形成知识以应用于实际。其代表性成果是知识图谱,在推荐系统、问答系统和翻译系统中得到了广泛的应用。知识图谱以图为拓扑结构,其中的节点代表实体,节点间的边代表实体之间的关系。1给出了一个以复杂网络研究为主题的知识图谱例子;2给出了知识图谱的一般性架构。

图片1.png

图1  以复杂网络研究为主题的知识图谱

图片2.png

图2  知识图谱架构

然而,随着移动互联网、云计算和大数据等技术的快速发展,传统知识工程和基于知识的软件工程所处的环境都发生了根本性的变化,复杂网络技术在其中扮演着越来越重要的角色。因此,开发基于网络的知识表示、为知识服务和知识工程开发新的方法和技术工具是当前所需解决的问题。在这样的背景下,本文基于复杂网络与深度学习技术,发展了传统知识工程的知识表示,提出了网络化知识的新框架。


成果介绍

复杂网络理论是研究复杂系统的有效方法,得益于其强大的抽象能力和表示能力,在传播、控制、因果预测、疾病预测与治疗等领域得到了广泛的应用,取得了大量的成果。复杂网络相关技术的出现为网络化知识的出现提供了强大的理论支持。

另一方面,大数据时代带来了海量的数据,深度学习技术的快速发展极大地促进了数据处理能力以及从数据中获取有用信息的能力,其中大量的算法已经被成功地运用到了知识工程中去,是网络化知识研究中重要的工具。

图片3.png

图3  网络化知识的涌现

北京航空航天大学吕金虎教授等在IEEE/CAA Journal of Automatica Sinica 2022年第8期中发表最新相关综述:J. H. Lü, G. H. Wen, R. Q. Lu, Y. Wang, and  S. M. Zhang,  “Networked knowledge and complex networks: An engineering view,” IEEE/CAA J. Autom. Sinica, vol. 9, no. 8, pp. 1366–1383, Aug. 2022. doi: 10.1109/JAS.2022.105737篇综述聚焦知识工程的最新进展,首先回顾了复杂网络、知识图谱、深度学习和网络化软件的历史发展和最新成果,随后依托于复杂网络框架以及深度学习的技术,推广了传统知识工程,提出了网络化知识的新框架。不同于以往文献中对网络化知识的描述和定义,本文所提出的网络化知识将知识以网络系统的结构进行组织,更关注于知识在相互作用、相互补充、相互制约后所激发出的一种整体知识的涌现,这是一种区别于个体知识的新知识。

网络化知识的概念在本文中被正式提出,其思想已经在之前研究中出现。本文最后回顾了网络化知识在生物网络、语义网络、社交网络和电网等领域的应用,并对未来的研究进行了探讨。在工业4.0时代,我们相信网络化知识的提出对知识工程的研究和应用有着其特有的作用。


作者及团队

吕.png

吕金虎,北京航空航天大学自动化科学与电气工程学院院长,软件开发环境国家重点实验室副主任,中科院数学与系统科学研究院研究员。获3项国家自然科学二等奖、全国创新争先奖、何梁何利科技进步奖、中国工程院光华工程青年奖、中科院青年科学家奖、国家杰青、国家万人领军人才、国家有突出贡献中青年专家等。研究兴趣包括工业互联网、复杂系统、协同控制与人工智能等。

温.png

温广辉,东南大学系统科学系教授。2017年获国家自然科学基金优秀青年基金,2018年获澳大利亚研究理事会早期职业生涯研究员奖(ARC DECRA Fellow),2019年获亚太神经网络学会青年研究奖,2020年入选教育部长江学者青年学者计划。2018年以来,持续被Clarivate Analytics评为高被引学者。研究兴趣包括自主智能系统、复杂网络系统分析与综合、分布式控制和优化、弹性控制和分布式强化学习。

陆.png

陆汝钤,中国科学院院士,中国科学院数学与系统科学研究院研究员,中国科学院计算技术研究所客座研究员。曾获国家科技进步二等奖、中国科学院科技进步一等奖(两次)、中国数学会华罗庚数学奖、中国计算机学会终身成就奖、中国人工智能学会吴文俊人工智能最高成就奖。研究兴趣包括人工智能、知识工程和基于知识的软件工程。

王.png

王勇,中国科学院数学与系统科学研究院研究员,国家杰出青年基金获得者。研究兴趣包括优化、数据科学和计算系统生物学。

张.png

张松懋,中国科学院数学与系统科学研究院研究员。研究兴趣包括本体匹配、知识图谱、语义网络中的知识表示和推理、基于人工智能的动画自动生成和数据挖掘。



https://blog.sciencenet.cn/blog-3291369-1357482.html

上一篇:基于渐进多源域迁移的无监督跨域目标检测
下一篇:基于GPR和深度强化学习的分层人机协作控制
收藏 IP: 159.226.20.*| 热度|

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-12-6 22:41

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部