博文
基于DIKWP模型的概念-语义联动不确定性建模与分析处理
|
Modeling and Analyzing Concept-Semantic Interaction Uncertainty Based on the DIKWP Model
基于DIKWP模型的概念-语义联动不确定性建模与分析处理
（2019-2023年版本）
段玉聪 教授
(Prof.Yucong Duan)
人工智能DIKWP测评国际标准委员会
世界人工意识大会
世界人工意识协会
(联系邮箱：duanyucong@hotmail.com)
报告正文
请勿删除或改动下述提纲标题及括号中的文字。
（一）立项依据与研究内容（建议8000字以下）：
1. 项目的立项依据（研究意义、国内外研究现状及发展动态分析，需结合科学研究发展趋势来论述科学意义；或结合国民经济和社会发展中迫切需要解决的关键科技问题来论述其应用前景。附主要参考文献目录）；
1.1研究意义
当前海南自由贸易港发展中生态旅游、医养康一体化、热带农业等产业特色明显，本地小微“互联网+”企业对自贸港数字化服务与智慧海南发展有丰富数据与经验积淀，相对即将进入海南自贸港的国际大企业，有本地市场实践积累的数据、信息、知识和智慧(Data, Information, Knowledge, Wisdom, DIKW)资源乃至需求意图(Purpose)细化[1][2][3][4]的不对称优势，并且有本地资讯传播网络和社会化先机，进而在许多业务垂直细分端有进行原创创新和本地化DIKW资源融合及业务需求重构的机遇。这是响应国家发展新质生产力从供给侧改革借助人工智能与大数据技术提升现代服务业并衔接终端用户的数字锚点，也是满足面向个性化、差异化的全社会降本提效，促进数字经济发展和数字治理融合的智能化建设基础。
图1 主客观交互的不完整、不精确、不一致背景
小微企业汇集了大量分散的DIKW资源与意图资源（合称DIKWP资源），是“隐形大数据”、“隐形大信息”、“隐形大知识”、“隐形大智慧”、“隐形大意图”的总池化与大融合来源。依据Paul M. Romer关于企业专业化是经济持续增长引擎的论证，小微企业是培养工匠精神，塑造“大国工匠”，滋养专业化的重要阵地，也是落实全社会发展新质生产力的基层动力源。促进发展小微服务企业将激发并盘活地方数字经济资源存量，也是优化“线下一公里”解决方案和繁荣海南自贸港创新创业数据链、信息链、知识链、价值链、供应链、产业链乃至治理链多链跨链数字融合的基础[5]。小微企业往往客户群体规模较小，业务相对单一，没有大企业所具有的DIKWP规模效益和回旋抗风险韧性，在成长过程中对服务资本与资源竞争的承受度较差，在向通用度高的一切皆服务(Everything as a Service, XaaS)的智慧服务化方向缺乏规模化DIKWP优势。另外由于小微服务企业群体产业链、业务链、供应链环节分散，管理与服务价值链结构缺乏优化与配置不均衡，孵化、创新、创业、运营等服务创新链不完整，DIKWP服务化数据孤岛与信息烟囱多，严重制约了以培育高精尖特色数字经济为导向的、覆盖创新链-产业链-供应链-治理链的小微企业社群数字经济服务生态的形成[6]。迫切需要将业务逻辑复杂、标准不统一、资源种类庞杂、用户需求多变的小微服务企业在分散地域、空域、时域和细分领域的细碎数据、环境信息、客户偏好、消费习惯等不完整、不精确、不一致、主客观混合的小数据、小信息、小知识、小智慧、小意图对应的数字服务资源汇集融合（图1）构建线上线下一体化的共享数字经济基础设施，建立DIKWP价值协同共创的数字经济生态，形成以培育专精特尖数字服务企业为中心，面向DIKWP资源与服务融合驱动的小微企业社群方式数字化转型与成长平台。
随着数字服务经济的蓬勃发展[7]，越来越多的小微服务企业依托自身特色的的DIKWP资源，以API等泛在服务(Ubiquitous Service)[8]参与全球价值链(Global value chains, GVCs)上的竞争，将直面互联网平台上有数据、资金、技术、经验、知识积累优势的大型企业所形成的不对称竞争。每个小微企业被淘汰均意味着本地特色的DIKWP资源的社会整体性价值损失。基于API和云平台等支撑，小微企业通过软件即服务(Software as a Service, SaaS)以社群、合作博弈[9]或者联盟[10]形式共享与交流DIKWP资源与服务是一种以DIKWP服务融合获得整体数字资源价值提升，并通过扩大共享降低价值链内服务获取成本，以抗衡各种风险和应对不确定性挑战的集体长期收益优化的解决方案。建设海南自由贸易港数字服务经济应鼓励小微服务企业以社群形式进行DIKWP服务共享合作，通过汇聚融合多源分散的DIKWP资源与服务，形成具有更完整、更精确、更一致、更客观的大数据、大信息、大知识、大智慧、大意图融合的“DIKWP大数据”，激发本地小微企业DIKWP服务创造力与活力，更好的落实数字经济发展过程中不同规模的企业发展机遇平等。
风险共担的利益共享服务合同/契约(Revenue/Profit Sharing Contract)[11][12][13][14][15][16]可以衔接多方DIKWP资源与服务助力协调各方实现利益最大化[17]。然而由于缺少DIKWP资源建模、DIKWP服务融合、DIKWP服务部署方面的方法与技术衔接，现有社群DIKWP服务协作(Cluster Driven)[18]往往停留在理论探索层面。例如服务交易[19][20][21]等关注服务数据、服务功能与服务质量的支付方式、交易手段和成本建模，尚缺少对DIKWP资源融合与转换等的研究。从经济管理策略到信息技术实现层面，支持小微数字服务企业以社群形式进行DIKWP泛在服务融合协作的建模机制、融合机理、实现机制研究不足，其核心困难是各学科之间的DIKWP交互鸿沟引起的不确定性的存在（图2）。斯坦福大学Wiederhold教授在2016年Communications of the ACM第1期上呼吁计算机科学家应主动联手经济学家解其中的跨学科研究过程的信息不均衡。面向DIKWP资源融合研究XaaS服务智慧化的服务化方法与机制是小微企业构建数字经济协同创新社群生态所急需的。DIKWP资源及服务不匹配导致的DIKWP处理不确定性是DIKWP服务化建模、设计与融合的基础技术挑战。
图2 服务协作数字鸿沟及DIKWP服务融合不确定性
语义[22]是人使用概念符号组成的语言进行思考和交流的本质认知内容。诺贝尔物理学奖获得者Philip W. Anderson[23]指出基于还原论构建科学解释失败的根源往往源自对基本概念的认知错误。构建形式化的DIKWP概念的一致语义是DIKWP资源建模和服务化的理解基础，为消除DIKWP建模和处理的不确定性提供支撑。对语义的形式化工作通常尝试在计算机和计算机之间、人和计算机之间建立起对概念内容理解的一致性。概念的一致语义处理可以对应到从概念表达对应的概念空间到语义认知对应的语义空间的存在语义标识、本质语义确认、概念-实例-语义依赖关系与模式发掘等。主体表述内容的主客观语义范畴混淆[24]、主观语义的客观化处理不足、语义关联缺失、语义不精确、语义不一致、概念-语义映射漂移等[25][26]导致的不确定性长期制约人-机-物系统间服务数字化实现。例如数据服务、信息服务、知识服务、智慧服务、意图服务的服务协同[27][28]中资源匹配、服务组合与交互、评价受诸多因素影响，既包括服务资源的品质、价格与时效等基本数据和信息的统计与运算，也包括服务供给履约力、响应速度、信誉度、付款速度与协作机制潜力等高维度信息、知识与经验等的推理与评估。然而这些跨DIKWP类型的服务因素的描述、组织、评估、优化涉及的混合推理与计算[29]等的处理在实际场景中往往借助经典集合论、模糊集与相似度[30][31]等进行主观简化、抽象与定性-定量转换，其概念-语义处理方式本质上为主观方式[32][33]，缺乏对利益相关者(stakeholder)主观不确定性的客观转化、分析与消解。诺贝尔奖获得者Gerald Edelman与Giulio Tononi[34]从认识论角度强调科学研究中把客观世界和难以客观度量的内在主观世界结合的重要性。量子理论的创立者薛定谔[35]基于认知范畴提出将观察世界从主观转化为客观的客观化标准(Principle of Objectivation)，以及对主客观世界作整体研究的主观化标准(Principle of Subjectivation)。核心科学与工程概念[36]的内涵和外延语义的使用与提炼应伴随学科的持续分化，以及科学研究与工业实践融合的发展不断与时俱进。这要求从语言认知与表述源头探索客观不确定性与主观不确定性融合建模机制与不确定性消解方法。为解决DIKWP资源与服务处理不确定性导致的服务交互不畅与乃至服务处理过载，应建立概念-实例-语义协同溯源、组合与迁移的解释构建与评测方法。
项目关注不完整、不精确、不一致、乃至主客观融合的小数据、小信息、小知识、小智慧、小意图背景下的小微创业企业社群服务融合与协作[37][38][39]，认为应基于DIKWP资源融合与转换互补策略，解决DIKWP资源与服务主客观不匹配导致的不确定性[40]，研究支撑DIKWP服务融合与转化[41][42][43]的数据服务、信息服务、知识服务、智慧服务和意图服务匹配、交互、组合的基础方法与技术，保障[44]企业社群DIKWP资源互通与转化协作全生命周期[45]的建模[46]。
1.2国内外研究现状及发展动态分析
面向数字服务协同，Gereffi和Lee[18]提出了社群驱动的服务企业成长方法与机制。针对服务协作与竞争的优化，顾巧论等[9]比较了非合作博弈的服务协作均衡解决方案。面向服务价值链的实现，Mathew[10], Cusumano[20], Al-Roomi[19]等研究了SaaS的多种协作定价方式。面向服务实现，Martens等[21]分析了云服务的成本来源、支付与计算方式。针对服务组合生态建模，Gordijn等[47]构建了服务价值创造和转移的网模型e3value。智能服务合同(Smart Contract)[48][49]以交易机制数字化的形式保障服务交易的公平运行。数据区块链等技术可以实现去中心化服务资源存储、传输和信用证明。面向各种服务合作形式的选择，Cachon等[14][15]论证了利益共享服务协作优缺点。基于效率视角，李新明等[17]探讨了SaaS社群共享服务资源的有效性。从链的整体经济性视角，Giannoccaro[16]从产业经济的角度分析了利益共享服务链。面向服务共享的商业实现，陈菊红等[11]设计了收益共享服务的协作与协调机制。从数字经济的治理出发，陈剑峰等[50]研究了服务收益共享的权利和控制分配。李真等[12]进行了利益共享服务优化仿真实验，结合理论验证了利益共享服务协作的可行性。面向人工智能智能体的未来时代，Lin等[51]提出了基于服务合同的网络自主体的智能实施理论和模型。然而Assunção等[52]指出大数据即服务(Big Data as a Service, BDaaS)和分析即服务(Analytics as a Service, AaaS)发展的挑战就是缺少语义定义良好的数据服务合同。服务协作失败的重要风险是DIKWP资源与服务语义表述的不确定性与交互不确定性。
跨学科跨领域DIKWP服务交互与融合涉及对服务供应链的重构，需要跨学科的概念、理论、方法、技术等的概念-语义结合、知识与信息迁移、价值信息交流和评测衔接创新（图2）。其效用提升依赖于DIKWP概念-语义融合、转化与共享服务化的不确定性消解。服务代理[53][54][55]常被作为对服务协作不确定性进行转化并消除的机制，用来满足服务水平协议(Service Level Agreement, SLA)，桥接信誉[56]，增强互操作性[57][58]，以及弥补异构服务的语义差异。服务代理[59]还被用于支持服务资源的搜索、选择和分配。针对服务调用，Duan等[39][60][61]提出服务价值代理模型，用来应对DIKWP服务不匹配。面向数据与知识服务的混合处理需求，Budgen等[62]引入信息代理结合健康知识和数据，以增强面向语义的隐私保护。面向信息社会向智慧社会的转变场景，王飞跃等[13]等研究了从数据到信息到知识到智慧的集成及转化。在信息论方面，钟义信[63][64][65]基于语义构建了信息-知识-智能的转换与统一理论。从认知科学出发，骆翔宇等[66]设计了服务组合的概念语义认知模型。针对空天地海一体化协同数字化，李德仁[67]院士提出了由数据挖掘信息和知识进而构造智慧地球和智慧城市的策略。为了提高大规模数据处理交互理解，任磊等[68]设计了面向DIKW的大数据可视化。根据DIKW结构与语法-语义-语用-社会的符号学层次结构，姚锡凡等[69]提出人机物协同的制造模式。在工业互联网前沿，赵敏[70]提出基于DIKW体系升级中国工业互联网生态系统。面向自然语言处理，温有奎等[71][72]探讨了AI问答服务中知识到智慧的转化机制。虽然国内外长期从多领域对DIKW进行研究[73][74][75][76][77][78]与实践[79]，然而由于缺乏跨越概念空间和语义空间的对跨主客观语义[24]的统一建模与分析机制，对DIKWP相关概念-语义的融合与处理进展受限。Duan[80]面向本质语义与存在语义，提出关系定义一切语义模型(Relationship Defined Everything of Semantics, RDXS)，构建基于意图计算与推理的存在语义抽象确认机制[81]与本质语义辨识机制。面向校园安全态势感知，宋正阳[82]将感知数据、态势信息、安全规则与预防判断与决策布局等进行了DIKWP融合汇集。从创新落实新质生产力，湛楼高[83]研发了基于DIKWP的发明专利智能生成方法与技术。樊珂[84]为DIKWP理论进行了数学与逻辑融合的算法模块化设计。面向法律技术化实现需求，雷羽潇[85][86]进行了意图驱动的知情权、监督权与透明性相结合的语义司法探索。基于DIKWP融合模型，胡婷[87]进行了气象和抑郁疾病结合的医养康一体化分析与处理。结合认知心理学模型，黄越[88]研发了基于DIKWP转换的交互式智能填表系统，实现了偏见的语义识别与预防。面向公共安全领域，Liu等将DIKWP模型应用于关键公共设施的使用评价和维护中。针对游戏领域复杂交互处理，Yu等[90]借助DIKWP模型进行了数字服务体系的结构演变和复杂性分析。在面向气象的医养康一体化领域，Chen等[91]基于DIKWP模型整合与优化多源气象数字资源服务推荐、组合与流程优化。在服务机器人前沿领域，Song等[4]以意图驱动方式研究人机交互中服务质量与隐私风险。百度副总裁沈抖[92]指出大语言模型(Large Language Model, LLM)促进数据到智慧的DIKW转化过程，体现意图驱动在产业智能化时代的重要性。面向中国如何拥抱LLM为代表的新质生产力，窦尔翔等[93]提出DIKWP能够促进人类认知提升，强调在社会技术化过程中对LLM的解释和治理可以借助DIKWP模型实现。与DIKWP模型的核心要素一致，朱松纯[94]在2024年3月全国两会期间提出通用人工智能的判断标准蕴含了DIKWP的智慧W对应的价值对齐和DIKWP的以人为本的意图P对齐。
当前对自然语言处理为核心的服务语义理解与语义融合研究多基于场景知识图谱、事理知识图谱、时序知识图谱、图卷积神经网络、深度强化学习等方法进行多源DIKWP的概念-语义及上下文分析与检索。相关处理方法大多假设了目标内容的语义客观性是确定的，以及样本目标DIKWP内容是可客观标记的。然而对于更普遍的通用需求场景，很多语义内容是主客观混合[22]的，并且很多目标是难以从本质语义范畴进行客观概念-实例标记，或从存在语义范畴以群体方式完成概念-语义形式化传输[81][95][96]。并且由于基于统计模拟的方法通常假设的数据独立性、无偏性（完整性）以及信息一致性、知识规则完整性、智慧价值权衡、意图明确性等前提很难得到满足，导致基于相关假设构建的跨DIKWP资源处理模型可解释性、可靠性、迁移性等难以得到保障，更无法应用到小样本情形。2019年12月乔姆斯基与MIT的AI科学家Lex Fridman座谈[97]指出基于数据的处理未能从语义层面对世界本质进行理解方面的探寻，难以应对违反语言规则情形的语义识别等情形，要突破客观语义面向主观语义寻找认知的理解与解释机制。当前DIKWP融合方案缺乏有效的方式将知识图谱、机器学习、主观交互信息、专家知识与智慧策略结合，难以应对DIKWP资源与服务融合中常见的数据不完整、信息不一致、知识不完备、智慧策略不平衡、意图不明确等背景下的主客观语义范畴混淆、主观语义的客观化处理不足、语义关联缺失、语义不精确、语义不一致、概念-语义映射漂移等情形下的不确定性处理需求。在处理兼具逻辑性和艺术表现力的混合主客观的DIKWP[1][98][99]内容时在可解释、可信、负责任AI服务系统构建、数字服务安全保障等方面面对艰巨挑战。
图3 DIKWP图谱化概念架构
项目需要突破服务处理中源自对DIKWP服务语义完整性、一致性、精确性、正确性、客观性的传统假设，针对更普遍的数字服务资源背景中小微企业通常只拥有部分数据、部分信息、部分知识、部分智慧、部分意图的实际情况，面向小微企业社群服务组合与交互场景构建需求，借助DIKWP主客观语义融合处理与概念空间到语义空间资源转换补偿等消减服务处理中的不确定性。Eyles[31]基于社会统计学方法给出了主观客观化模型。面向服务描述与执行语义的融合，Duan等[100]基于DIKW概念架构将知识图谱扩展为相互关联的DIKWP图谱体系（图3）：数据图谱、信息图谱、知识图谱、智慧图谱、意图图谱。进而基于DIKWP图谱化体系映射不完整、不一致、不精确的主客观DIKWP资源（图4），进行DIKWP服务识别与转化的元模型表达[90]。并面向物联网、云计算和边缘计算结合场景[101][102]下的服务隐私保护[84]进行以DIKWP转化[103][104]为机制的服务化。社群服务发现通常采用基于数据分析的聚类策略[105]等。面向跨数据、信息、知识与智慧的语义空间可信服务发现，Yu等[106]基于DIKW融合建立了可信服务发现系统。针对社群服务链式协同，Wen等[107]借助活动知识图谱设计了跨工作流的服务发现。针对复杂服务的语义交互场景，何克清等[108]设计了面向异构、自治、动态的服务资源的语义互操作系统。面向服务协作的发展生命期，Xue等[6]提出基于价值熵模型的服务演化度量模型。结合行业细分服务需求，Brown等[32]设计了主客观服务因素融合的政策服务派送。面向认知空间服务推荐，Chu等[33]结合主客观服务因素构建了服务发现算法。针对服务质量监测与等级衡量，Eboli等[29]面向运输领域提出了主客观质量因素融合的服务评估方法。为了消除服务评估的主观性，Lu等[109]融合主客观方面给出了云服务可信性的评价模式。Qu等[110]将主客观评估结合提高云服务的可审计性。越来越多的主观客观化[35]方法和技术被从数字伦理[111]、神经科学[112]、元认知[113]、元科学[114]等领域提出。
图4 不完整、不一致、不精确的主客观DIKWP资源图谱化映射
图5 客观-主观 DIKWP资源图谱化语义转换与融合
另外社会信息服务交互网络中多维度、多模态、多尺度乃至介尺度DIKWP服务资源的加速生成，与开放域DIKWP服务融合与处理机制发展的相对滞后，对小微服务企业利益相关者的认知-处理平衡形成了巨大的建模及处理过载挑战。企业个体处理能力成长速度相对待处理DIKWP内容增长速度的下降，将导致小微服务企业对自身决策合理性的确定性的信心下降，及对自身决策主观不确定性[115]的忧虑增长。项目认为研究基于主观客观化[24][116]的DIKWP服务图谱化语义融合与交互（图5）方案，将有助于小微服务企业应对DIKWP处理不确定性增长带来的挑战（图6）。
图6 DIKWP资源与服务不确定性映射体系示意
在自然科学基金等组织的资助下，经过多年的持续研究，国内已经有许多单位如北京邮电大学[63]，哈尔滨工业大学[117]，南京航空航天大学[118]，南京理工大学[119]，中国科技大学[120]，上海交通大学[121]，华南理工大学[71]，中国科学院软件研究所[68]，中国科学院自动化研究所[13]等，从包括信息技术、经济管理乃至认知科学等领域出发，面向DIKWP资源转化与共享，在数据与知识服务融合、个性化建模、满意度模型构建、决策支持、服务概念-语义融合等相关方向进行研究，并具有了较高的学术水平，在数据服务、信息服务、知识服务、智慧服务、意图服务DIKWP组合融合构建等方面也取得了一定成果，但是由于该研究领域尚处于成长期，其相关理论、方法和技术的基础研究将是今后研究的重点。
综上所述，尽管近年来业界和学术界对不完整、不一致、不精确的主客观融合背景下的DIKWP服务化相关主题的关注越来越多，已有了相当的研究成果和解决方案，但关于这一课题的研究基本上还处于初期的探索阶段，要最终形成成熟的应用技术，还需要更深入的探索。基于海南自由贸易港发展数字经济背景下小微企业社群服务智慧化与资源互通共享的迫切需求，适时启动一些诸如DIKWP服务不确定性语义主观客观化建模与处理研究等关键支撑技术的研究课题是必要而且迫切的。
参考文献：
[1] Li Y, Duan Y, Maamar Z, et al. Swarm Differential Privacy for Purpose-Driven Data-Information-Knowledge-Wisdom Architecture[J]. Mobile Information Systems, 2021: 1-15.
[2] Li Y, Li Z, Duan Y, et al. Physical artificial intelligence (PAI): The next-generation artificial intelligence[J]. Frontiers of Information Technology & Electronic Engineering, 2023, 24(8): 1231-1238.
[3] Mei Y, Duan Y, Yu L, et al. Purpose Driven Biological Lawsuit Modeling and Analysis Based on DIKWP[C]. CollaborateCom, 2022: 250-267.
[4] Song M, Xing X, Duan Y, et al. Will artificial intelligence replace human customer service? The impact of communication quality and privacy risks on adoption intention[J]. Journal of Retailing and Consumer Services, 2022, 66: 102900.
[5] Duan Y, Pham V, Song M, et al. Ultimate of Digital Economy: From Asymmetric Data Economy to Symmetric Knowledge and Wisdom Economy[C]. SoMeT, 2023, 371: 85-96.
[6] Xue X, Zhou D, Chen F, et al. From soa to voa: a shift in understanding the operation and evolution of service ecosystem[J]. IEEE Transactions on Services Computing, 2021, 16(1): 315-329.
[7] Breiter G, Behrendt M, Gupta M, et al. Software defined environments based on TOSCA in IBM cloud implementations[J]. IBM Journal of Research and Development, 2014, 58(2/3): 9: 1-10.
[8] Hussain C, Ahmed C, Akbar A, et al. Ubiquitous Service Discovery in Pervasive Computing Environment[J]. Information Technology Journal, 2008, 7(3): 533-536.
[9] 顾巧论, 高铁杠, 石连栓. 基于博弈论的逆向供应链定价策略分析[J]. 系统工程理论与实践, 2005, 25(3): 20-25.
[10] Mathew M, Nair S. Pricing SaaS models: Perceptions of business service providers and clients[J]. Journal of Services Research, 2010, 10(1): 51-68.
[11] 陈菊红, 郭福利, 史成东. 需求具有价格敏感性的供应链收益共享契约设计研究[J]. 中国管理科学, 2008(3): 78-83.
[12] 李真, 程书萍, 李迁等. 基于收益共享合同的工程质量优化研究[J]. 运筹与管理, 2013, 22(1): 164-170.
[13] 王飞跃,王晓,袁勇等. 社会计算与计算社会:智慧社会的基础与必然[J]. 科学通报, 2015, 60(Z1): 460-469.
[14] Cachon G. Supply Chain Coordination with Contracts[J]. Handbooks in Operations Research & Management Science, 2003, 11(3): 227-339.
[15] Cachon G, Lariviere M. Supply chain coordination with revenue-sharing contracts: strengths and limitations[J]. Management Science, 2005, 51(1): 30-44.
[16] Giannoccaro I, Pontrandolfo P. Supply chain coordination by revenue sharing contracts[J]. International Journal of Production Economics, 2004, 89(2): 131-139.
[17] 李新明, 廖貅武. 服务供应链视角下SaaS模式免费试用策略分析[J]. 运筹与管理, 2013,22(5): 43-50.
[18] Gereffi G, Lee J. Economic and Social Upgrading in Global Value Chains and Industrial Clusters: Why Governance Matters[J]. Journal of Business Ethics, 2014:1-14.
[19] Al-Roomi M, Al-Ebrahim S, Buqrais S, et al. Cloud Computing Pricing Models: A Survey[J]. International Journal of Grid & Distributed Computing, 2013, 6(5):93-106.
[20] Cusumano M. The changing labyrinth of software pricing[J]. Communications of the ACM, 2007, 50(7): 19-22.
[21] Martens B, Walterbusch M, Teuteberg F. Costing of Cloud Computing Services: A Total Cost of Ownership Approach[C]. IEEE HICSS, 2012: 1563-1572.
[22] Millikan R. Varieties of Meaning[J]. Studies in Cognitive Systems, 2004: 287-326.
[23] Anderson P. More is different[J]. Science, 1972, 177(4047): 393-396.
[24] Angela S. Want to do better science? Admit you're not objective[J]. Nature, 2020, 579: 175.
[25] Gillespie A, Cornish F. Intersubjectivity: Towards a dialogical analysis[J]. Journal for the Theory of Social Behaviour, 2010, 40(1): 19-46.
[26] Heylighen F. Objective, subjective and intersubjective selectors of knowledge[J]. Evolution and Cognition, 1997, 3(1): 63-67.
[27] 方伯芃, 孙林夫. 不确定环境下的产业链生产与配送协同调度优化[J]. 计算机集成制造系统, 2018, 24(1): 33-54.
[28] 吕瑞. 基于云平台的多核服务价值链协同技术研究[D]. 西南交通大学, 2019.
[29] Eboli L, Mazzulla G. A methodology for evaluating transit service quality based on subjective and objective measures from the passenger's point of view[J]. Transport Policy, 2011, 18(1): 172-181.
[30] 杨柳. 模糊本体建模方法及语义信息处理策略研究[D]. 中南大学, 2011.
[31] Eyles J. Objectifying the subjective: the measurement of environmental quality[J]. Social Indicators Research, 1990, 22(2): 139-153.
[32] Brown K, Coulter P. Subjective and objective measures of police service delivery[J]. Public Administration Review, 1983, 43(1): 50-58.
[33] Chu V, Wong R, Chen W, et al. Service discovery based on objective and subjective measures[C]. IEEE SCC, 2013: 360-367.
[34] Edelman G, Tononi G. A Universe of Consciousness: How Matter Becomes Imagination[M]. Basic books, 2008.
[35] Schrodinger E. What is life?: With mind and matter and autobiographical sketches[M]. Cambridge University Press, 2012.
[36] 叶继元, 陈铭, 谢欢等. 数据与信息之间逻辑关系的探讨——兼及DIKW概念链模式[J]. 中国图书馆学报, 2017(3): 34-41.
[37] Collopy P, Hollingsworth P. Value-driven design[J]. Journal of Aircraft, 2011, 48(3):749-759.
[38] Duan Y. Value modeling and calculation for everything as a service (xaas) based on reuse[C]. IEEE ACIS, 2012: 162-167.
[39] Duan Y, Huang K, Kattepur A, et al. Towards Value-Driven Business Modelling Based on Service Brokerage[C]. ICSOC, 2013: 163-176.
[40] Duan Y, Narendra N, Du W, et al. Exploring cloud service brokering from an interface perspective[C]. IEEE ICWS, 2014: 329-336.
[41] Bratanis K, Kourtesis D, Paraskakis I, et al. A research roadmap for bringing continuous quality assurance and optimization to enterprise cloud service brokers[C]. eChallenges, 2013: 1-8.
[42] Gartner Research. Cloud Service Brokerage[EB/OL]. http://www.gartner.com/it-glossary/ cloud-services-brokerage-csb.
[43] Liu F, Tong J, Mao J, et al. NIST cloud computing reference architecture[C]. SERVICES, 2011, 500: 1-28.
[44] Duan Y. A survey on service contract[C]. IEEE ACIS, 2012: 805-810.
[45] Neto J, Hirata C. Lifecycle for Management of E-contracts Based on Web Service[C]. WCECS, 2013, 1: 1-7.
[46] Duan Y, Narendra N, Hu B, et al. A Survey on the Categories of Service Value/Quality/Satisfactory Factors[J]. Computer and Information Science, 2015: 141-152.
[47] Gordijn J, Yu E, Van D. E-service design using i* and e3value modeling[J]. IEEE Software, 2006, 23(3): 26-33.
[48] Angelov S. Foundations of B2B electronic contracting[D]. Technische Universiteit Eindhoven, 2006.
[49] Norta A. Creation of Smart-Contracting Collaborations for Decentralized Autonomous Organizations[C]. BIR, 2015: 3-17.
[50] 陈剑, 陈剑锋. 基于收益共享合同的虚拟企业控制权力分配[J]. 清华大学学报: 自然科学版, 2009, 49(3): 447-451.
[51] Lin R, Kraus S. Can automated agents proficiently negotiate with humans?[J]. CACM, 2010, 53(1):78-88.
[52] Assunção M, Calheiros R, Bianchi S, et al. Big Data computing and clouds: Trends and future directions[J]. Journal of Parallel & Distributed Computing, 2014, 75: 3-15.
[53] Casati F, Ilnicki S, Jin L, et al. Adaptive and dynamic service composition in eFlow[C]. CAiSE, 2000: 13-31.
[54] Farmer R, Raybone A, Uddin R, et al. Metadata Discovery for a Service-Broker Architecture[C]. IEEE ICEBE, 2008: 173-178.
[55] Moore B, Mahmoud Q. A service broker and business model for saas applications[C]. AICCSA, 2009: 322-329.
[56] Lin K, Lu H, Yu T, et al. A reputation and trust management broker framework for web applications[C]. IEEE International Conference on e-Technology, e-Commerce and e-Service., 2005: 262-269.
[57] Bichler M, Segev A, Beam C. An Electronic Broker for business-to-business electronic commerce on the Internet[J]. International Journal of Cooperative Information Systems, 1998, 7(4): 315-329.
[58] Loreto S, Mecklin T, Opsenica M, et al. Service broker architecture: location business case and mashups[J]. IEEE Communications Magazine, 2009, 47(4): 97-103.
[59] D'Mello D, Ananthanarayana V, Thilagam P. A QoS Broker Based Architecture for Dynamic Web Service Selection[C]. AMS, 2008: 101-106.
[60] Duan Y, Kattepur A, Zagarese Q, et al. Service value broker patterns: Integrating business modeling and economic analysis with knowledge management[C]. IEEE SOCA, 2013: 140-145.
[61] Duan Y, Wang Y, Wei J, et al. Value-Added Modelling and Analysis in Service Value Brokerage[C]. ICSOC, 2013: 209-222.
[62] Budgen D, Rigby M, Brereton P, et al. A Data Integration Broker for Healthcare Systems[J]. Computer, 2007, 40(4): 34-41.
[63] 钟义信. 知识论：核心问题——信息-知识-智能的统一理论[J]. 电子学报,2001, 29(4): 526-530.
[64] 钟义信. 信息转换原理:信息、知识、智能的一体化理论[J]. 科学通报, 2013, 58(14): 1300-1306.
[65] Zhong Y. A Theory of Semantic Information[J]. 中国通信, 2017, 14(1): 1-17.
[66] 骆翔宇, 谭征, 苏开乐等. 一种基于认知模型检测的 Web 服务组合验证方法[J]. 计算机学报, 2011, 34(6): 1041-1061.
[67] 李德仁. 展望大数据时代的地球空间信息学[J]. 测绘学报, 2016, 45(4): 379-384.
[68] 任磊, 杜一, 马帅等. 大数据可视分析综述[J]. 软件学报, 2014, 25(9): 1909-1936.
[69] 姚锡凡, 练肇通, 杨屹等. 智慧制造——面向未来互联网的人机物协同制造新模式[J]. 计算机集成制造系统, 2014, 20(6): 1490-1498.
[70] 赵敏, 朱铎先, 刘俊艳. 人本：从工业互联网走向数字文明 网络技术[M]. 机械工业出版社, 2023.
[71] 温有奎, 乔晓东. 大数据下智慧发现服务平台研究[J]. 情报学报, 2015, 34(11): 1181-1189.
[72] 温有奎, 温浩, 乔晓东. 让知识产生智慧——基于人工智能的文本挖掘与问答技术研究[J]. 情报学报, 2019, 38(7): 722-730.
[73] 顾大权, 刘高飞. 对数据、信息、知识和智慧的研究与思考[J]. 长春大学报, 2012, 22(4): 399-401.
[74] 荆宁宁, 程俊瑜. 数据、信息、知识与智慧[J]. 情报科学, 2005(12): 1786-1790.
[75] Buckland M. Information as thing[J]. Journal of the American Society, 1991, 42(5): 351-360.
[76] Cooper P. Data, information, knowledge and wisdom[J]. Anaesthesia & Intensive Care Medicine, 2014, 15(1): 44-45.
[77] Frické M. The knowledge pyramid: a critique of the DIKW hierarchy[J]. Journal of Information Science, 2009, 35 (2): 131-142.
[78] Rowley J. The wisdom hierarchy: representations of the DIKW hierarchy[J]. Journal of Information Science, 2010, 33(2): 163-180.
[79] 甘永成. 虚拟学习社区中的知识建构和集体智慧研究[D]. 华东师范大学, 2004.
[80] Duan Y. Existence computation: Revelation on entity vs. relationship for relationship defined everything of semantics[C]. SNPD, 2019: 139-144.
[81] Duan Y. Towards a Periodic Table of conceptualization and formalization on State, Style, Structure, Pattern, Framework, Architecture, Service and so on[C]. SNPD, 2019: 133-138.
[82] 宋正阳. 校园安全态势感知与自动报警系统设计与实现[D]. 海南大学, 2020.
[83] 湛楼高. 基于DIKW的发明专利智能申请与答复系统的设计与实现[D]. 海南大学, 2021.
[84] 樊珂. 面向DIKW的内容建模研究和处理实践[D]. 海南大学, 2022.
[85] 雷羽潇. 面向DIKW图谱的AI治理技术化方法研究[D]. 海南大学, 2022.
[86] 雷羽潇, 段玉聪. 面向跨模态隐私保护的AI治理法律技术化框架[J]. 计算机科学, 2021, 48(9): 9-20.
[87] 胡婷. 面向DIKWP的医养康一体化建模、分析与系统实现[D]. 海南大学, 2023.
[88] 黄越. 基于DIKWP的可信、可靠与负责任的智能填表建模与验证研究[D]. 海南大学, 2023.
[89] Liu Y, Wang W, Wang W, et al. Purpose-Driven Evaluation of Operation and Maintenance Efficiency and Safety Based on DIKWP[J]. Sustainability, 2023, 15(17): 13083.
[90] Yu L, Duan Y, Li K. A real-world service mashup platform based on data integration, information synthesis, and knowledge fusion[J]. Connection Science, 2021, 33(3): 463-481.
[91] Chen L, Wei X, Chen S, et al. Reconstruction of Smart Meteorological Service Based on DIKW[C]. IEEE DIKW, 2021: 2180-2183.
[92] 沈抖. 大模型 产业智能化时代的新引擎[EB/OL]. https://baijiahao.baidu.com/s?id=1768221774643215044&wfr=spider&for=pc, 2023-06-09.
[93] 窦尔翔, 段玉聪. 升维超越：中国应对GPT-AGI的战略选择[J]. 海南大学学报(人文社会科学版), 2023, 41(4): 61-73.
[94] 朱松纯. 通用人工智能关键要为机器“立心”[EB/OL]. http://paper.people.com.cn/rmrb/html/2024-03/11/nw.D110000renmrb_20240311_1-11.htm. 2024-03-10.
[95] Duan Y, Sun X, Che H, et al. Modeling data, information and knowledge for security protection of hybrid IoT and edge resources[J]. IEEE Access, 2019, 7: 99161-99176.
[96] Duan Y, Lu Z, Zhou Z, et al. Data privacy protection for edge computing of smart city in a DIKW architecture[J]. Engineering Applications of Artificial Intelligence, 2019, 81: 323-335.
[97] Lex Fridman with Noam Chomsky on Deep Learning, Language and Cognition[EB/OL]. https://www.newworldai.com/lex-fridman-noam-chomsky-deep-learning-language-cognition/, 2019-12-02.
[98] Hu T, Duan Y. Modeling and Measuring for Emotion Communication based on DIKW[C]. SERVICES, 2021: 21-26.
[99] Huang Y, Duan Y. Towards Purpose Driven Content Interaction Modeling and Processing based on DIKW[C]. SERVICES, 2021: 27-32.
[100] Duan Y, Shao L, Hu G. Specifying Knowledge Graph with Data Graph, Information Graph, Knowledge Graph, and Wisdom Graph[J]. International Journal of Software Innovation (IJSI), 2018, 6(2): 10-25.
[101] Gao H, Huang W, Duan Y. The Cloud-edge-based Dynamic Reconfiguration to Service Workflow for Mobile Ecommerce Environments: A QoS Prediction Perspective[J]. ACM Transactions on Internet Technology, 2021, 21(1): 1-23.
[102] Song M, Duan Y, Huang T, et al. Inter-Edge and Cloud conversion accelerated user-generated content for virtual brand community[J]. EURASIP Journal on Wireless Communications and Networking, 2020(1): 1-17.
[103] Gao H, Duan Y, Shao L, et al. Transformation-based processing of typed resources for multimedia sources in the IoT environment[J]. Wireless Networks, 2019, 27: 1-17.
[104] Song Z, Duan Y, Wan S, et al. Processing optimization of typed resources with synchronized storage and computation adaptation in fog computing[J]. WCMC, 2018: 1-13.
[105] 李征, 王健, 张能等. 一种面向主题的领域服务聚类方法[J]. 计算机研究与发展, 2014, 51(2): 408-419.
[106] Yu L, Duan Y. Trusted Service Provider Discovery Based on Data, Information, Knowledge, and Wisdom[J]. IJSEKE. 2021, 31(1): 3-19.
[107] Wen J, Zhou Z, Wang Y, et al. Discovering Crossing-Workflow Fragments Based on Activity Knowledge Graph[C]. OTM, 2019: 515-532.
[108] He K, Wang J, Liang P. Semantic interoperability aggregation in service requirements refinement[J]. Journal of Computer Science and Technology, 2010, 25(6): 1103-1117.
[109] Lu L, Yuan Y. A novel TOPSIS evaluation scheme for cloud service trustworthiness combining objective and subjective aspects[J]. Journal of Systems and Software, 2018, 143: 71-86.
[110] Qu L, Wang Y, Orgun M, et al. CCCloud: Context-aware and credible cloud service selection based on subjective assessment and objective assessment[J]. IEEE Transactions on Services Computing, 2015, 8(3): 369-383.
[111] Thompson T, Cortes C. Objectifying the Subjective: toward the Development of a Computerized Database of the Treatment of Ethnicity and Foreignness in American Motion Pictures[J]. Characterization, 1987: 1-7.
[112] Taylor M, Scott S, Steineck A, et al. Objectifying the subjective: the use of heart rate variability as a psychosocial symptom Biomarker in hospice and palliative care research[J]. Journal of Pain and Symptom Management, 2021, 62(3): e315-e321.
[113] Questienne L, Atas A, Burle B, et al. Objectifying the subjective: Building blocks of metacognitive experiences in conflict tasks[J]. Journal of Experimental Psychology: General, 2018, 147(1): 125-131.
[114] Schooler J. Metascience could rescue the 'replication crisis'[J]. Nature, 2014, 515(7525): 9.
[115] Sanfey A. Social decision-making: insights from game theory and neuroscience[J]. Science, 2007, 318(5850): 598-602.
[116] Benjamin J. An outline of intersubjectivity: The development of recognition[J]. Psychoanalytic psychology, 1990, 7(S): 33-46.
[117] 马超, 王忠杰, 徐晓飞. 价值知觉的迭代式服务建模方法[J]. 智能计算机与应用, 2013, 3(2): 6-10.
[118] 白琳. 顾客感知价值、顾客满意和行为倾向的关系研究述评[J]. 管理评论, 2009, 21(1): 87-93.
[119] 孟庆良. 客户价值驱动的客户关系管理研究[D]. 南京理工大学, 2006.
[120] 刘安. Web服务驱动的业务流程的容错性研究[D]. 中国科学技术大学, 2008.
[121] 耿秀丽. 顾客价值驱动的产品服务系统方案设计建模与决策技术研究[D]. 上海交通大学, 2012.
2. 项目的研究内容、研究目标，以及拟解决的关键科学问题（此部分为重点阐述内容）；
2.1研究目标
本项目遵循“服务语言描述与语义执行结合导向、DIKWP服务资源融合与转换理论与方法研究、不确定性消解优化关键技术攻关、服务自贸港新质生成力原型平台验证”总体研究思路。面向海南自贸港跨越式高质量发展任务，围绕数字经济发展中海南小微企业新质生成力发展资源瓶颈现状：“数据规模小、信息内容散、知识积累薄、科技能力弱”，以小微企业社群方式汇集融合分散地域、空域和细分领域的数据、环境、客户偏好、消费习惯、决策经验等不完整、不精确、不一致乃至主客观混合的小数据、小信息、小知识、小智慧、小意图对应的DIKWP资源，进行数字服务化建设（图7）。针对DIKWP资源表述“杂”、数据烟囱“多”、信息孤岛“散”、知识推理“偏”、智慧协调“缺”、意图整合“难”，社群服务协作效率“低”等服务化挑战，开展面向DIKWP服务不确定性的建模与处理机制研究。针对不完整、不一致、不精确的主客观混合的DIKWP服务交互与处理对应的可解释性、可信性与可靠性相关语义不确定性，进行概念-实例-语义映射、认知溯源与主观客观化形式转换。基于融合认知语言学、信息科学、神经科学、生物社会学、后批判哲学与元科学的“Gene-culture Coevolutionary Theory(Edward O. Wilson)”内容关联框架以及“Personal Knowledge(Michael Polanyi)”主客观化知识纲领，系统性结合康德概念转化模式方法、维特根斯坦结构理论、叔本华与乔姆斯基语言理论、海德格尔存在分析、罗素数理等，探索兼顾服务交互可解释与效率提升的服务主观语义客观化、存在语义溯源、本质语义澄清等。
基于多尺度、模糊乃至介尺度概念与语义融合的意图计算与推理机制(Purpose Computation and Reasoning, PUCR)、存在计算与推理机制(Existence Computation and Reasoning, EXCR)与本质计算与推理机制(Essence Computation and Reasoning, ESCR)构服务语义客观化公理体系。研究从数据、信息、知识、智慧、意图DIKWP统一定义到服务描述模型和语义执行模型融合机理，突破基于DIKWP融合的主观与客观交互的不确定性识别与分析、多源主客观交互过程的不确定性语义消解机制等共性关键技术。研发支持“感汇集”（DIKWP-数据图谱化汇聚与统计）、“联一致”（DIKWP-信息图谱化关联与归并）、“知正确”（数据-信息-知识跨DIKWP图谱推理与计算）、“慧平衡”（DIKWP-智慧价值图谱化与数据-信息-知识资源关联协同）、“信驱动”（DIKWP-意图图谱化驱动的可信、可解释的功能细化与效率提升）的高效、便捷、健壮的存储-计算-传输一体化的服务不确定性建模、分析、解释和评测体系。开展面向高效、可信自贸港数字服务化与服务治理的意图融合的DIKWP资源汇集、服务创建与管理平台研发与应用验证。解决小微服务企业数字资源量小、采集代价高，信息范围窄、经验主观性强，知识积累慢、技术专业性低，决策智慧度低、偏颇多，意图目标与实现距离远、优化难等DIKWP服务化不确定性相关问题。进而提高小微数字服务企业以社群方式实现DIKWP服务资源依托概念空间结合认知空间进行语义空间融合的可行性。推进数字服务转换效率优化、服务精准度提高和用户满意度提升，有效降低小微服务企业发展新质生产力的创新、创业与管理成本。本项目将为海南自由贸易港跨越式数字化升级与数字经济营商环境改善提供创新模式、基础理论方法与模型、关键技术与原型平台实践。
图7 DIKWP XaaS服务化基础业务体系
2.2拟解决的关键科学问题
（1）关键科学问题一：DIKWP形式化定义及描述模型和执行模型融合机理
融合内容多源庞杂且关联复杂度高的地域、空域分散、领域细分、异构且繁杂的数据、环境、客户偏好、消费习惯、决策等不完整、不精确、不一致乃至主客观混合的小数据、小信息、小知识、小智慧、小意图要求对DIKWP资源进行概念-语义形式化与交互建模。为深入揭示DIKWP服务资源之间关联与转换的语义机制，以解决当前现有DIKWP服务资源之间的概念描述与语义执行关联弱、缺少形式化模型、处理算法黑箱解释性差，无法满足DIKWP服务冷启动、低算力处理等要求，需要研究DIKWP形式化定义及描述模型和语义执行模型融合机理。通过研究不完整、不一致、不精确的主客观融合背景下的DIKWP服务化与服务交互的可解释性、可信性与可靠性蕴含的不确定性语义的概念-实例-语义表达、映射、溯源与主观客观化转换等技术，跨概念空间、认知空间和语义空间构建面向不完整、不精确、不一致的主观与客观交互的不确定性识别与分析。从而为不确定性识别、评估、处理以及管理等提供面向语义的资源检索、计算与推理等方法、模型和技术支撑。因此，探索DIKWP形式化定义及描述模型和执行模型融合机理，研究建立满足DIKWP资源统一表达、冷启动和低运算高效率的DIKWP语义融合模型，是本项目研究的关键科学问题之一。
（2）关键科学问题二：面向DIKWP融合的主观与客观混合的服务不确定性识别与分析
海南自贸港小微企业服务化创新与成长所需的DIKWP资源供给总体不足与服务需求增长之间的矛盾日益突出，而且小微服务企业的DIKWP数字资源与服务的完整性、一致性、精确性与客观性难以保障、企业个体DIKWP资源融合能力弱、融合代价高且效率低等问题更是困扰和制约海南小微企业实现数字经济发展的降本提质增效。小微服务企业群体拥有的数据、环境、客户偏好、消费习惯往往异构且多源庞杂，尤其是概念-语义主客观混合且关联复杂度高的DIKWP资源服务细化和推荐的不确定性难以克服。这些都影响小微企业以社群方式有效汇集与共享DIKWP资源，以及基于DIKWP服务的决策的准确性与正确性的提升。解决这些问题需要面向自然语言表述内容服务化、智能化及服务融合中的多维度、多尺度概念语义内容进行关联建模与分析，探索融合包含先验知识假设的主观内在世界与外在客观世界的服务存在语义辨识机制，并解析复杂服务交互的不确定性的本质语义。从DIKWP内容概念-语义映射不确定性、标记不确定性、更新不确定性、处理迁移不确定以及动态演化不确定性等维度，借助关系定义一切语义模型进行存在语义依赖分析及路径溯源的形式化。以揭示语义主客观化转化、变迁和演化的认知不确定性变化机理，探索DIKWP资源表述的不确定性的本质语义澄清方法和突破DIKWP服务概念-语义分离现状的主观客观化自动处理基础机制，包括存在语义确认，本质语义识别，语义溯源与概念化分析，以及语义不确定性判定、表示、分析及再概念化优化。面向小微服务企业社群成长的不完整、不精确、不一致乃至主客观混合DIKWP服务融合，实现基于描述模型和执行模型协同的主客观交互不确定性双向映射与识别分析，是本项目研究的关键科学问题之一。
（3）关键科学问题三：多源主客观交互过程的DIKWP不确定性语义消解机制
高质量的DIKWP资源转换补偿、校验、优化与可解释是小微企业社群方式汇集不完整、不一致、不精确的主客观交互DIKWP资源进行高效共享的前提和基础。然而，数据、信息、知识、智慧、意图各自概念范畴及跨范畴的推理与计算方式不统一，跨DIKWP的服务主体协作关联语义维度多、关联尺度杂、关联转换复杂等等问题，导致了小微企业社群共享的DIKWP资源主客观混淆、价值低、可靠性差、可信度不足，给跨DIKWP资源的不确定性语义消解带来了极大的挑战。多源跨区域、跨机构、跨网络、跨系统的不完整、不一致、不精确的主客观交互背景下的全流程、全生命周期DIKWP服务不确定性语义消解难以直接借助通常依赖完整性假设、精确性假设、一致性假设等主观假设的计算与推理机制。该消解过程的有效实现，需要跨越概念空间、认知空间和语义空间建立基于语义整体性的兼容先验知识的主观客观化融合的语义计算与推理体系，并从资源输入、输出、问题处理背景上构建意图计算与推理机制、存在计算与推理机制与本质计算与推理机制等。进而进行DIKWP资源的不确定性的不完整、不一致、不精确性的识别与分析，构建DIKWP资源语义转换补偿、校验、解释与优化。包括DIKWP不确定性的图谱化存在语义的溯源，以及面向本质语义的转换等DIKWP融合增强与校验更正等。为此，需要面向多源主客观交互过程的DIKWP不确定性语义消解建立基于意图计算与推理机制、存在计算与推理机制与本质计算与推理机制的主观客观化处理体系，发展可解释、可信、可靠的DIKWP不确定性语义消解方案，是本项目研究的关键科学问题之一。
2.3研究内容
本项目面向小微数字服务企业创新创业的数字化和智能化领域DIKWP资源与服务互通和共享基础理论、方法与技术前沿，以支撑小微企业社群协作为中心、探索覆盖全生命周期DIKWP资源与服务互通共享的不确定性识别、建模与处理。拟研究多源跨区域、跨机构、跨网络、跨系统的不完整、不一致、不精确的主客观交互背景下的DIKWP描述模型和执行模型融合机理、基于DIKWP融合的主观与客观交互的不确定性识别与分析方法、多源主客观交互过程的DIKWP不确定性语义消解机制等核心关键技术。面向小微服务企业社群创新创业数据链、信息链、知识链、价值链、供应链、产业链乃至治理链多链跨链融合DIKWP资源与服务互通共享，研发全周期、全流程的存储-计算-传输一体化的兼顾隐私保护的公平、公正、透明法律技术化原型平台。形成面向小微企业社群资源互通共享的DIKWP服务不确定性建模与处理整体解决方案，并拟对意图驱动的高效可信自贸港数字经济发展与服务治理相关行业数字信用建设、医养康一体化等小微企业社群成长具体场景，开展原型验证。总体思路如图8所示。
（1）研究内容一：DIKWP语义元建模及图谱化映射与关联方法
面向不完整、不一致、不精确的主客观交互背景下的DIKWP语义元建模及图谱化映射与关联方法是本项目基础理论方法部分，将以DIKWP概念描述和语义执行融合，并图谱化赋能小微企业自主识别、管理与评估自身的主客观DIKWP资源与公平公正的进行社群DIKWP服务资源池的创建、互通、共享服务化为目标。在DIKWP语义元建模阶段，重点研究面向多源小微服务企业业务DIKWP描述概念-执行语义统一建模的理论方法，进而结合存在语义与本质语义识别与分析方法，构建DIKWP描述概念-执行语义语义辨识元模型与概念关联模型。在DIKWP图谱化阶段，依托DIKWP描述概念-执行语义语义辨识元模型与概念关联模型进行概念-语义关联的DIKWP模型映射，研究基于自然语言表述内容的小微企业数字能力和业务运营的DIKWP资源与服务识别技术。进而结合业务逻辑、客户偏好、消费习惯、实时运营状况等多维度DIKWP资源，动态构建面向小微企业社群主客观融合交互与管理的DIKWP图谱，实现将客观共识、主观认知以及主客观融合语义映射到DIKWP数据图谱、DIKWP信息图谱、DIKWP知识图谱、DIKWP智慧图谱与DIKWP意图图谱。
图8 研究内容与验证规划
（2）研究内容二：基于DIKWP图谱化的不确定性语义溯源与演化
基于DIKWP图谱化的不确定性语义溯源与演化技术是本项目实现基于小微企业社群DIKWP资源图谱的服务细化、推荐和决策的完整性、一致性、精确性与客观性提升的关键技术。在DIKWP图谱不确定性语义溯源方面，首先研究面向同类型DIKWP数据图谱、DIKWP信息图谱、DIKWP知识图谱、DIKWP智慧图谱、DIKWP意图图谱之间概念-实例的差异标识与分析，实现概念-实例层面的DIKWP图谱内部及图谱之间的不完整性、不一致性、不精确导致的处理不确定性标识与解释。在此基础上，进一步研究面向DIKWP服务本质语义交互，进行基于概念-实例-语义双向转换的不同类型DIKWP图谱之间的本质语义差异标识与演化分析。实现面向不完整、不一致、不精确的主客观DIKWP服务交互背景下小微企业社群资源与服务互通共享的服务不确定性的DIKWP图谱差异空间与不确定性空间之间概念-实例-语义双向映射与不确定性变迁标识。
（3）研究内容三：意图驱动的DIKWP图谱化模型语义转换技术
面向不确定性消解的意图驱动的DIKWP图谱化模型语义转换技术是本项目为小微企业在社群内进行以DIKWP资源图谱为数字代理，进行DIKWP资源与服务互通共享的完整性、一致性、精确性、客观性乃至执行效率提升的不确定性消解的关键技术。研究基于概念-实例-语义DIKWP图谱体系标识的不确定性对应的不完整、不一致、不精确、不客观DIKWP图谱差异与面向小微企业DIKWP资源互通一致性、共享正确性、效率提升等个性化目标对应的具体任务DIKWP图谱之间的基于存在语义溯源与本质语义分析的语义转换技术。形成DIKWP不确定性消解意图的确认、细化以及DIKWP图谱化概念-实例范畴差异消解解释机制。实现面向小微服务企业个体及群体的可定制、可解释、可语义交互的意图驱动的DIKWP资源与服务互通共享的完整性、一致性、精确性、客观性乃至执行效率提升机制。提高社群共享DIKWP资源的操作可行性和处理效率，激发小微企业通过DIKWP共享协同释放其拥有的主客观混淆、价值低、可靠性差、可信度不足的小数据、小信息、小知识、小智慧、小意图对应的“隐形大数据”、“隐形大信息”、“隐形大知识”、“隐形大智慧”、“隐形大意图”的潜在价值，促进DIKWP资源大融合，发挥出潜在的巨大商业与社会价值。
3. 拟采取的研究方案及可行性分析（包括研究方法、技术路线、实验手段、关键技术等说明）；
3.1研究方法与技术路线
本项目围绕海南自贸港数字经济发展、三网融合提升、旅游-医养康一体化协同、制度技术化等小微企业创新创业发展新质生产力大背景，针对小微服务企业社群方式成长的数字服务资源与服务管理体系不完善，资源表述“杂”、数据烟囱“多”、信息孤岛“散”、知识推理“偏”、智慧协调“缺”、意图整合“难”等场景进行解决。面向可信自贸港数字经济与治理服务融合的基础设施效用“低”；多源主客观交互过程的DIKWP服务不确定性消解“缺”；DIKWP服务融合的主观与客观交互的不确定性识别“难”；DIKWP服务描述模型和语义执行模型相互分“离”等共性关键问题，构建支持“统”（存在语义-本质语义主客观概念语义协同）、“联”（意图驱动元模型-模型关联模型）、“标”（概念-实例-语义融合的DIKWP不确定性空间与差异空间标识）、“融”（DIKWP不确定性空间与差异空间融合）、“转”（DIKWP图谱化关联与意图转换）、“消”（DIKWP不确定性消解与解释构建）、“池”（“杂”、“多”、“散”、“偏”、“缺”、“难”的DIKWP资源可靠与可信池化）、“服”（高效、便捷、高质量DIKWP互通共享服务平台化）一体化的跨区域、跨机构、跨网络、跨系统小微企业社群客观、完整、精确、一致、高效DIKWP服务互通共享解决方案。通过将DIKWP资源与服务交互中的不确定性映射到概念-实例-语义主客观融合认知、表述与处理不完整、不精确、不一致、难以界定与度量等情形，探索意图驱动的概念-语义主观客观化DIKWP融合、转换、优化原理与基础机制，开展理论方法研究、关键技术攻关和原型平台研发（图9）。
图9 研究技术路线
当前AI+背景下信息技术和社会发展密切融合中“技术化社会”和“社会化技术”发展体现了“社会技术化”与“技术社会化”对应的科学工程化和工程科学化范畴的深度互动。迎合这一互动趋势，项目进行基于DIKWP的服务不确定性语义主观客观化建模与处理研发。研究任务一（DIKWP语义元建模及图谱化映射与关联方法）突破“统、联”方面的关键技术，为小微企业社群DIKWP服务表达、处理、交互提供元模型-模型协同建模方法；提供基于存在计算与推理技术和本质计算与推理机制的认知空间处理收敛的理论机制；构建意图驱动的元模型-模型关联的面向自然语言形式化的意图计算与推理技术；实现社群服务协同建模方法到存在计算和推理计算的科学工程化与本质计算与推理机制到意图计算与推理机制的工程科学化的理论-机制体系融合和技术-资源映射的结合。研究任务二（基于DIKWP图谱化的不确定性语义溯源与演化）面向不确定性-差异语义一体化处理目标，突破“标、融”方面的关键技术。基于小微企业DIKWP图谱差异语义识别生成差异空间；基于DIKWP图谱不确定性语义识别生成不确定性空间；通过不确定性空间-差异空间语义映射实现不确定性-差异处理融合；面向DIKWP不确定性管理提供DIKWP不确定性语义迁移、演化分析能力。研究任务三（意图驱动的DIKWP图谱化模型语义转换技术）面向业务意图-消解意图一体化处理突破“转、消”方面的关键技术，基于小微企业业务意图语义分析生成DIKWP业务意图图谱；基于不确定性消解意图分析生成DIKWP消解意图图谱；通过协同业务意图-不确定性消解意图融合语义DIKWP图谱实现业务-消解语义关联；结合业务-消解语义与不确定性-差异处理技术，形成人员与企业业务意图与不确定性消解意图的DIKWP图谱化关联与意图转换与消解融合的“业务-不确定性-差异-消解”不确定性处理机制；实现意图驱动的可定制、可解释DIKWP不确定性消解能力。实践验证规划（基于存储-计算-传输一体化的公平、公正、透明制度技术化平台原型）在上述基础理论和关键技术的支撑下，落实“池、服”方面原型验证，探索多源跨区域、跨机构、跨网络、跨系统DIKWP互通共享语义服务网络构建；不完整、不精确、不一致、主客观混合资源DIKWP图谱化的服务资源接入；面向社群服务共享的意图驱动不确定性空间-差异空间消解与持续优化方法；研发基于数字存储-计算-传输一体化的兼顾隐私保护的公平、公正、透明的政策制度技术化原型平台。围绕小微服务企业DIKWP资源“杂”、“多”、“散”、“偏”、“缺”、“难”背景下的可靠、可信池化需求，进行高效、便捷、高质量DIKWP服务互通共享服务原型平台构建，提供全方位、一体化、一站式的小微企业创新、创业和生产力提升数字服务运行验证。
3.1.1研究任务一：DIKWP语义元建模及图谱化映射与关联方法
（1）DIKWP元模型-模型协同建模方法
由于小微企业社群参与方汇集的数字资源表现形式各异且跨越多个系统与处理流程，包括工业摄像头提供的视频、图片，设计工程师商提供的电子图表、管理方下发的过程制度与质量保障体现、传感器产生的实时流数据等。因此，小微企业相关数字资源的融合需要跨越客观内容和主观认知范畴的数据、信息、知识、智慧和意图的融合处理。项目扩展DIKW模型引入容纳主观内容表述的意图概念-语义部分，构建跨主客观范畴的DIKWP(DIKW+Purpose)模型。DIKWP概念-语义的统一和形式化表达构建了DIKWP服务的跨概念空间-语义空间-认知空间交互与概念-语义主观客观化融合的不确定性处理的基础。也为通过DIKWP资源之间的语义空间转换应对数据样本的不完备性、信息的不足性、无效知识的易损性和智慧策略的不平衡引发的不确定性提供了可能。语义形式化的DIKWP模型可支撑精确、高效、可重复的跨DIKWP处理。借助多源DIKWP存储-传输-计算一体化可实现更全面的DIKWP资源与服务的重用。面向小微企业社群DIKWP服务池化转换的概念-语义表述模糊，特别是语义内容有时效性且持续演化的融合场景，项目将构建基于存在语义标识和本质语义确认的关系定义一切语义建模模型（图10），并做为DIKWP元模型-模型协同建模的语义基础。项目拟针对结合概念空间和认知空间的主客观化构建概念-语义公理化体系及兼顾已有概念-语义处理的工程化解决方案。项目前期将DIKWP的核心概念进行了面向认知处理的解析，其描述如下：
图10 关系定义一切语义模型与DIKWP语义元模型（UML表述）
数据(DIKWP-Data)可视为认知中相同语义的具体表现形式。通常，数据代表着具体的事实或观察结果的存在语义确认，并通过与认知主体已有认知对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。在处理数据时，认知处理过程常常寻求并提取标定该数据的特定相同语义，进而依据对应的相同语义将它们统一视为一个相同概念。例如，当看到一群羊时，虽然每只羊可能在体型、颜色、性别等方面略有不同，但认知处理会将它们归入“羊”的概念，因为它们共享了对“羊”这个概念的语义理解。相同语义可以是具体的如识别手臂时可以根据一个硅胶手臂与人的手臂的手指数量的相同、颜色的相同、手臂外形的相同等相同语义进行确认硅胶手臂为手臂，也可以通过硅胶手臂不具有真实手臂的可以旋转对应的由“可以旋转”定义的相同语义，而判定其不是手臂。
数据为认知中相同语义的具体表现形式。将数据D对应集合，每个元素d∈D代表一个具体实例，这些实例共享相同的语义属性S。语义属性S为一组特征F来定义，即：
S={f1, f2, ... , fn}，其中fi表示数据的一个特征。D={d∣d共享S}。
信息(DIKWP-Information)对应认知中不同语义的表达。信息指的是通过特定意图将认知DIKWP对象与认知主体已经认知的DIKWP联系起来，产生新的语义关联。在处理信息时，认知处理会根据输入的数据、信息、知识、智慧或意图，找出它们被认知的DIKWP对象的不同之处，对应不同的语义，并进行信息分类。例如，在停车场中，尽管所有的汽车都可以归入“汽车”这一概念，但每辆车的停车位置、停车时间、磨损程度、所有者、功能、缴费记录和经历都代表着信息中不同的语义。信息对应的不同语义经常存在于认知主体的认知中，常常未被显式表达出来，例如抑郁症患者可能用自己情绪“低落”来表达自己当前的情绪相对自己以往的情绪的下降，但这个“低落”对应的信息因为其对比状态不被听众了解而不能被听众客观感受到，从而成为该患者自己主观的认知信息。
信息I映射一组输入X到新的语义关联Y上：
I: X→Y，其中X表示数据、信息、知识、智慧或意图的集合，而Y表示产生的新的语义关联。
知识(DIKWP-Knowledge)对应于认知中的完整语义。知识是通过观察和学习获得的对世界的理解和解释。在处理知识时，大脑通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如，通过观察得知所有的天鹅都是白色，这是通过收集大量信息后对“天鹅都是白色”这一概念的完整认知。
知识K为语义网络，其中节点代表概念，边代表概念之间的关系：
K=(N, E)，其中N表示概念的集合，E表示概念之间的关系集合。
智慧(DIKWP-Wisdom)对应伦理、社会道德、人性等方面的信息，是一种来自文化、人类社会群体的相对于当前时代固定的极端价值观或者个体的认知价值观。在处理智慧时，认知处理会整合这些数据、信息、知识、智慧，并运用它们来指导决策。例如，在面临决策问题时，大脑会综合考虑伦理、道德、可行性等各个方面的因素，而不仅仅是技术或效率。
智慧W为决策函数关联数据、信息、知识和智慧，并输出最优决策D∗：
W: {D, I, K, W}→D∗
意图(DIKWP-Purpose)对应二元组（输入，输出），其中输入和输出都是数据、信息、知识、智慧或意图的内容。意图代表了人对某一现象或问题的理解（输入），以及希望通过处理和解决该现象或问题来实现的目标（输出）。在处理意图时，智能系统会根据其预设的目标（输出），处理输入的内容，通过学习和适应，使输出逐渐接近预设的目标。
P = (Input, Output)，其中输入和输出是数据、信息、知识、智慧或意图的内容。处理意图时，一系列转换函数T，根据输入内容和预设目标，实现从输入到输出的转化：
T : Input→Output
基于上述定义，面向数字服务合同内容进行DIKWP资源类型化映射，其部分内容如下所示（图11）。
图11数字服务DIKWP资源类型化映射
（2）DIKWP概念-实例-语义存在计算与推理技术
DIKWP模型整合概念空间、认知空间和语义空间，实现从主观内容到客观化语义处理的一体化路径。不仅涉及到DIKWP的处理，还融合了主观认知和客观语义的互动，以确保认知内容的准确转换和表达。本研究对概念空间、认知空间和语义空间的定义如下：
A. 概念空间(Concept Space, ConC)
(a) 定义
概念空间是由一系列相关概念构成的集合，借助特定的属性和关系互相连接，根据概念间关系的对称性对应有向图或无向图。
图表示：GraphConC = (VConC, EConC)，其中VConC是概念的节点集合，EConC是表示概念之间关系的边集合。
(b) 属性和关系
在概念空间中，每个概念v∈VConC都具有一组属性A(v)和与其他概念的关系R(v, v)。
属性：A(v)={a1(v), a2(v),…, an(v)}，其中每个ai(v)代表概念v的一个属性。
关系：R(v, v')表示概念v和v'之间的关系。如果图是有向的，则R(v,v')不等同于R(v, v)；如果图是无向的，则它们表示相同的关系。
(c) 概念空间的操作
在概念空间内对应一系列操作来查询、添加或修改概念及其关系：
查询操作：Q(VConC, EConC,q)→{v1, v2,…, vm}，根据查询条件q（如特定的属性或关系）返回满足条件的概念集合。
添加操作：Add(VConC, v)，将新概念v添加到概念集合VC中。
修改操作：Update(VConC, v, A(v))，更新概念v的属性集合A(v)。
在DIKWP模型中，概念空间为数据、信息、知识、智慧和意图的分类和组织提供了结构化框架。通过映射DIKWP各成分到概念空间，能有效解析成分之间的复杂关系。例如，通过查询操作Q，找到与特定数据或知识相关的所有概念，进而推导出新的信息或智慧。
B. 认知空间(Cognitive Space, ConN)
(a) 定义
认知空间是由一系列处理函数组成的集合，代表从输入（感知的数据或信息）到输出（理解或决策）的认知过程。反映个体或系统如何基于自身的经验、知识背景和思维习惯对信息进行处理和解释。
函数集合：R={fConN_1, fConN_2,…,fConN_n}其中，每个函数fConN_i: Inputi→Outputi表示一个特定的认知处理过程，Inputi是输入空间，Outputi是输出空间。
(b) 输入和输出空间
输入空间Inputi：代表感知到的数据或信息的集合，可以是来自外部世界的观察、从其他系统接收的信号或内部生成的数据。
输出空间Outputi：代表处理后的理解或决策的集合，它可以包括对信息的分类、概念的形成、意图的确定或行动计划的设定。
(c) 认知处理过程
每个认知处理函数fConN_i可以进一步细化为一系列子步骤，包括数据预处理、特征提取、模式识别、逻辑推理和决策制定等。这些子步骤共同构成了从原始数据到最终输出的完整认知路径。
子步骤表示：对于每个fConN_i，可以表示为fConN_i=fConN_i(5)○fConN_i(4)○…○fConN_i(1)(Inputi)，其中fConN_i(j)代表第j个子步骤的处理函数，○代表函数的复合。
在DIKWP模型中，认知空间将数据、信息、知识、智慧和意图通过个体或系统独特的认知过程转换为具体的理解和行动。借助调用不同的认知处理函数，系统可以针对不同类型的输入实施最适宜的处理策略，实现高效精确的决策。
C. 语义空间(Semantic Space, SemA)
(a) 定义
语义空间是由一系列语义单元构成的集合，这些单元借助特定的关联和依赖关系相互连接，共同构成了信息和知识的客观化表示。语义空间普遍接受的概念和语言规则实现了意义的传递和交流。
图表示：GraphSemA=(VSemA, ESemA)，其中VSemA代表语义单元（词汇、句子等），ESemA代表语义单元之间的关联和依赖关系。
(b) 语义单元与关系
语义单元：每个语义单元v∈VSemA代表了可以独立表达意义的最小单元或概念。
关系：边e∈ESemA代表了语义单元之间的语义关联或逻辑依赖，如同义、反义、上下位、因果等关系。
(c) 操作与应用
在语义空间对应一系列操作来查询、添加或修改语义单元及其关系：
查询操作：Query(VSemA, ESemA, q)→{v1,v2, … ,vm}，根据查询条件q返回满足条件的语义单元集合。
添加操作：Add(VSemA, v)，将新的语义单元v添加到集合VSemA中。
修改操作：Update(ESemA,v,v',e)，更新或添加语义单元v和v'之间的关系e。
语义空间不仅提供利益相关者与DIKWP表达的认知共享语言体系，还支撑DIKWP成分之间的转换处理的语义一致性。借助语义单元和它们之间的关系，不同主体之间能够准确地传递和解释复杂的服务交互认知内容。
D. DIKWP模型跨空间处理
(a) 概念空间到认知空间的映射TConC→ConN
将概念空间中的概念借助个体或系统的内在认知机制结合个人经验和知识，形成独特理解和解读。
TConC→ConN: ConC→ConN
该函数表示从概念c∈ConC到认知处理r∈ConN的过程，反映个体如何理解和解释概念。
(b) 认知空间到语义空间的映射TConN→SemA
将认知空间中的内部理解转化为可以被外部世界理解和接受的语义表达。
TConN→SemA: ConN→SemA
该函数表示从认知处理到语义表达的转换，包括如何选择和组织语言和符号以准确表达认知内容。
(c) 语义空间到概念空间和认知空间的反馈TSemA→ConC,ConN
外部世界对语义表达的反馈借助语义空间传递，进而影响概念空间和认知空间，形成闭环的认知更新和学习过程。
TSemA→ConC: SemA→ConC
TSemA→ConN: SemA→ConN
这两个函数分别表示从语义表达到概念更新和认知更新的反馈过程，实现外部反馈对内部理解和概念的动态调整和学习。
将映射和反馈过程综合，得到动态、互动的DIKWP模型框架，其中概念空间、认知空间和语义空间相互作用和影响，呈现从主观理解到客观化语义处理的全过程。
动态互动框架：通过TConC→ConN、TConN→S和TSemA→ConC,ConN，DIKWP模型实现复杂认知内容的处理、语义的表达和反馈驱动的学习过程。
跨越概念空间、认知空间和语义空间，在DIKWP模型中，每个成分（数据、信息、知识、智慧和意图）都对应三个层面的分析和处理：语义层面、概念层面和实例层面。表述形式上本研究使用集合论和函数映射对应这些层面的交互。
A. 语义层面(S)
语义层面涉及对事物或现象的基本理解，为DIKWP每个成分提供了理解共同基础。本研究将语义层面表示为集合S，包含所有语义元素s。
S={s1,s2,...,sn}
B. 概念层面(C)
概念层面是对语义的组织和分类，形成更高级的认知结构。每个概念被视为语义元素的集合，形成特定的意义和理解。概念层面表示为函数，将语义元素映射到具体的概念上：
C:S→{c1,c2,…,cm}，其中，ci代表特定的概念，由一组语义元素s定义。
C. 实例层面(INS)
实例层面涉及到概念的具体应用或表现，是对概念在现实世界中实现的个体化表述。每个实例都是某个概念的特定表现，借助映射函数表示，将概念映射到其具体实例上：
INS:C→{ins1,ins2,…,insk}。其中，ins代表某个概念c的具体实例。
DIKWP模型交互涉及每个DIKWP成分这三个层面的动态交互。例如：
数据：在语义层面，数据对应于对现实世界事物的基本观察。通过聚合和分类这些观察，形成特定的概念（如温度读数归纳为“热”或“冷”的概念）。实例层面对应到特定时间和地点的具体温度读数。
信息：信息将数据中的语义借助特定的上下文解释为有意义的概念（如将温度读数结合天气预报解释为“炎热的一天”）。信息实例对应这种解释的具体情境下。
知识：知识在语义和概念层面上整合多源信息，构建对现象的深入理解（如通过历史温度数据理解气候变化），知识的实例是特定研究或理论。
智慧：智慧在所有层面上综合知识、伦理和价值观来指导决策和行动。智慧的实例包括具体的决策过程或行为准则。
意图：意图为当前状态（数据、信息、知识、智慧、意图的集合）到目标状态的转换路径。在各层面上，意图将这些内容转化为具体的行动计划。
借助这三个层面的融合分析，跨越概念空间、认知空间和语义空间来解析DIKWP模型中每个成分在不同认知层面上的作用和交互。
图12 DIKWP存在语义基础：相同(same)和不同(different)语义体系
本研究面向DIKWP服务概念-语义的本质溯源与构建，从存在语义层面进行DIKWP概念-语义关联，拟构建存在计算与推理机制。EXCR侧重基于认知语言学和数理逻辑基础，以分析哲学的思维结合维特根斯坦的逻辑哲学论语义体系构建方法从直觉逻辑原理出发结合本体论建模形成概念-语义空间不确定到确定的DIKWP转换语义形式化。面向这一任务提出EXCR的基础公理-存在语义的守恒公理(Axiom of Conservation of Existence Set, CEX)：在遵从概念-语义对应的类型(TYPE/类型)实例type，实例类型(INS/实例)的实例ins对应的对象范畴的一致性(Axiom of Consistency of Semantics, CS)操作（包括推理和计算）过程中，本质上的存在语义集合EX或{ex}只能被组合，但不能被否定其存在，或者相关存在语义不会被改变。
CEX: EX({ex}, CS(TYPE/type, INS/ins))
::=EX({Computation({ex}), Reasoning({ex})}, CS(TYPE/type, INS/ins))
将基于DIKWP存在语义基础：相同(same)和不同(different)语义体系（图12），借助存在语义的守恒公理进行DIKWP资源的工程性自然语言概念及其表述的存在语义确认、消除冗余、数据化识别与分类和信息化关联。
（3）DIKWP概念-实例-语义本质计算与推理机制
面向小微企业DIKWP服务需求的概念描述的本质语义映射，将自然语言表述的概念-实例对应的语义空间进行基于存在语义的映射，并借助概念-语义协同的计算与推理融合进行本质语义确认。进而将本质语义对应到DIKWP图谱化模型体系的概念-语义跨体系关联呈现。基于EXCR得到的相关规则集合解决具体DIKWP服务交互概念-实例-语义溯源、表达有效性权衡、语义一致检测、语义迁移规划和认知效率优化等存在语义层面的本质语义分析与处理。构建面向本质语义的计算与推理机制。
对应于类型TYPE和类型实例type与实例类型INS和实例类型的实例ins之间已经假设成立的任何已确定合理的类型层面关联（包括公理和定理）、关联类型ASS(TYPE/type, INS/ins)和关联类型实例ass(TYPE/type, INS/ins)的描述与执行模型体系的一致性CS(TYPE/type, INS/ins)构建，提出语义一致性公理(CS)：当特定联系ass(TYPE/type, INS/ins)属于关联类型ASS(TYPE/type, INS/ins )时，具体的关联实例ass(type, ins)才是与最开始处理依据的假设对应的语义合理性保持一致的。
CS: CS(TYPE/type, INS/ins)
::={ASS(TYPE/type, INS/ins), ass(TYPE/type, INS/ins)}
项目将借助本质语义的一致性公理进行DIKWP资源的主观与客观语义融合的一致语义关联，存在语义层面的客观True/False与主观Yes/No等基本语义识别，以及基于本质语义路径度量的认知语义距离度量与处理效率优化。
（4）DIKWP概念-实例-语义意图计算与推理技术
面向DIKWP处理元数学构建与验证，总结前期对Four Color Theorem(DOI: 10.13140/RG.2.2.14505.67684、DOI: 10.1109/ICCMS.2010.113)的语义建模与分析、Goldbach's Conjecture(DOI: 10.13140/RG.2.2.23213.77281)以及Collatz Conjecture(DOI: 10.13140/RG.2.2.28299.36647, DOI: 10.1109/SERA.2017.7965748)的概念-实例-语义建模及分析。借助对经典数学及物理类问题、哲学与逻辑悖论、认知错觉等的“存在计算与推理机制EXCR-面向本质的计算与推理机制ESCR”进行基于语义公理化与形式化的表述映射与推导，凝练概念-实例-语义解释方法。基于范畴论、格论等补充与完善{语义一致性公理(CS)、存在语义的守恒公理(CEX)、本质语义完整性的组合一致性公理(Axiom of Consistency of Compounded Essential Set, CES)与存在语义继承公理(Axiom of Inheritance of Existence Semantics, IHES)}等。
探索基础公理-本质语义集合整体完整性的组合一致性公理与存在语义继承公理：
在遵从CS(TYPE/type, INS/ins)的一致性操作（包括推理和计算）过程中，本质上的存在语义集合EX或{ex}的某个具体整体ISM(CS(EX))的组合Complex(CS(EX))有多种遵循一致性公理CS(TYPE/type, INS/ins)的表达形态Complex(CS(EX))或Complex(T)，这些表达形态之间具有本质语义上的等价性，或者说它们都可以通过符合CS(TYPE/type, INS/ins)的一致性操作被规约为相同的语义SM(CS(EX))。
CES: ISM(CS(EX))::=ISM(Complex(CS(EX)))
在纯类型层面的语义处理过程中，对于具有存在语义依赖关系或者语义等价关系的目标A和目标B，例如如果类型A的存在语义依赖于或等价于类型B的存在语义集合EX(B)或{ex(b)}，那么目标A继承或保有目标B的所有存在语义EX(A)或{ex(a)}。
IHES: ASS({EXCR(A):=EXCR(B), EXCR(A)=>EXCR(B)})
=>EX(B)=>EX(A)
依托EXCR-ESCR主观客观化公理化体系，在前期求中位数的本质语义驱动算法设计案例(DOI: 10.1109/SNPD.2018.8441053)等基础上，构建贯彻哲学奥卡姆剃刀定律(Ockham's Razor)的语义驱动的DIKWP算法设计。基于主客观融合的服务描述语义内涵，探索主客观语义空间一体化的DIKWP服务分析的意图计算与推理机制。
面向语义计算与推理(Semantic Computation and Reasoning, SCR)的跨越概念空间、认知空间与语义空间处理过程，提出从语义计算与推理到存在计算与推理+本质计算与推理+意图计算与推理的融合模式：
SCR::=PUCR+EXCR+ESCR
对应小微企业XaaS的服务化及复杂服务描述与交互中的概念空间-语义空间-认知空间主客观语义融合，构建基于意图计算与推理机制的不确定性处理。
（5）存在-本质-意图计算与推理技术DIKWP图谱化处理融合
面向DIKWP的意图驱动PUCR建模与交互转换，将知识图谱等关联扩展为数据图谱(Data Graph, DG)、信息图谱(Information Graph, IG)、知识图谱(Knowledge Graph, KG)，智慧图谱(Wisdom Graph, WG)和意图图谱(Purpose Graph, PG)-DIKWP图谱化体系（图3）。本研究中DIKWP模型不是层级结构，而是网状结构。DIKWP模型中的信息图谱、知识图谱、智慧图谱和意图图谱在服务化处理中进行网络化动态交互和转换。
A. 网络化的数据图谱
在网状模型中，数据图谱不仅是信息加工的起点，也是知识、智慧或意图反馈调整的结果。数据图谱DG借助转换函数TID, TKD, TWD, TPD等接收来自信息、知识、智慧和意图的输入，实现动态更新和调整。
TXY: YG→XG，其中，X,Y ∈{D,I,K,W,P}且X≠Y，表示从图谱Y到图谱X的转换。
B. 网络化的信息图谱
信息图谱为二元组IG = (VI, EI)，其中VI是信息节点的集合，EI是基于信息间语义关系的边集合。信息图谱不仅由数据图谱DG生成，还受到知识图谱KG、智慧图谱WG、意图图谱PG的调整和重构：
：数据到信息的转换。
, , ：知识、智慧和意图对信息的调整。
其中，TXY表示从图谱X到图谱Y的转换函数。
C. 网络化的知识图谱
知识图谱为KG = (VK, EK)，其中VK代表知识节点，EK代表知识节点之间的关系。知识图谱整合信息形成，同时影响数据的解读、信息的生成和智慧的应用：
：信息到知识的转换。
, , ：知识对数据、信息和智慧的影响。
D. 网络化的智慧图谱
智慧图谱为WG = (VW, EW)，其中VW是智慧的节点，EW表示智慧节点间的连接。智慧图谱综合知识、数据和信息来指导决策，并能反馈影响知识的形成和信息的解释：
：知识到智慧的转换。
, ：智慧对知识和信息的反馈影响。
E. 网络化的意图图谱
意图图谱为PG = (VP, EP)，其中VP代表目标和实现路径的节点，EP代表实现这些目标的策略或步骤。意图图谱由数据、信息、知识和智慧共同构建，并能反向影响这些成分：
, , , ：数据、信息、知识和智慧到意图的形成。
, , ：意图对数据、信息和知识的反向影响。
DIKWP图谱化体系将数字世界和认知世界的元素映射到五个主要成分：DG、IG、KG、WG、PG。每个图谱进一步细分为三个层面的映射：语义层面，概念层面和实例层面。因此，每个图谱g∈G为三元组映射：
g:S×C×I，其中G代表图谱集合，S代表语义层面集合，C代表概念集合，I代表实例集合。
DIKWP图谱间的交互借助内容模型和认知模型来实现，用函数f表示，将某一层面或类型的图谱映射转换为另一层面或类型的图谱：
f: G×G→G
基于DIKWP图谱化体系构建不做完整性、一致性、精确性、正确性及相互独立假设的主观客观化DIKWP图谱概念-实例-语义映射与关联转换（图13），关键方案如下：
A. 面向XaaS智能化算法，作为数据机器学习、深度学习方法的补充，结合大语言模型平台构建不做完整性、一致性、精确性、正确性及相互独立假设的输入/输出的DIKWP图谱化问题表述映射包括：
(a) 对小微企业资源共享与融合需求/问题输入/输出以及背景内容中的人员、数据、信息、知识、策略、XaaS事务及服务实体进行DIKWP建模。
(b) 将目标事务资源及服务实体之间的交互与通信映射为对应的DIKWP模型之间的结构拓扑组织及其上的动态交互。
B. 依托对问题输入/输出及交互的DIKWP映射与已经存在的DIKWP图谱化内容合并，得到DIKWP图谱化实例，其中：
(a) DIKWP数据图谱汇集，包括多维度全类型化频度模型(DOI:10.1007/s11276-019-02200-6)对应的各种量纲的相同概念-语义集的时、空、主题等维度的实例分布及类型表征。
(b) DIKWP信息图谱汇集，包括主观意图等在内的基于一种或多种被标识的差异本质语义目标的各种概念-语义偏序关系集。
(c) DIKWP推理知识图谱汇集，包括各类公理/定理与主观假设的经过一种或多种完整性语义抽象得到的逻辑规则与概率知识集。
(d) DIKWP智慧图谱利益相关方价值评估体系对应的本质认知与存在认知关系模型，以及基于PUCR-EXCR-ESCR公理化体系建立的跨DIKWP图谱的存在语义目标集与本质语义关联集。
DIKWP意图图谱汇集，包括DIKWP模型映射后得到的各利益相关方的主观期待的输入输出二元组<DIKWP, DIKWP>及其细化模型体系。
图13 DIKWP资源概念-实例-语义映射与关联转换
C. 以小微企业业务或不确定消解意图对应的DIKWP资源形式的输入输出的填充、意图细化、意图关联、意图迁移为导向，构建面向存储-传输-计算一体化效率提升，基于概念-实例-语义联动的DIKWP资源转换机制。进行跨利益相关各方DIKWP模型的服务交互与关联处理。
(a) 基础处理机制包括：基于DIKWP概念-实例-语义到RDXS模型映射的自然语言概念语义形式化处理、面向DIKWP自然语言形式化映射得到的本质语义建立语义形式关联处理、面向DIKWP自然语言形式化映射得到的存在语义进行语义溯源与识别处理等。
(b) 基础优化机制包括：基于DIKWP模型中已确定的存在语义不动点和本质语义关联不动点，进行跨DIKWP模型的依据DIKWP转换范式与不确定性处理规则等的计算与推理融合处理以及资源间转换。利用相同或相似语义内容在DIKWP图谱呈现的存储、计算、传输等处理可行性及代价差异处理对应的可变空间，按照意图驱动方式结合意图体系分析构造包括完整性补偿、精确性优化、一致性验证等不确定性处理。
如下是DIKWP混合数据与信息推理的示例，对英文场景描述A片段和B片段(内容略过)中出现相同单词“Shylock”分别是病毒(virus)和夏洛克(Human)的辨识处理片段：
常识：对于发现病毒的不同日期版本等数据(D)，人们更倾向相信更早的日期。
经验：技术性（病毒）描述的动词序列对应的信息(I)长度明显长于人为性描述。
IA of ShylockA
Delivers ->injects->logs->transfers
=>I->D(ShylockA)= DA(virus)
IB of ShylockB
walk ->buy->kneel->kiss
=>I->=>I->D(ShylockB)-> DA(actor(The Merchant of Venice))
=>I->D(ShylockA)!= DA(virus)
IA AND IB of ShylockA AND B
(Delivers ->injects->logs->transfers) AND (walk ->buy->kneel->Kiss)
=>I->D ShylockA is a role in the Shakespeare’s The Merchant of Venice: DA 与
D ShylockB is not a virus
.....
Search DA,in DGobs =>get D(ShylockA)->DA(virus)->DA(Thing).
Search DB,in DGobs =>get D(ShylockB)->DB(actor)->DB(people)
KA AND B: DA(Thing) !=DB(People)
=>inconsistency(DA, DB)
=>inconsistency(IA, IB)
Comparison of:
ShylockA AND B
(Delivers ->injects->logs->transfers) AND (walk ->buy->kneel->kiss)
与
ShylockA AND B(INC)
(Delivers ->injects->logs->transfer) AND (walk ->buy)
与
ShylockA AND (A+B)(INC)
(Delivers ->injects->logs->(kneelsB/transfers)) AND(walk ->buy->kneel->Kiss)
由KA AND B: DA(X) !=DB(People)
可以推出
=>D: (Shylock|X(Shylock))!=(Shylock|People)
=>D: !((Shylock|X(Shylock))!=(Shylock|{Thing: {Virus, Horse, Car}}))
3.1.2研究任务二：基于DIKWP图谱化的不确定性语义溯源与演化
（1）DIKWP图谱差异语义识别
目标内容接受者(Receiver)和被期待理解的内容本身，分别对应理解者主观认知的DIKWP模型和理解者面对的内容或语言概念的DIKWP内容模型。通常目标内容被创作者(Creator)以各种语言文字、图片、视频、公式等呈现。但对目标内容的主观内在认知外化的客观媒介呈现出来的输出内容往往只是创作者希望表达的认知内容的一部分。在这一创作过程中面向表达效果和内容接收者的认知正确性与处理效率，创作者有意识或无意识的会对要被外化表达的内容Output(Content)进行选择取舍，最终处理完成后的输出对应内容DIKWP(Output(Content))。有经验的内容创作者还会下意识的对潜在的内容接收者的认知基础进行经验性推测，并对内容接收者进行DIKWP认知画像，形成创作者大脑中对内容接受者(Receiver)的主观假定认知图谱DIKWP(Creator(Receiver))。创作者对内容接收者认知的DIKWP主观假定通常与内容接受者(Receiver)的实际认知DIKWP(Receiver)存在差异。
DIKWP(Creator(Receiver))!=DIKWP(Receiver)
针对特定建模场景的DIKWP图谱化体系模型(DIKWP Graphs)包括：数据图谱、信息图谱、知识图谱、智慧图谱和意图图谱。
DIKWP Graphs
::=<DG, IG, KG, WG, PG>
内容模型(Content Graph, CT)：内容模型对应集合，其中包含了数据、信息、知识、智慧和意图的具体内容。每个内容元素为一个多维向量，其中的维度代表不同的属性或特征。
DIKWP内容图谱化体系模型(DIKWP Content Graphs, DIKWPCT)包括：数据内容图谱(Data Content Graph, DGCT)、信息内容图谱(Information Content Graph, IGCT)、知识内容图谱(Knowledge Content Graph, KGCT)、智慧内容图谱(Wisdom Content Graph, WGCT)和意图内容图谱(Purpose Content Graph, PGCT)。
DIKWPCT::=<DGCT, IGCT, KGCT, WGCT, PGCT>
其中，XCT代表某一图谱的内容集合，X∈{D, I, K, W, P}。每个图谱的内容借助特定的函数FX被转换或处理，反映内容的生成和更新过程。
认知模型(Cognition Graph, CG)：描述如何处理和理解内容模型中的内容，以及如何在不同图谱之间进行内容转换和认知处理。本研究借助一系列转换函数来表示认知模型，是从一种类型的认知内容到另一种类型的认知内容的转换过程。
DIKWP认知图谱化体系模型(DIKWP Cognition Graphs)包括：认知数据图谱(Data Cognition Graph, DGCG)、认知信息图谱(Information Cognition Graph, IGCG)、认知知识图谱(Knowledge Cognition Graph, KGCG)、认知智慧图谱(Wisdom Cognition Graph, WGCG)和认知意图图谱(Purpose Cognition Graph, PGCG)。
DIKWPCG::=<DGCG, IGCG, KGCG, WGCG, PGCG>
认知模型：CG ={TXGYG∣XG,YG∈{DG, IG, KG, WG, PG},XG≠YG}，其中，TXGYG是从图谱XG到图谱YG的转换函数，描述如何基于图谱XG的内容生成或更新图谱YG的内容。转换函数反映认知过程中内容的动态流动和处理。
内容模型和认知模型的主要交互如下：
A. 内容生成与更新：对于每个图谱XG，对应内容生成函数: FX: CX →GXG，其中CX是输入内容，GXG是图谱XG的内容集合。函数代表从原始输入或其他图谱的内容中提取和生成新的内容。
B. 内容转换与处理：通过认知模型中的转换函数TXGYG，描述如何将一种类型的内容（如数据）转换成另一种类型的内容（如信息），并进一步处理成知识、智慧或意图。
C. 反馈与迭代：内容和认知处理的动态性和迭代性，模型允许借助反馈循环TYGXG调整和优化原始内容GXG，实现内容的迭代更新和认知的深化。
内容接收者基于自身DIKWP认知图谱化体系模型对目标内容对应的DIKWP内容图谱化体系模型进行认知处理，形成对目标内容的DIKWP认知图谱化体系模型，其中通过客观化的认知DIKWP模型和目标内容DIKWP模型计算与推理得到的融合后的DIKWP图谱化体系模型被称为DIKWP语义图谱化体系模型(DIKWP Semantics Graphs)，包括：语义数据图谱(Data Semantics Graph, DGS)、语义信息图谱(Information Semantics Graph, IGS)、语义知识图谱(Knowledge Semantics Graph, KGS)、语义智慧图谱(Wisdom Semantics Graph, WGS)和语义意图图谱(Purpose Semantics Graph, PGS)。
图14 DIKWP内容-认知不确定情形示例
DIKWPS
::=Cognition(DIKWPCG(Receiver), DIKWPCT(DIKWP(Output(Content))))
::=Cognition(Receiver<DGCG, IGCG, KGCG, WGCG, PGCG>, DIKWP(Output(<DGCT, IGCT, KGCT, WGCT, PGCT>)))
::=<DGS(DGCG(Receiver)+DGCG(Output(Content))), IGS(IGCG(Receiver)+IGCG(Output(Content))), KGS(KGCG(Receiver)+KGCG(Output(Content))), WGS(WGCG(Receiver)+WGCG(Output(Content))), PGS(PGCG(Receiver)+PGCG(Output(Content)))>
::=<DGS, KGS, KGS, WGS, PGS>
在内容创作的认知主观客观化阶段，从内容创作者的视角看，内容被接收者的理解基本过程为：内容创作者认知中的目标内容Content，经过内容创作者按自己的表达与处理意图(Purpose)对内容进行处理，进而主观认知外化呈现为Output(Content)，并经过DIKWP映射得到DIKWP(Output(Content))。
DIKWP(Output(Content))
::=Selection(DIKWP(Creator), Purpose(Creator))
::=Selection(DIKWP(Creator), DIKWP(Purpose(Creator)))
::=DIKWP(Selection(Creator, Purpose(Content)))
::=DIKWP(Selection(DIKWP(Creator), Purpose(DIKWP(<Input(DIKWP(Creator)), Output(DIKWP(Creator))>))))
处理过程中使用到的相关中间结果均可以在DIKWP图谱化体系的概念-实例-语义拓扑体系及对应的DIKWP转换处理中构建求解。
在完成了创作内容主观客观化之后，从创作者期待的被主观客观化的目标内容实际被内容接收者认知的效果完成度来看，被客观化的目标内容往往并不被完全、精确、一致的被具体内容接收者实际认知。内容创作者Creator创作的内容Output(Content)，被具有自身认知基础DIKWPCG(Receiver)的接收者Receiver理解后，接收者方面实际对目标内容形成的语义DIKWP图谱为DIKWPS(Receiver)。
DIKWPS(Receiver(Creator(Output(Content))))
::=Cognition(DIKWPCT(Output(Content))+DIKWPCG(Receiver))
::=Cognition(Output(<DGCT, IGCT, KGCT, WGCT, PGCT>) + Receiver<DGCG, IGCG, KGCG, WGCG, PGCG>)
::=Cognition(Output(<DGCT, IGCT, KGCT, WGCT, PGCT>) + Receiver<DGCG, IGCG, KGCG, WGCG, PGCG>)
::=Cognition(Output(DGCT) + Receiver(DGCG), Output(IGCT) + Receiver(IGCG), Output(KGCT) + Receiver(KGCG), Output(WGCT) + Receiver(WGCG), Output(PGCT) + Receiver(PGCG))
由于内容创作者Creator在创作内容Output(Content)过程中对潜在的内容接收者FReceiver的认知基础做出的主观假定是DIKWPCG(FReceiver, Creator)，因此内容创作者期待的创作的内容Output(Content)被理想中的具有认知基础DIKWPCG(FReceiver, Creator)的接收者FReceiver理解后，在接收者方面期待对目标内容形成的语义DIKWP图谱为DIKWPS(FReceiver)。
DIKWPS(FReceiver(Creator(Output(Content))))
::=Cognition(DIKWPCT(Output(Content))+DIKWPCG(FReceiver))
::=Cognition(Output(<DGCT, IGCT, KGCT, WGCT, PGCT>) + FReceiver<DGCG, IGCG, KGCG, WGCG, PGCG>)
::=Cognition(Output(<DGCT, IGCT, KGCT, WGCT, PGCT>) + FReceiver<DGCG, IGCG, KGCG, WGCG, PGCG>)
::=Cognition(Output(DGCT) + FReceiver(DGCG), Output(IGCT) + FReceiver(IGCG), Output(KGCT) + FReceiver(KGCG), Output(WGCT) + FReceiver(WGCG), Output(PGCT) + FReceiver(PGCG))
接收者方面实际对目标内容形成的语义DIKWP图谱DIKWPS(Receiver)，与创作者期待接收者对目标内容形成的语义DIKWP图谱DIKWPS(FReceiver)之间并不相同。其差异Difference(DIKWPS(Receiver), DIKWPS(FReceiver))如下。
Difference(DIKWPS(FReceiver), DIKWPS(Receiver))
::=DIKWPS(FReceiver) - DIKWPS(Receiver)
::=DIKWPS(FReceiver(Creator(Output(Content))))-DIKWPS(Receiver(Creator( Output(Content))))
::=(Cognition(Output(DGCT) + FReceiver(DGCG), Output(IGCT) + FReceiver(IGCG), Output(KGCT) + FReceiver(KGCG), Output(WGCT) + FReceiver(WGCG), Output(PGCT) + FReceiver(PGCG))) - (Cognition(Output(DGCT) + Receiver(DGCG), Output(IGCT) + Receiver(IGCG), Output(KGCT) + Receiver(KGCG), Output(WGCT) + Receiver(WGCG), Output(PGCT) + Receiver(PGCG)))
::=( FReceiver(DGCG), FReceiver(IGCG), FReceiver(KGCG), FReceiver(WGCG), FReceiver(PGCG))) - ( Receiver(DGCG), Receiver(IGCG), Receiver(KGCG), Receiver(WGCG), Receiver(PGCG)))
小微企业数字资源创作者主观期待的内容接收者对创作出的DIKWP数字服务内容的认知理解的完整性、精确性和一致性与客观性与服务内容接收者通过自身认知背景对目标内容理解实际达到的认知完整性、精确性、一致性、客观性之间往往存在认知差异。这一差异通常是在创作者和接收者各自隐式主观认知空间中是以主观猜测或假设形式相互独立存在的，这是服务交互各方概念空间语义认知差异的重要来源，也是由小微企业进行DIKWP服务互通共享的重要的表达与处理不确定性（图14）来源。项目对这一各自认知差异产生的过程对应的交互过程及自然语言等呈现的表达，进行显式DIKWP图谱化映射与建模，以DIKWP图谱化差异的形态（图15)进行显式客观化呈现与分析（图16）来支持对DIKWP服务认知不确定性的主观客观化处理。
图15 DIKWP图谱化资源交互与DIKWP比较差异空间
图16 差异空间比较过程案例
（2）DIKWP图谱不确定性语义识别
为了对小微企业DIKWP服务化实践场景中的服务不确定性进行系统化处理，本研究将经典的对不确定性的处理分类与DIKWP模型化表达进行体系化对接（图17）。将随机不确定性和认知不确定性等经典不确定性的表达体系和处理技术与DIKWP不确定性(DIKWPU)的三种情形DIKWP不完整(DIKWPCP)、DIKWP不一致(DIKWPCS)以及DIKWP不精确(DIKWPPR)进行理论模型关联。如下所示:
DIKWPU::=<DIKWPCP ,DIKWPCS , DIKWPPR>
DIKWPCP::={数据不完整(DCP), 信息不完整(ICP)，知识不完整(KCP)，智慧不完整(WCP)，意图不完整(PCP)}
DIKWPCS::={数据不一致(DCS), 信息不一致(ICS)，知识不一致(KCS)，智慧不一致(WCS)，意图不一致(PCS)}
DIKWPPR::={数据不精确(DPR), 信息不精确(IPR)，知识不精确(KPR)，智慧不精确(WPR)，意图不精确(PPR)}
基于DIKWP概念-实例转换进行DIKWP不确定性的同类别DIKWP资源内的不确定性{不完整(incomplete, CP),不一致(inconsistent, CS),不精确(imprecise, PR)}模型融合，包括：
面向不确定数据资源<DCP,DCS,DPR>的DIKWP不确定性(DU)融合：
DU::=Transform<DCP,DCS,DPR>
面向不确定信息资源<ICP,ICS,IPR>的DIKWP不确定性(IU)融合：
IU::=Transform<ICP,ICS,IPR>
面向不确定知识资源<KCP,KCS,KPR>的KIKWP不确定性(KU)融合：
KU::=Transform<KCP,KCS,KPR>
面向不确定智慧资源<WCP,WCS,WPR>的DIKWP不确定性(WU)融合：
WU::=Transform<WCP,WCS,WPR>
面向不确定意图资源<PCP,PCS,PPR>的DIKWP不确定性(PU)融合：
PU::=Transform<PCP,PCS,PPR>
基于DIKWP概念-实例转换进行DIKWP不确定性的跨DIKWP资源单一不确定性{不完整，不一致，不精确}的模型融合，包括：
面向DIKWP不完整性DIKWPCP的DIKWP资源<DCP,ICP,KCP,WCP,PCP>融合：DIKWPCP::=Transform<DCP,ICP,KCP,WCP,PCP>
面向DIKWP不一致性DIKWPCS的DIKWP资源<DCS,ICS,KCS,WCS,PCS>融合：DIKWPCS::=Transform<DCS,ICS,KCS,WCS,PCS>
面向DIKWP不精确性DIKWPPR的DIKWP资源<DPR,IPR,KPR,WPR,PPR>融合：DIKWPPR::=Transform<DPR,IPR,KPR,WPR,PPR>
基于上述两类DIKWP不确定性的转换结合构建DIKWP不确定性的概念-实例层面的全面转换与识别标定。进而可以借鉴或迁移经典的对DIKWP资源中单一类型资源情形下的不确定性处理的已有方法与技术。
图17 不确定性的DIKWP体系化及概念-实例-语义转换
图18 DIKWP图谱语义不确定性转换
DIKWP语义不确定（图18）的标识可借助DIKWP图谱化模型，以意图驱动的方式按照小微企业业务逻辑、利益相关者的数字交互过程等展开实现。语义不确定性的标定需要跨越概念-实例-语义体系借助DIKWP存在计算与推理、本质计算与推理以及意图计算与推理来避免计算推理过程的循环不终止和搜索发散不收敛。面向概念-实例-类型范畴进行DIKWP资源从不确定性到DIKWP单一资源不确定性{不完整，不一致，不精确}对应，以及基于其上形成{DIKWP概念不确定性(DIKWP-TY)，DIKWP实例不确定性(DIKWP-INS)，DIKWP语义不确定性(DIKWP-SM)}的不确定新处理，如图19所示。
图19 DIKWP不确定性理论体系及工程化映射
（3）不确定性空间-差异空间语义映射
接收者方面实际对目标内容形成的语义DIKWP图谱DIKWPS(Receiver)与创作者期待接收者对目标内容形成的语义DIKWP图谱DIKWPS(FReceiver)之间的差异Difference(DIKWPS(Receiver), DIKWPS(FReceiver))，可以按单一类别的DIKWP资源处理差异，分类为接收方与创作者之间的数据差异、信息差异、知识差异、智慧差异、意图差异，进而采用已有的单一类别资源的差异处理方法分别进行处理。
Difference(DIKWPS(FReceiver), DIKWPS(Receiver))
::={ FReceiver(DGCG), FReceiver(IGCG), FReceiver(KGCG), FReceiver(WGCG), FReceiver(PGCG))) - ( Receiver(DGCG), Receiver(IGCG), Receiver(KGCG), Receiver(WGCG), Receiver(PGCG))}
::={FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG)}
数据差异(FReceiver(DGCG)-Receiver(DGCG))、信息差异(FReceiver(IGCG)-Receiver(IGCG))、知识差异(FReceiver(KGCG)-Receiver(KGCG))、智慧差异(FReceiver(WGCG)-Receiver(WGCG))、意图差异(FReceiver(PGCG)-Receiver(PGCG))的处理与同类别DIKWP资源内的不确定性{不完整，不一致，不精确}处理进行融合：
面向不确定数据资源<DCP,DCS,DPR>的DIKWP不确定性(DU)处理融合：
DU(FReceiver(DGCG)-Receiver(DGCG))
::=Transform<DCP,DCS, DPR>(FReceiver(DGCG)-Receiver(DGCG))
面向不确定信息资源<ICP,ICS,IPR>的DIKWP不确定性(IU)处理融合：
IU(FReceiver(IGCG)-Receiver(IGCG))
::=Transform<ICP,ICS, IPR>(FReceiver(IGCG)-Receiver(IGCG))
面向不确定知识资源<KCP,KCS,KPR>的DIKWP不确定性(KU)融合：
KU(FReceiver(KGCG)-Receiver(KGCG))
::=Transform<KCP,KCS, KPR>(FReceiver(KGCG)-Receiver(KGCG))
面向不确定智慧资源<WCP,WCS,WPR>的DIKWP不确定性(WU)融合：
WU( FReceiver(WGCG)-Receiver(WGCG))
::=Transform<WCP,WCS, WPR>( FReceiver(WGCG)-Receiver(WGCG))
面向不确定意图资源<PCP,PCS,PPR>的DIKWP不确定性(PU)融合：
PU(FReceiver(PGCG)-Receiver(PGCG))
::=Transform<PCP,PCS, PPR>(FReceiver(PGCG)-Receiver(PGCG))
通过不确定性分类与处理逐类型对应，将构建面向单一类型资源差异处理能力的基本不确定性处理机制。
单一不确定性{不完整，不一致，不精确}处理的构建需要跨越DIKWP概念-实例-语义转换，结合单一类型资源的DIKWP不确定性处理进行。
面向DIKWP不确定性的DIKWP不完整性处理：
DIKWPCP(FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG))
::=Transform<DCP, ICP, KCP, WCP, PCP>(FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG))
面向DIKWP不确定性的DIKWP不一致性处理：
DIKWPCS(FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG))
::=Transform<DCS, ICS, KCS, WCS, PCS>(FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG))
面向DIKWP不确定性的DIKWP不精确性处理：
DIKWPPR(FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG))
::=Transform<DPR, IPR, KPR, WPR, PPR>(FReceiver(DGCG)-Receiver(DGCG), FReceiver(IGCG)-Receiver(IGCG), FReceiver(KGCG)-Receiver(KGCG), FReceiver(WGCG)-Receiver(WGCG), FReceiver(PGCG)-Receiver(PGCG))
这些差异空间与不确定性空间的分解与映射（图20）可以进一步细化后对应到通常的DIKWP处理机制上。
图20 DIKWP图谱差异空间与不确定性空间的概念-实例-语义双向映射
3.1.3研究任务三：意图驱动的DIKWP图谱化模型语义转换技术
图21 DIKWP资源的不确定性体系化及工程化建模与处理架构
DIKWP模型引入一组映射和转换函数来进行DIKWP类型转换，每个转换函数都关联于的特定转换过程，将一种形式的认知内容转化为另一种形式。
A. 数据到信息转换(TD→I)
数据到信息的转换为函数TD→I: DG→IG，其中DG是数据图谱的集合，DG是信息图谱的集合。该函数通过识别和提取数据中的共享语义来实现。
TD→I(d) = {i∣i由 d 中共享语义生成}
对于任何数据元素d∈DG，转换函数TD→I将其映射到一个或多个信息元素i∈IG。
B. 信息到知识转换(TI→K)
信息到知识的转换为函数TI→K: IG→KG，其中KG是知识图谱的集合。通过分析信息的差异性和连接性来构建完整的概念：
TI→K(i)={k∣k由i中的差异性和连接性构建}
对每个信息元素i∈IG，该函数生成一个或多个知识元素k∈KG。
C. 知识到智慧转换(TK→W)
知识到智慧的转换为函数TK→W: KG→WG，其中WG是智慧图谱的集合。
TK→W(k)={w∣w由k综合伦理和社会价值生成}
对每个知识元素k∈KG，该函数生成智慧元素w∈WG。
D. 意图的形成(T∗→P)
意图的形成对应一系列函数的集合，表示为T∗→P: XG→PG，其中XG可以是任何图谱集合DG, IG, KG, WG, PG。对应从多种输入（数据、信息、知识、智慧）到目标（输出）的转换：
T∗→P(\*)={p∣p由\*和期望的输出共同设计}
这些函数映射不同类型的输入到意图元素p∈PG。
经过DIKWP差异空间与DIKWP不确定性空间的分解与映射，DIKWP服务资源不确定性处理形成基本处理情形。小微企业在社群内以DIKWP资源图谱为数字化智能代理，进行DIKWP资源与服务互通共享的处理机制的流程组合安排和转换顺序安排的不同会导致面向不确定性处理的完整性、一致性、精确性、客观性处理结果以及处理效率的差异。有效消除这些差异需要借助意图驱动的方式面向融合的本质语义范畴进行优化。进而结合业务-消解语义与不确定性-差异处理技术，基于DIKWP语义转换进行意图驱动的理论与工程对接的不确定性处理设计与决策，形成人员与企业业务意图与不确定性消解意图的DIKWP图谱化关联与意图转换消解融合的“业务-不确定性-差异-消解”不确定性处理机制（图21），实现意图驱动的DIKWP不确定性可定制、可解释消解能力。
对DIKWP资源{不完整，不一致，不精确}的确定情形，面向意图驱动的处理效率提升，项目前期总结了概念层面的跨DIKWP资源的经验性转换范式，如图22上半部分，例如，将确定情形DIKWP数据处理对应到概念统计分析等；将确定情形DIKWP信息处理对应到格论偏序建模与处理等；将确定情形DIKWP知识处理对应到各种推理等；将确定情形DIKWP智慧处理对应到多目标价值权衡等；将确定情形DIKWP意图处理对应到目标/问题建模和关联等。进而通过对确定情形的单一类型确定处理两两组合，建立确定情形跨类型的DIKWP资源处理映射。这些基本确定情形DIKWP单一类型内处理和基本确定情形跨DIKWP类型资源的处理，进一步对接“业务-不确定性-差异-消解”不确定性处理机制等满足确定性处理要求的基本处理情形，如图22下半部分。
图22 确定情形DIKWP意图驱动经验转化范式与数学逻辑形式处理结合
在DIKWP资源{不完整，不一致，不精确}的不确定情形下，将进行DIKWP不确定性空间到DIKWP差异空间处理的细化对应，例如，将不确定情形DIKWP数据处理对应到数据不完整的缺失差异处理等；将不确定情形DIKWP信息处理对应到信息不完整的偏序关系中断差异处理等；将不确定情形DIKWP知识推理冲突处理对应到推理知识规则不一致差异处理等；将不确定情形DIKWP智慧失衡处理对应到多目标价值度量或不一致差异处理等；将不确定情形DIKWP意图发散处理对应到目标/问题的存在与本质语义探寻等。进而通过对不确定情形的单一类型不确定处理两两组合建立跨类型的DIKWP资源不确定情形处理映射。这些DIKWP单一类型内处理和基本跨DIKWP类型资源的基本不确定情形处理进一步通过“业务-不确定性-差异-消解”不确定性处理机制化解到差异处理空间，如图23所示。
图23 DIKWP资源不确定情形处理示例
综合的DIKWP不确定性处理则全链条在语义层面对应“业务-不确定性-差异-消解”不确定性处理机制，结合DIKWP确定性处理和DIKWP不确定性处理进行处理（图24），并形成DIKWP不确定性识别、消解、优化的DIKWP图谱差异形态的处理可控与处理可解释。
图24 DIKWP确定性处理和DIKWP不确定性处理结合示意
3.1.4工程实践原型验证规划
小微医疗服务企业对在线数字医生等的诊疗服务质量监测和管理的能力提升，往往受到患者和医生交互过程中各方主观认知不透明导致的服务监测覆盖不全面、服务交互内容主观性强等DIKWP不完整、不精确、不一致与不客观的制约。这些服务不确定性的存在直接导致监测结论的客观性难以确定与可客观解释性弱。项目研发验证原型目标是构建面向小微企业DIKWP服务互通共享的基础平台机制：基于存储-计算-传输一体化的兼顾隐私保护的公平、公正、透明制度技术化原型构建与验证。项目拟按照场景驱动的方式进行系统构建与验证实验。
图25 基于DIKWP的主客观融合诊疗服务质量监测（同患者不同医生）
在项目前期探索阶段，以医养康一体化的小微企业的服务交互为背景，基于DIKWP图谱化差异的形成机制，分别构建：诊疗质量监测与管理DIKWP服务不确定性处理场景（同一位患者分别就诊于两位不同的医生A与医生B，如图25）；诊疗公平性检测与管理DIKWP服务不确定性处理场景（疑似患相同疾病的两位患者A与患者B分别就诊于同一医生，如图26）。在面向医患交互过程的数字医疗服务纠纷解决中，通过DIKWP模型构建和处理医患数字服务交互的主要步骤：
图26基于DIKWP的主客观融合诊疗服务公平性检测（不同患者同医生）
A. 概念空间：定义医疗纠纷基本概念
(a) 基本概念定义与属性
医疗错误VConC_me：
属性：A(VConC_me)={错误类型，发生阶段，影响程度}，错误类型包括诊断错误、治疗错误、药物错误等；发生阶段涵盖诊断、治疗、手术、护理等；影响程度划分为轻微、中等、重大等。
患者权利VConC_pr：
属性：A(VConC_pr)={同意类型，同意内容}，同意类型分为书面同意、口头同意；同意内容包括治疗方法、风险解释、替代方案等。
同意书VConC_cf：
属性：A(VConC_cf)={同意类型，同意内容}，同意类型分为书面同意、口头同意；同意内容包括治疗方法、风险解释、替代方案等。
(b) 概念间的关系
医疗错误与患者伤害：R(VConC_me, VConC_pr)，关联患者伤害的医疗错误与患者的健康和生活质量受到的影响。
医疗错误与同意书：R(VConC_me, VConC_cf)，对应在未获得患者适当同意的情况下，将医疗操作构成的医疗错误与同意书关联，为判断医疗错误提供处理。
患者权利与同意书：R(VConC_pr, VConC_cf)，对应患者权利的保障与同意书的依赖关系。
(c) 操作
查询操作:通过Q(VConC, EConC, q)，根据特定的关系查询与医疗纠纷相关的所有概念，例如查询所有与特定类型的医疗错误相关的案例。
添加操作:利用Add(VConC, v)，将新识别的医疗错误类型或新的法律规定作为新概念加入概念空间。
修改操作:通过Update(VConC, v, A(v))，更新概念的属性，如根据最新的医疗研究更新医疗错误的影响程度或治疗方法的相关信息。
B. 认知空间：医患双方的认知处理
医生认知：医生对诊疗过程的认知处理，包括诊断决策、治疗方案选择等。
患者认知：患者对自身病情和治疗过程的理解，以及对医疗服务的期望。
(a) 医生认知处理函数
诊断决策函数fConN_Decision：
输入空间InputConN_Decision：包含患者症状描述、医学检查结果。
输出空间OutputConN_Decision：产生诊断列表，每个诊断附带概率评估。
处理过程：fConN_Decision=fevaluate○fgather，其中fgather收集输入信息，fevaluate基于临床经验和现有医学知识评估诊断。
治疗方案选择函数fConN_Treatment：
输入空间InputConN_Treatment：确定诊断的基础上，加入患者的具体情况和偏好。
输出空间OutputConN_Treatment：选定的治疗方案和预期效果及风险评估。
处理过程：fConN_Treatment=fweigh○foptions，foptions列举所有可行的治疗方案，fweigh权衡方案的效果与风险。
风险沟通函数fConN_Communication：
输入空间InputConN_Communication：选定治疗方案及其潜在风险。
输出空间OutputConN_Communication：患者对治疗风险的理解和同意程度。
处理过程：fConN_Communication=fcommunicate，确保患者理解治疗方案的潜在风险。
(b) 患者认知处理函数
病情理解函数fConN_understand:
输入空间InputConN_understand：医生提供的诊断信息和治疗方案。
输出空间OutputConN_understand：患者对自身病情和治疗方案的理解程度。
处理过程：fConN_understand=finterpret○freceive，其中freceive接收医生的信息，finterpret根据患者的经验和知识对信息进行解释。
治疗期望函数fConN_expectation：
输入空间InputConN_expectation：患者的个人希望和治疗方案详情。
输出空间OutputConN_expectation：患者对治疗过程和结果的期望。
处理过程：fConN_expectation=falign○fassess，其中fassess评估治疗方案，falign调整期望以匹配治疗。
(c) 医患认知差异与医疗纠纷解决
医生和患者在诊断决策、治疗方案选择和风险沟通产生认知差异。这些差异源自于对病情严重性的不同数字服务评估、治疗方案的DIKWP处理差异、医患数字服务代理之间的风险与意图沟通的不确定性。
纠纷解决策略函数fresolution strategy：
输入空间Inputresolution strategy：医患间存在的认知差异和纠纷的具体内容。
输出空间Outputresolution strategy：纠纷解决方案和双方满意的结果。
处理过程：fresolution strategy=fmediate○fidentify，fidentify识别纠纷根源，fmediate介入调解和沟通，以缩小认知空间差异，找到解决方案。
C. 语义空间：医患语义交互
在医患交互中，语义空间：SemA=(VSemA,ESemA))的语义单元VSemA：对应医学术语、疾病名称、治疗方法等，关系ESemA描述词汇之间的语义关联或逻辑依赖，如疾病和其症状之间的因果关系，治疗方法和预期效果或副作用之间的关系。借助语义空间，医生可以快速找到与特定病症相关的所有治疗方案和其副作用，患者也可以查询特定术语的含义，提高信息的透明度和理解度；也可以将在诊疗过程中新发现的信息（如罕见副作用的报告）作为新的语义单元添加到VSemA中，不断丰富语义空间；当治疗方法的有效性和适用性发生变化，更新这些信息在语义空间中的表示。
医疗信息交流：通过普遍接受的医疗术语和语言规则，数字医生向患者借助DIKWP模型面向认知空间的确定性处理进行诊断解释和治疗计划描述。
反馈和确认：患者通过提问、表达疑虑等方式与医生借助DIKWP模型进行语义一致的交流，以达到双方对治疗方案的认知的确定性。
如果不同数字医生A和医生B对疑似患有相同疾病的同一患者的诊疗结论A和诊疗结论B出现较大DIKWP表述差异，那么不仅患者将面对巨大的认知不确定性，也可能反映出某位数字医生服务的专业知识不够客观或诊疗质量不稳定等问题。项目通过结合小微数字诊疗企业的数字服务历史DIKWP积累，通过共享小微医疗企业的DIKWP资源来打通不完整、不精确、不一致、主客观混合的小数据、小信息、小知识、小智慧、小意图的单个服务企业的DIKWP资源瓶颈约束，以求构建更客观、完整、精确、一致的患者DIKWP认知图谱。进而基于患者的DIKWP认知图谱和患者陈述的病历DIKWP图谱，面向整个数字服务诊疗过程的不确定性识别和消解，以意图驱动的方式跨越概念空间-认知空间-语义空间，进行DIKWP资源语义融合与一致性验证处理，得到患者的DIKWP病历内容图谱。数字服务医生A和医生B通过借助自身的专业DIKWP供给能力，以DIKWP认知图谱A和DIKWP认知图谱B的数字服务代理形式与患者的病历DIKWP内容图谱进行交互诊疗。进而两个数字医生服务对同一患者借助各自的DIKWP认知图谱结合就诊过程进行诊疗意图驱动的DIKWP资源处理和交互，产生DIKWP诊断内容图谱A和DIKWP诊断内容图谱B。对DIKWP诊断内容图谱A和DIKWP诊断内容图谱B借助DIKWP转化进行DIKWP语义空间比较分析，针对其差异进行本质语义差异判别与标识。并进而借助基准参考诊疗DIKWP图谱对数字诊疗医生A和医生B的诊疗服务质量，进行基于DIKWP本质差异语义的DIKWP服务技能评价，构建DIKWP图谱差异导向的诊疗结果不确定性DIKWP图谱化解释（图25）与处理。
面向医疗资源诊疗公平性检测与管理中数字服务医生和患者的医患纠纷解决，例如，相同数字服务医生对患有相同疾病的不同患者A和患者B做出的诊疗结论不同，进而引发的患者与医生的服务争议。由于数字服务医生主观诊疗认知处理过程与患者外化陈述对应的医疗数字病历中的DIKWP内容进行主客观交互的过程传统上难以客观呈现。由于数字医疗服务提供方和使用方主客观内容不完整、不精确、不一致沟通导致的涉及数字诊疗服务公平性的纠纷判决往往缺少依据，引起判决的不确定性和判决过程难以透明化完整解释。项目通过共享小微医疗服务企业历史积累的DIKWP资源，构建患者A和患者B各自对应的DIKWP认知图谱，进而基于患者A和患者B各自的DIKWP认知图谱与患者A和患者B各自陈述的数字病历对应的DIKWP图谱进行DIKWP资源服务语义融合与一致性验证处理，得到患者A和患者B各自的DIKWP病历内容图谱A和病历内容图谱B。当患者A和患者B借助对应的DIKWP认知图谱形式的数字代理进行DIKWP语义沟通后，对他们的疑似相同的疾病DIKWP图谱输入得到的同一位数字医生的诊疗服务处理结果差异存疑时，可以将数字服务医生诊疗的过程建模为数字医生服务通过借助自身的专业能力DIKWP认知图谱与患者的病历DIKWP内容图谱进行交互诊疗后产生DIKWP诊断内容图谱A和DIKWP诊断内容图谱B。进而对DIKWP诊断内容图谱A和DIKWP诊断内容图谱B借助DIKWP语义空间转化等处理，面向不确定性识别和消解进行差异语义识别判定与比较（图26）。以语义差异解释意图驱动，溯源解释不确定性产生的原因，并设计传统方式判断的主观不确定性消解。项目前期在医养康领域已经进行了DIKWP不确定、不完整、不一致案例调研如表1，并进行了DIKWP处理方案实践，技术过程如图27所示。
图27 不完整、不精确、不一致差异空间标识与处理示意（同患者不同医生）
表1 DIKWP不完整、不精确、不一致差异汇集（同患者不同医生）
不一致 | 不完整 | 不精确 | ||
数据 | DoctorA and DoctorB | {hormones, immunosuppressants, Methylprednisolone, Cyclophosphamide}DAT_A≠ {biological agents,rituximab}DAT_B | {Methylprednisolone, Cyclophosphamide}DAT_A AND {rituximab}DAT_B | {Methylprednisolone, Cyclophosphamide}DAT_A↔{rituximab}DAT_B |
DoctorA and DoctorC | {urine routine, 24-hour urine protein, biochemistry}DAT_A≠{CT scan,bones,infection}DAT_C | {color,texture}DAT_A AND {kidney stones}DAT_C | {blood routine, serum creatinine, blood urea nitrogen}DAT_A ↔{blood tests}DAT_C | |
信息 | DoctorA and DoctorB | {starting}INF_A≠ {inject}INF_B | {inflammatory}INF_A AND {damage}INF_B | {side,such as}INF_A↔ {side,include,increased}INF_B |
DoctorA and DoctorC | {understand,renal}INF_A≠ {look for}INF_C | {foamy,cloudy}INF_A AND {specific,worse}INF_C | {includes,understand}INF_A↔{rule out,common}INF_C | |
知识 | DoctorA and DoctorB | {starting(Methylprednisolone)→reduce(kidneys)}KNG_A≠ {inject(rituximb)→ reduce(proteinuria)}KNG_B | {side(effect)→gain(weight)˄increase(blood pressure˄risks)}KNG_A AND {include(biologics,side(effect))→increase(risks)}KNG_B | {side(effect)→gain(weight)˄increase(blood pressure˄risks)}KNG_A↔{include(biologics,side(effect))→increase(risks)}KNG_B |
DoctorA and DoctorC | {understand(renal status) →start(urine routine, 25-hour urine protein, biochemistry)}KNG_A≠ {kidney stones→start(CT scan,blood tests)}KNG_C | {foamy˄cloudy(urine)→ understand(renal status)}KNG_A AND {no(fever)˄stable(weight)˄ worse(activity)˄specific(pain location)→kidney stones}KNG_C | {understand(renal status)→start(urine routine, 24-hour urine protein,biochemistry)}KNG_A ↔{kidney stones→start(CT scan,blood tests)}KNG_C | |
智慧 | DoctorA and DoctorB | {hormones˄immunosuppressants}WIS_A≠{biological agents}WIS_B | {considering(health˄condition)}WIS_A AND {fast(treatment)}WIS_B | {considering(health˄ condition)}WIS_A↔ {fast(treatment)}WIS_B |
DoctorA and DoctorC | {renal(status)}WIS_A≠ {kidney stones}WIS_C | {understand(renal status)}WIS_A↔{rule out(problem)}WIS_C | {understand(renal status)}WIS_A↔{rule out(problem)}WIS_C | |
意图 | DoctorA and DoctorB | {starting(Methylprednisolone˄Cyclophosphamide)}PUP_A≠{ject(rituximab)}PUP_B | {reduce(kidneys)}PUP_A AND {reduce(proteinuria)}PUP_B | {reduce(kidneys)}PUP_A↔{reduce(proteinuria)}PUP_B |
DoctorA and DoctorC | {start(urine routine, 24-hour urine protein,biochemistry)}PUP_A≠{start(CT scan)}PUP_C | {understand(renal status)}PUP_A AND {look for(bones,infections)}PUP_C | {understand(renal status)}PUP_A AND {look for(bones,infections)}PUP_C |
3.2可行性分析
本项目具有坚实的研究基础、准确的研究定位、合理的研究路线、完善的研究条件，为项目理论方法研究、关键技术攻关、原型平台研发提供了有力保障。
(1) 研究路线可行性分析
本项目围绕海南自贸港面向新质生成力发展中的数字经济建设、三网融合提升、旅游-医养康一体化协同、制度技术化等小微企业数字服务创新大背景，针对小微服务企业社群方式成长的数字资源、服务管理与服务体系不完善，资源表述“杂”、数据烟囱“多”、信息孤岛“散”、知识推理“偏”、智慧协调“缺”、意图整合“难”等情景，旨在解决小微企业社群运营的可信自贸港数字经济与治理服务融合的基础设施服务效用“低”、多源主客观交互过程的数据、信息、知识、智慧、意图不确定性语义消解“缺”、基于DIKWP融合的主观与客观交互的不确定性识别“难”、DIKWP定义及描述模型和执行模型不统一且分“离”等问题，满足支持“统”（存在语义-本质语义主客观概念语义协同）、“联”（意图驱动元模型-模型关联模型）、“标”（概念-实例-语义融合的DIKWP不确定性空间与差异空间标识）、“融”（DIKWP不确定性空间与差异空间融合）、“转”（DIKWP图谱化关联与意图转换）、“消”（DIKWP不确定性消解与解释构建）、“池”（“杂”、“多”、“散”、“偏”、“缺”、“难”的DIKWP资源可靠与可信池化）、“服”（高效、便捷、高质量DIKWP互通共享服务平台化）一体化的多源跨区域、跨机构、跨网络、跨系统小微企业社群客观、完整、精确、一致、高效的DIKWP 服务互通共享服务构建和管理需求。
本项目针对支持“统”、“联”、“标”、“融”、“转”、“消”、“池”、“服”一体化的多源跨区域、跨机构、跨网络、跨系统小微企业社群客观、完整、精确、一致、高效 DIKWP服务互通共享服务构建和管理需求，通过将现有DIKWP资源与服务对应的概念-实例-语义服务融合及服务交互中的不确定性映射到概念-实例-语义主客观融合认知、表述与处理不完整、不精确、不一致、难以界定与度量等DIKWP表述与交互情形，探索意图驱动的多尺度及介尺度概念-语义主观客观化DIKWP融合、转换、优化与工程实践原理与基础机制，开展理论方法研究、关键技术攻关和原型平台研发。
研究任务一主要解决DIKWP语义元建模及图谱化映射与关联方法方面的问题，为小微服务企业及社群DIKWP概念-实例-语义表达处理融合提供DIKWP元模型-模型协同建模方法，提供构建概念-实例-语义的存在语义-本质语义收敛形式科学模型的DIKWP概念-实例-语义存在计算与推理技术和DIKWP概念-实例-语义本质计算与推理机制等，并实现工程化的理论-机制体系融合和技术-资源映射的结合。研究任务二的重点是基于DIKWP图谱化的模型语义转换技术，为了实现此项任务，研究将基于小微企业DIKWP图谱业务意图语义分析生成DIKWP业务意图图谱，并基于DIKWP图谱不确定性消解意图分析生成DIKWP消解意图图谱。通过协同业务意图-不确定性消解意图融合语义DIKWP图谱，实现业务-消解语义关联。还将结合业务-消解语义与不确定性-差异处理技术，形成人员与企业业务意图与不确定性消解意图的DIKWP图谱化关联，与意图转换消解融合的“业务-不确定性-差异-消解”不确定性处理机制，实现意图驱动的可定制、可解释DIKWP不确定性消解能力。研究任务三主要关注于业务-消解语义与不确定性-差异处理技术的融合，为小微服务企业及社群DIKWP资源的
可靠、可信池化提供基于DIKWP概念-实例-语义融合的DIKWP不确定性空间和DIKWP差异空间标识方法，实现DIKWP不确定性消解与解释构建的可定制化服务。通过高效、便捷、高质量的DIKWP互通共享服务平台化实现DIKWP服务的跨区域、跨机构、跨网络、跨系统客观、完整、精确、一致、高效互通共享。最终，项目将研发基于数字存储、计算和传输一体化的公平、公正、透明制度技术化平台原型，以支持多源跨区域、跨机构、跨网络和跨系统的DIKWP互通语义服务网络构建。将开发基于数字存储、计算和传输一体化的兼顾隐私保护的公平、公正、透明制度技术化DIKWP原型平台，以满足小微服务企业DIKWP资源“杂”、“多”、“散”、“偏”、“缺”、“难”背景下的可靠、可信池化要求。实现高效、便捷、高质量的DIKWP互通共享服务原型平台构建，并提供全方位、一体化、一站式的小微企业创新、创业和生产力提升数字化服务运行验证。
图28基于DIKWP语义空间处理和优化的智能填表系统架构
本项目在深入分析当前相关技术和深入解析关键科学问题和研究内容的基础上，提出了层层递进的技术方案，既关注理论与方法创新，又注重原型验证，既重视关键技术攻关又重视验证原型平台研发，整体技术路线切实有效，具有较强的可行性。
(2) 研究基础可行性分析
本项目组在多年前期研究中，围绕着DIKWP建模、DIKWP图谱化、小微企业社群服务平台建设、存储-计算-传输一体化平台与DIKWP行业应用等方面开展了一系列的研究工作，承担了多项国家自然科学基金项目，海南省重点研发计划项目，国家知识产权局项目等，取得了丰富的研究成果。这些研究成果是支撑本项目研究的重要理论和技术基础。面向可信AI决策领域，项目团队面向解决DIKWP语义偏见实现公平、公正与可解释的智能填表，设计了意图驱动的DIKWP资源转化与交互的技术方案（图28），并进行了工程性实践（图29）。
图29 意图驱动的DIKWP语义空间填表处理过程
项目负责单位海南大学DIKWP创新团队长期从事DIKWP、服务计算与概念-语义交互认知生成、溯源、澄清、表述、形式建模以及处理实践问题，面向海南自由贸易港跨境数字资产管理、智慧城市建设、医疗康养等领域进行了面向概念语义模糊、不精确、缺失、建模与处理效率提升的跨界、跨学科以工程实践关联技术发明创新实践。2019年以来，团队发表论文100余篇（ESI高被引12篇），获中国及国际发明专利授权85件（1件加拿大发明专利，1件澳大利亚发明专利），参与制定IEEE及团体技术标准6项。
DIKWP语义处理相关发明专利：
(1) 段玉聪等，一种容错的基于图谱架构的智能语义搜索方法，专利号：2017104351867（已授权）
(2) 段玉聪等，一种关联频度计算的基于数据图谱、信息图谱和知识图谱框架的语义建模及抽象增强方法，专利号：2017103949110（已授权）
DIKWP图谱化处理相关发明专利：
(1) 段玉聪等，一种资源环境的正反双向动态平衡搜索策略，专利号：2017104343146（已授权）
(2) 段玉聪等，面向类型化资源的自动安全态势感知、分析与报警系统，专利号：2017107457007（已授权）
(3) 段玉聪等，基于数据图谱、信息图谱和知识图谱的图像数据目标识别增强方法，专利号：2018100239203（已授权）
(4) 段玉聪等，基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法，专利号：2018100371993（已授权）
(5) 段玉聪等，面向类型化资源的物联网资源采集传输优化系统，专利号：2017107467954（已授权）
(6) 段玉聪等，投入驱动的物联网资源安全保护方法，专利号：2018101924787（已授权）
(7) 段玉聪等，面向类型化资源的物联网数据隐私保护方法，专利号：2018102486953（已授权）
(8) 段玉聪等，一种基于数据图谱、信息图谱和知识图谱的处理架构资源可动态抽象的语义建模方法，专利号：2019107369359（已授权）
(9) 段玉聪等，一种基于数据图谱、信息图谱和知识图谱的搜索优化方法，专利号：2017104887501（已授权）
(10) 段玉聪等，一种投入决定的安全性可定义的基于数据图谱、信息图谱和知识图谱的资源安全保护方法，专利号：2017105063369（已授权）
(11) 段玉聪等，面向类型化资源的价值导向的存储与计算一体化优化系统，专利号：2017108705733（已授权）
(12) 段玉聪等，基于数据、信息和知识三层图谱架构的图像数据目标识别方法，专利号：201810074539X（已授权）
(13) 段玉聪等，类型化资源的交互代价驱动安全保护方法，专利号：2018111113853（已授权）
(14) 段玉聪等，一种面向边缘计算的类型化医疗资源处理系统设计方法，专利号：2017113168019（已授权）
(15) 段玉聪等，基于数据图谱、信息图谱、知识图谱的内容传输建模及处理优化机制，专利号：2019107369359；（已授权）
(16) 段玉聪等，基于DIKWP模型的区块链共识方法，专利号：2021165839X（已授权）
(17) 段玉聪等，基于DIKW内容对象的情感通讯方法，专利号：202110342607（已授权）
(18) 段玉聪等，基于DIKW图谱的虚拟社区人员性格分析及内容推送方法，专利号：2021107885788（已授权）
(19) 段玉聪等，基于公平性导向的情感内容DIKW化映射与传输方法，专利号：2021115327162（已授权）
(20) 段玉聪等，跨数据、信息、知识模态与量纲的预警方法及组件，专利号：2020106923858（已授权）
(21) 段玉聪等，基于DIKW图谱的资源识别方法、相关装置及可读介质，专利号：2021104313560（已授权）
(22) 段玉聪等，面向数据画像与信息画像价值交流转换的运载方法及系统，专利号：2021100437013（已授权）
(23) 段玉聪等，跨数据、信息、知识模态的用户差异隐私保护方法，专利号：2020113776478（已授权）
(24) 段玉聪等，跨数据信息知识模态的用户行为内容编解码方法，专利号：2020111969531（已授权）
(25) 段玉聪等，跨DIKW模态类型化隐私信息资源差分保护方法与系统，专利号：2021100750807（已授权）
(26) 段玉聪等，跨数据、信息、知识模态与量纲的任务处理方法及组件，专利号：2020106931375（已授权）
(27) 段玉聪等，跨数据、信息、知识多模态的特征挖掘方法及组件，专利号：202011084392.6（已授权）
(28) 段玉聪等，面向DIKW内容的意图驱动交互填表方法，专利号：2021110220258（已授权）
意图计算与推理相关发明专利：
(1) 段玉聪等，面向意图计算与推理的数据与信息融合的装置共享方法，专利号：2020114688879（已授权）
(2) 段玉聪等，面向意图计算与推理的DIKW模型构建方法及装置，专利号：2021104302852（已授权）
(3) 段玉聪等，意图驱动的多模态DIKW内容传输方法，专利号：2021108671697（已授权）
(4) 段玉聪等，意图计算导向的跨DIKW模态传输与优化系统，专利号：2021110066289（已授权）
(5) 段玉聪等，场景、事件、人物与意图匹配的智能提醒机制，专利号：2019112773198（已授权）
(6) 段玉聪等，意图驱动的适应竞争及合作意向的内容填充系统，专利号：2019109567871（已授权）
(7) 段玉聪等，多维度价值导向的针对意图的面向对象数值计算方法，专利号：2019112519074（已授权）
(8) 段玉聪等，融合公平、公正和透明法规技术化的多模态隐私保护方法，专利号：2020110982223（已授权）
(9) 段玉聪等，基于社交网络的时效敏感的仿区块链密码体系，专利号：201811091678X（已授权）
(10) 段玉聪等，价值驱动的多因素维度空间多介尺度融合的动态推荐系统，专利号：2020100326853（已授权）
(11) 段玉聪等，个性化便捷化自适应多层级交互区域优化配置方法，专利号：2018110471714（已授权）
(12) 段玉聪等，个性化英文字母展示风格变换方法，专利号：2018108006555（已授权）
(13) 段玉聪等，面向数据、信息权利可价值交换的智能运载装置调度方法，专利号：2020113291655（已授权）
(14) 段玉聪等，价值驱动的面向目的融合的优化系统，专利号：2020100290531（已授权）
(15) 段玉聪等，为便携式移动终端用户提供可自定义自适应的多功能交互区域的方法，专利号：2018109380521（已授权）
(16) 段玉聪等，价值驱动的类型化数据及其图表示的资源隐藏方法，专利号：2018111690422（已授权）
(17) 段玉聪等，自定义交互区域的自适应推荐方法，专利号：2018109459285（已授权）
(18) 段玉聪等，个性化网络人员与内容的整理与优化方法，专利号：2018109114909（已授权）
(19) 段玉聪等，融合公平度、体验感和价格的用户满意度建模与展示空间调整方法，专利号：20181538692X（已授权）
(20) 段玉聪等，可定义隐私模糊度的多维度体系化交互机制，专利号：2019111240393（已授权）
(21) 段玉聪等，基于意图驱动的DIKW的内容处理方法及系统，专利号：2021109092865（已授权）
(22) 段玉聪等，面向DIKW资源的情感表达映射、度量与优化传输系统，专利号：2021110066202（已授权）
(23) 段玉聪等，面向意图计算与推理的DIKW资源分析方法及系统，专利号：2021109077808（已授权）
(24) 段玉聪等，面向意图计算与推理的DIKW资源交互填充系统，专利号：2021110048435（已授权）
本质计算与推理相关发明专利：
(1) 段玉聪等，面向本质计算与推理的跨DIKW模态隐私资源保护方法，专利号：2020111046131（已授权）
(2) 段玉聪等，面向本质计算的跨DIKW图谱的虚拟社区资源处理方法及组件，专利号：2020107280653（已授权）
(3) 段玉聪等，面向本质计算的跨模态用户医疗数据分析方法，专利号：2020111990392（已授权）
(4) 段玉聪等，面向本质计算与推理的跨DIKW模态文本歧义处理方法，专利号：2020111034806（已授权）
(5) 段玉聪等，面向本质计算的多模态DIKW内容多语义分析方法，专利号：2020110995030（已授权）
(6) 段玉聪等，面向本质计算的DIKW隐私资源的处理方法和组件，专利号：2021100437028（已授权）
(7) 段玉聪等，面向本质计算与推理的跨模态随机化隐私保护方法与系统，专利号：2021100430103（已授权）
(8) 段玉聪等，基于常识推理的多模态资源的本质内容处理方法及系统，专利号：2021100743019（已授权）
(9) 段玉聪等，面向本质计算的跨DIKW模态的相对差分隐私保护方法，专利号：2020115801506（已授权）
(10) 段玉聪等，基于本质计算的跨模态特征挖掘方法及组件，中国专利号：2020113874907，澳大利亚专利号：2021258057（已授权）
(11) 段玉聪等，面向本质计算与推理的跨DIKW模态文本歧义处理方法，中国专利号：2020111034806，加拿大专利号：3136527（已授权）
(12) 段玉聪等，意图驱动的DIKW体系的群体差分隐私保护方法及装置，专利号：2021103811291（已授权）
(13) 段玉聪等，跨数据信息知识模态的面向本质计算的差分内容推荐方法，专利号：2020111983933（已授权）
(14) 段玉聪等，面向本质计算与推理融合的跨模态的推荐方法与装置，专利号：2020108569603（已授权）
项目自2015年启动DIKWP图谱化建模与处理研究以来，申请人已经在DIKWP研究主题下培养了多届研究生，其中雷羽潇同学荣获2021年度研究生国家奖学金，胡婷同学荣获2022年度研究生国家奖学金，已经完成的DIKWP建模与处理应用相关主题硕士毕业论文包括：
(1) 宋正阳. 校园安全态势感知与自动报警系统设计与实现[D]. 海南大学, 2020.
(2) 湛楼高. 基于DIKW的发明专利智能申请与答复系统的设计与实现[D]. 海南大学, 2021.
(3) 樊珂. 面向DIKW的内容建模研究和处理实践[D]. 海南大学, 2022.
(4) 雷羽潇. 面向DIKW图谱的AI治理技术化方法研究[D]. 海南大学, 2022.
(5) 胡婷. 面向DIKWP的医养康一体化建模、分析与系统实现[D]. 海南大学, 2023.
(6) 黄越. 基于DIKWP的可信、可靠与负责任的智能填表建模与验证研究[D]. 海南大学, 2023.
(1)
4. 本项目的特色与创新之处；
本项目以探索形成适合中国国情和海南自由贸易港小微企业以社群方式跨越式数字化升级与营商环境建设提供创新模式、基础理论方法与模型、关键技术、原型平台实践和整体解决方案为宗旨，以实现以小微企业社群协作为中心、覆盖全生命周期DIKWP资源与服务互通共享的服务不确定性识别、建模与处理为主线，以面向小微企业创新创业的数字化和智能化领域DIKWP资源与服务互通和共享基础理论、方法与技术突破为核心，以全周期、全流程的存储-计算-传输一体化的兼顾隐私保护的公平、公正、透明法律技术化原型平台实践为目标，开展理论方法和关键技术及应用创新。本项目的特色和创新点如下：
（1）DIKWP概念-实例-语义表达处理融合技术：研究DIKWP概念-实例-语义存在计算与推理技术和DIKWP概念-实例-语义本质计算与推理机制，构建概念-实例-语义的意图驱动元模型-模型关联的形式化到自然语言的泛化关联模型与意图计算与推理技术。为小微服务企业及社群DIKWP资源与服务概念-实例-语义表达处理融合提供DIKWP元模型-模型协同关联建模方法。
（2）DIKWP图谱化的不确定性语义溯源与演化技术：研究基于小微企业DIKWP图谱差异语义识别生成DIKWP差异空间技术，基于DIKWP图谱不确定性语义识别生成DIKWP不确定性空间技术，基于不确定性空间-差异空间语义映射实现不确定性-差异融合技术，面向DIKWP不确定性管理提供DIKWP不确定性-差异语义一体化语义溯源、迁移、演化识别与分析能力。
（3）意图驱动的DIKWP图谱化模型语义转换技术：研究基于小微企业DIKWP图谱业务意图语义分析生成DIKWP业务意图图谱，以及基于DIKWP图谱不确定性消解意图分析生成DIKWP消解意图图谱技术。通过协同业务意图-不确定性消解意图融合语义DIKWP图谱实现业务-消解语义关联。进而结合业务-消解语义与不确定性-差异处理技术，形成人员与企业业务意图与不确定性消解意图的DIKWP图谱化关联与意图转换消解融合的“业务-不确定性-差异-消解”不确定性处理机制。实现意图驱动的可定制、可解释的业务-消解意图一体化DIKWP不确定性消解能力。支撑“统、联、标、融、转、消、池、服”的全流程、全周期一体化高效、便捷、高质量的跨区域、跨机构、跨网络、跨系统小微企业社群DIKWP服务互通共享服务平台化。
5. 年度研究计划及预期研究结果（包括拟组织的重要学术交流活动、国际合作与交流计划等）。
（1）预期成果
预期理论与研发成果：突破DIKWP语义元建模及图谱化映射与关联方法、基于DIKWP图谱化的不确定性语义溯源与演化技术、意图驱动的DIKWP图谱化模型语义转换技术等基础理论方法和核心关键技术。在此基础上，研发基于数字存储-计算-传输一体化的兼顾隐私保护的公平、公正、透明制度技术化的DIKWP资源与服务原型平台。形成面向小微企业社群资源互通共享的DIKWP服务不确定性语义主观客观化建模与处理整体解决方案。并开发基于上述理论成果的支撑工具与原型系统。选取海南医养康一体化与气象服务融合的交叉领域等为代表的小微企业社群进行验证反馈，进行优化改进。
上述成果将以一系列国内外重要期刊论文（JCR/中国科学院1区、2区期刊，3篇以上）和顶级国际会议论文（领域顶级会议，3篇以上）、高水平国际和国内学术会议的大会特邀报告（2次以上）、发明专利或软件著作权（5件以上）、人才培养（博士生3人、硕士生5人，提交学位论文并通过答辩）、原型验证等形式体现。
（2）年度计划
年度 | 研究工作内容 | 计划产出 | 时间 |
2025 | 通过交流和文献收集了解国内外的最新动态，跟踪国际上有关DIKWP语义元建模及图谱化映射与关联方法、不确定性语义溯源与演化技术、语义转换技术等方面的研究前沿 | 文献综述 | 1-3月 |
对小微企业创新、创业、运营的DIKWP资源与服务融合需求、融合建模与处理服务等的用户需求，结合文献综述进行技术调研和实证分析，并形成调查报告。 | 调查报告 | 2-5月 | |
研究DIKWP元模型-模型协同建模方法。 | 研究论文1-2篇 |
5-12月 | |
DIKWP概念-实例-语义存在计算与推理技术。 | |||
研究DIKWP概念-实例-语义存在计算与推理技术。 | |||
研究DIKWP概念-实例-语义意图计算与推理技术。 | |||
参加1次智慧医疗或气象、人工智能、服务计算等领域重要国际会议并做报告。 | 宣读论文 | ||
年度工作总结及下年度工作安排 | 进展报告 | 12月 | |
2026 | 研究DIKWP图谱差异语义识别技术。 | 研究论文2-3篇 | 全年 |
研究DIKWP图谱不确定性语义识别技术。 | |||
研究不确定性空间-差异空间语义映射方法。 | |||
研究DIKWP不确定性语义迁移、演化分析技术。 | |||
参加1-2次智慧医疗或气象、人工智能、服务计算等领域重要国际会议并做报告 | 宣读论文 | 5-12月 | |
年度工作总结及下年度工作安排 | 进展报告 | 12月 | |
2027 | 研究DIKWP图谱业务意图语义分析技术。 | 研究论文2-3篇 | 全年 |
研究DIKWP图谱不确定性消解意图分析技术。 | |||
研究业务意图-不确定性消解意图融合语义生成技术。 | |||
研究意图驱动的DIKWP不确定性消解与解释生成技术。 | |||
参加1-2次智慧医疗或气象、人工智能、服务计算等领域重要国际会议并做报告 | 宣读论文 | 5-12月 | |
年度工作总结及下年度工作安排。 | 进展报告 | 12月 | |
2028 | 研发基于存储-计算-传输一体化的兼顾隐私保护的公平、公正、透明制度技术化DIKWP资源互通共享原型平台研发。 | 平台、研究论文1篇 | 全年 |
在海口-五指山-三亚地区进行原型系统行业应用验证。 | 验证报告 | 全年 | |
参加1-2次智慧医疗或气象、人工智能、服务计算等领域重要国际会议并做报告。 | 宣读论文 | 5-11月 | |
对原型验证结果进行评价与分析，并对方法研究进行补充修正。 | 9-12月 | ||
项目总结、结题准备。 | 结题报告 | 12月 |
（3）国际合作与交流计划
1） 拟以“DIKWP语义元建模及图谱化映射与关联方法”、“基于DIKWP图谱化的不确定性语义溯源与演化技术”、“意图驱动的DIKWP图谱化模型语义转换技术”为主题组织2次以上学术会议或workshop，邀请国内外知名学者参与讨论，开展合作研究。
2） 联合国内外学术同行在服务计算、智慧医疗、智慧气象、人工智能、大数据等相关国内外会议上组织主题为“基于DIKWP的服务不确定性语义主观客观化建模与处理研究”的workshop或session。
3） 联合国内外学术同行在相关领域的高水平学术期刊上组织1-2期special issue。
4） 每年邀请该领域的国际知名学者来访（美国、加拿大、欧洲、澳大利亚、新加坡等）1人次以上，每年出国参加学术会议或出国学术交流1人次以上，保持与国际高水平学术团队的交流研讨。
（二）研究基础与工作条件
1. 研究基础（与本项目相关的研究工作积累和已取得的研究工作成绩）；
项目申请人段玉聪，男，工学博士、教授、博士生导师，第一批入选海南省南海名家计划、海南省领军人才，2006年毕业于中国科学院软件研究所，先后在清华大学、首都医科大学、韩国浦项工科大学、法国国家科学院、捷克布拉格查理大学、意大利米兰比克卡大学、美国密苏里州立大学等工作与访学。现任海南大学计算机科学与技术学院学术委员会委员、海南大学DIKWP创新团队负责人、海南大学学报（自然科学版）编委、海南大学大数据学科负责人，兼北京信用学会高级顾问、兼重庆警察学院特聘研究员、海南省委双百人才团队“面向数据、信息、知识、技术DIKW融合的互联网创新团队”负责人、海南省发明协会副会长、海南省知识产权协会副会长、海南省低碳经济发展促进会副会长、海南省农产品加工企业协会副会长、美国中密西根大学客座研究员及意大利摩德纳大学的博士指导委员会委员等职务。长期探索概念-语义交互认知生成、溯源、澄清、表述、形式建模以及处理实践问题。基于跨界服务化背景下物理与数字资源双向全交互过程的多维度、多尺度的实践，进行理论抽象、问题本质识别、问题转化和具体技术泛化，形成以概念-语义不确定性界定和分析为核心的复杂内容处理和优化策略。工程性将混合主观客观的表达映射到DIKW类型化元素及图结构。面向客观语义缺失、精确度不符、不一致、表述冗余、主客观语义混淆的通用AI场景，提出了意图驱动的面向DIKW融合的发明创造方法：DIKWP-TRIZ。基于DIKW内容资源表达、DIKWP间转换的处理、计算、存储、传输资源不对称性，进行了面向概念语义模糊、不精确、缺失、传输、建模与处理效率提升的跨界、跨学科以工程实践关联技术发明创新实践。逐步形成具有明显创新性和突出优势的DIKW图谱化建模与处理理论体系和技术方法。近5年来，面向多行业、多领域设计面向概念语义模糊、不精确、缺失、传输、建模与处理效率提升的241件（含15件PCT发明专利）系列化中国及国际发明专利。近5年国内外期刊发表相关论文80余篇，11篇入选ESI高被引，Google学术统计被70余个国家或地区新增引用超4800次。
申请人在对DIKW进行形式化的基础上引入容纳表述主观内容的意图概念-语义部分构建跨主客观范畴的DIKWP架构。面向服务的概念空间-语义空间-认知空间交互与主客观概念-语义融合的不确定性处理，针对认知的主客观化提出了自然语言的概念-语义公理化体系，以及兼顾现有概念-语义的工程化解决方案。包括：面向DIKWP的PUCR建模与交互转换，将知识图谱等关联扩展为数据图谱(Data Graph)、信息图谱(Information Graph)、知识图谱(Knowledge Graph)，智慧图谱(Wisdom Graph)和意图图谱(Purpose Graph)-DIKWP图谱化体系；意图计算与推理机制、存在计算与推理机制与面向本质的计算与推理机制；提出面向语义计算与推理的存在计算与推理+本质计算与推理+意图计算与推理的融合模式：SCR::=PUCR+EXCR+ESCR；概念-语义映射与组合基础公理体系：存在语义的守恒公理(CEX)、语义一致性公理(CS)、本质集合整体完整性的组合一致性公理与存在语义继承公理。近五年有代表性的相关工作包括：
（1）主观客观化的公理化体系的理论典型验证与跨界融合
使用基于EXCR与ESCR构建的CS、CEX、CES、IHES等公理体系对欧式空间的点、线、面进行语义空间揭示，进而完成对Four Color Theorem（DOI: 10.13140/RG.2.2.14505.67684、旧DOI: 10.1109/ICCMS.2010.113)的本质语义-存在语义范畴几何模型构建规约解释，以及对Goldbach's Conjecture(DOI: 10.13140/RG.2.2.23213.77281)和Collatz Conjecture(DOI: 10.13140/RG.2.2.28299.36647, DOI: 10.1109/SERA.2017.7965748)的存在语义-本质语义范畴进行存在性映射、本质建模及认知规约分析。面向算法设计优化的认知主观客观化提出了基于本质语义+哲学奥卡姆剃刀定律(Ockham's Razor)的的算法设计方法。并在求中位数的典型案例中应用了本质语义驱动的算法设计，并取得O(n)=1.5n结果(DOI: 10.1109/SNPD.2018.8441053)。基于本质语义-存在语义映射、建模与分析的语义驱动模式，探索兼顾隐私保护的智能填表(DOI: 10.1109/SERVICES51467.2021.00032)、面向情感交互的主客观内容转换(DOI: 10.3969/j.issn.0255-8297.2020.05.011)、情感传输协议设计与主动适应优化机制(DOI: 10.1109/SERVICES51467.2021.00031)、面向DIKW的隐私保护方法(CN112818381A, CN113032832A)与跨模态差分隐私保护方法(CN112685772A, CN112307028A, CN112818386A)等。基于海南自贸港数据进出境智能治理的国际化数字资产管理制度创新需求，提出融合知情权、参与权与监督权的跨DIKW模态隐私资源保护法律技术化框架(DOI: 10.11896/jsjkx.201000011)。论文《面向跨模态隐私保护的AI治理法律技术化框架》获评为《计算机科学》2021年第9期封面论文，并被选为年度优秀论文。2023年，该论文入选首届科技期刊高质量发展大会100篇精品论文。
（2）跨尺度DIKWP语义图谱化表述
从语言表述层面将跨学科、跨领域、跨案例的语义融合问题形式上映射到概念-语义表述融合和语义本质内容融合两个层面。面向语义认知融合将这些概念-语义表述的认知融合，转换为对这些表述的DIKWP主观认知语义与客观认知语义的融合。面向大规模的概念-语义表述模糊与混杂的语义内容融合，特别是语义内容有时效性，并且持续演化的融合场景，基于存在语义跨DIKW模态融合构建本质语义的关系定义一切语义建模模型(DOI: 10.1109/SNPD.2019.8935728, DOI: 10.1109/SNPD.2019.8935653, DOI: 10.1109/SNPD.2019.8935701)。基于RDXS对AI服务从对需求语义到学习样本标记中难以客观描述的内容(DOI: 10.1109/SNPD.2019.8935653)包括模式(Pattern)、框架(Framework)、架构(Architecture)、风格(Style)、特征(Feature)、结构(Structure)等概念，进行了认知语义溯源与语义形式化区分(DOI: 10.1109/SNPD.2019.8935653)。
面向概念-语义主客观融合，基于自然语言文本描述、数据记录、关系型数据库、对象模型、数据图谱、知识图谱、语义网络、知识规则、经验表述等形式化、部分形式化的混合表述语义，抽象并提出DIKW图谱化体系-DIKW Graphs: Data Graph, Information Graph, Knowledge Graph, Wisdom Graph（DOI: 10.1109/SERA.2017.7965747，据IEEE Xplore统计已被下载1.8万余次）。该体系相对通常的数据图谱和知识图谱等表达能力更强，支持在DIKWP数据图谱上的继承关系、跨量纲计算与概率推理等，及在DIKWP信息图谱上的行为、使用等关系递推抽象，包括对蕴含关系、比较关系、操作可达性判定等。通过将内容描述性和语义可执行性在语义空间进行存在语义与本质语义关联，DIKWP Graphs支持更完整的概念-语义建模与处理。申请人带领DIKWP团队以“不完整数据、信息、知识下的多层DIKW图谱目标识别方法”获中国人工智能学会主办的首届中国AI创新创业大赛最佳创新奖，并指导学生以“基于数据图谱、信息图谱、知识图谱的不完整资源环境下的内容识别方法与设计”获得2018年中国大学生设计大赛国赛二等奖。
（3）基于存在语义的主客观化与面向本质语义的融合计算与推理
跨DIKWP数据、DIKWP信息与DIKWP知识表达模态的语义搜索，扩大了单一DIKWP模态下的语义目标搜索空间。部分相同目标表述本质语义内容可以DIKWP Graphs的超过一种图谱形态进行等价可互换表述。这为存储、传输与运算的处理进行相互转换提供了灵活性，例如部分常用数据、信息可以数据形态被存储，不用重新经过知识推理得到，可以节省重复处理代价。而部分不常用数据集则可以被归结为信息或抽象为知识规则来节省存储代价。依据EXCR与ESCR机制设计了DIKWP Graphs的元模型(DOI: 10.1109/ACCESS.2019.2931365)、DIKWP模态间转换范式“Data+Purpose=>Information”/“Information-Purpose=>Data”等及混合数值计算、逻辑推理与概率统计的融合规则(DOI: 10.1007/978-3-030-78303-7_3)。利用本质相同的语义内容以不同模态DIKWP Graphs呈现的分布拓扑差异、存储空间大小差异、搜索代价差异、转化难度不对称，设计了面向云计算-雾计算-边缘计算结合的软件定义的存储-传输-计算-推理一体化的优化策略(DOI: 1007-130X(2018)08-1383-07)，以及代价不对称和多样性驱动的负载均衡方法(DOI: 10.1007/s11276-019-02200-6, DOI:10.1155/2018/3794175)、可信服务发现(DOI: 10.1142/S0218194021400015)、类型化隐私保护方法(DOI: 10.3778/j.issn.1673-9418.1810016, DOI: CNKI:SUN:BJYD.0.2019-04-019)、非确定不保真复杂资源环境的正反双向动态平衡搜索服务(DOI: CNKI:SUN:XXWX.0.2019-01-035)、个性化多模态学习路径推荐服务(DOI: 10.3778/j.issn.1673-9418.1712057)等。
基于EXCR与ESCR构建的CS、CEX、CES、IHES等公理体系将自然语言混合形态的目标语义表达载体的基本元素分类，并映射到DIKWP模型，进而进行DIKWP图谱化。这一策略对比通常的机器学习方法，可以跟有效的不做完整性、一致性、精确性、正确性及相互独立假设的输入内容进行处理。也减少了引入相关假设伴随的主客观概念-语义不确定性增长。另外直接先进行DIKWP模态转换，相对于对资源进行先DIKWP内操作，然后进行跨DIKWP操作的处理模式，通常可以减少抽象处理环节。这两方面都有助于缩短问题输入与处理结果之间的认知距离与计算推理距离。这种解决策略对期待输出结果被非精确度、正确性、处理时限等单一评价维度定义的处理情形更有效。
（4）面向小微企业创新的跨学科、跨界DIKW服务化发明创造方法
响应国家“创新是第一生产力”的号召，面向海南自由贸易港多行业多领域创新，结合自贸港重点发展方向，申请人与IBM Watson研究中心、金蝶软件集团、Ericsson研究院等共同提出一切皆服务模型(DOI: 10.1109/CLOUD.2015.88)。基于DIKWP模型的表达、建模、转化、融合和处理优化处理，进行多行业多领域XaaS创新实践。在跨境数字资产管理、智慧城市建设、医疗康养等领域，基于跨界服务化背景下物理与数字资源双向全交互需求，进行理论抽象、问题本质识别、问题转化和具体技术泛化，形成以概念-语义不确定性界定和分析为核心的复杂内容处理和优化策略。工程性将混合主客观的表达映射到DIKWP类型化元素及图结构。面向客观语义缺失、精确度不符、不一致、表述冗余、主客观语义混淆的机器学习等AI处理不适用场景的问题解决，提出了意图驱动的面向DIKW融合的发明创造方法：DIKWP-TRIZ。依托该方法从概念-语义溯源范畴，进行体系化变革性创新探索研究与实践，从基础创新层面支撑海南自由贸易港建设可持续发展。基于多模态DIKW内容资源表达、多模态间转换的处理、计算、存储、传输资源不对称性，进行面向概念语义模糊、不精确、缺失、建模与处理效率提升的一系列跨界、跨学科以概念族语义形式化为基础的技术发明创新实践。自2017年以来，申请人面向多行业、多领域设计了面向概念语义模糊、不精确、缺失、传输、建模与处理效率提升的241件，含15件PCT国际发明专利（见链接：http://www.yucongduan.org/patents.html，）系列化中国及国际发明专利。自2019年以来，申请人连续保持海南省第1发明人发明专利年度授权量第1，已获授权第1发明人中国发明专利及国际发明专利85件。据第三方专业检索报告，申请人已授权中国发明专利占比海南省属地有效发明专利总量超过1.3%，近3年贡献率超过6%；占比海南大学有效发明专利总量超过13%，近3年贡献率超过22%。在信息技术类（G06或H04）申请人近3年有效授权发明专利占比海南省属地有效发明专利总量超过11%，贡献率超过33%。申请人在数据图谱领域的专利申请和授权量均位居全国首位，被科技日报以“海南大学数据图谱领域专利科研成果位居全国前列”进行报道。至2022年初，申请人授权的相关发明专利使海南大学位列国内高校知识图谱技术专利首位，并排名全球第15位。为促进全社会创新，申请人在海南省科学技术协会协会年会及海口市创新联盟成立会议，分别宣布5年内向海南100余家行业协会提供5×100共计500件技术解决创新方案，及向各众创空间/龙头企业每年援助3件DIKWP服务方案。部分成果还入选商务部“一带一路”20余国培训的创新教学案例。。
逐步形成具有明显创新性和突出优势的较为完善的DIKWP图谱化建模与处理理论与方法。2016年申请人第3参与的“智慧服务关键技术研究及应用”项目获得海南省科技进步二等奖。2019年申请人首批入选海南省南海名家与领军人才。通过推广DIKWP-TRIZ图谱化解决方案与长光卫星（海南）公司、中国电信（海南）、北京大学、中国科学院计算所、哈尔滨工业大学、北京协和医学院、华中农业大学、中国农业科学院、重庆市公安局、重庆警察学院、海南省人民医院、海南省气象局、海南省地质局、海南省眼科医院、海口市妇幼保健院等开展广泛产学研合作，并牵头完成国家知识产权局“海南航天航空大数据的高价值专利组合”与“智慧城市建设高价值专利组合（专利池）-跨模态多维度智慧处理与优化高价值专利组合”等多个服务地方科技创新专项。成果应用于北京、深圳、上海、青岛、杭州、海南等地，并获得人民网、科技日报、新华社、光明日报、海南日报、海南卫视等媒体报道。与淘宝合作，推动全国首例电商平台打假案与首例组织刷单入刑案判决。受最高人民检察院表彰，协助处理中国第一起涉虚拟币案件。与重庆警方合作，协助破获涉及全国20多个省市的首例特大跨境X案。2020年牵头10余家海南互联网骨干企业组建“面向数据、信息、知识、技术融合的互联网创新团队”，并入选海南省委双百人才团队。2020年，申请人指导“面向体系化AI发明创造的DIKW图谱化扩展及应用”项目获海南省唯一代表资格，参加中国科协、科技部主办的中国创新方法大赛决赛，并显著提升海南省占比排名。申请人作为第1完成人的项目“DIKW图谱化扩展及建模处理”获2020年吴文俊人工智能技术发明三等奖，被海南日报等以“海南省在人工智能领域的突破”为题报道。2022年获评海南省最美科技工作者（并入选中国最美科技工作者候选人）。2023年，申请人指导项目“面向人工意识的DIKWP个性化痛风医养康诊疗服务系统”获全国人工智能应用场景创新挑战赛二等奖，作为第1完成人的项目“小微医养康企业DIKWP服务融合人工意识系统”以海南第1的排名获首届全国企业创新增效大赛优秀项目。
DIKWP图谱化服务化工作受到国际学术界高度重视，在ER模型创立者Peter Chen教授(IEEE Fellow, ACM Fellow)与Carl Chang教授(IEEE Fellow, ACM Fellow)等指导下，自2019年起申请人作为共同程序委员会主席连续三年在国际服务计算顶会举办DIKW图谱化服务专题论坛：2019 IEEE International Workshop on Knowledge Graph as a Service, 2020 IEEE Workshop on Knowledge Networks和2021 IEEE International Workshop on Data, Information, Knowledge and Wisdom Networks。2021年申请人独立发起，并与海南省科学技术协会等共办首届国际数据、信息、知识与智慧大会(2021 IEEE Data, Information, Knowledge and Wisdom Conference, IEEE DIKW 2021)，汇聚20余国家/地区超百位DIKW专家学者，被多家媒体报道为海南本土发起的首次国际技术大会。连续担任IEEE DIKW 2022与IEEE DIKW 2023国际大会指导委员会共同主席。2022-2023年连续两年在Information & Communication领域入选斯坦福大学全球前2%顶尖科学家(World's Top 2% Scientists)的“终身科学影响力排行榜”。2023年申请人汇集中、美、加、日等多国多领域研究者发起首届世界人工意识大会(The World Conference on Artificial Consciousness, AC2023。申请人作为大会组委会共同主席，正在筹备第2届世界人工意识大会(The 2nd World Conference on Artificial Consciousness, AC2024)，促进跨学科、跨领域的以人为本的AI发展。
https://blog.sciencenet.cn/blog-3429562-1438425.html
上一篇：科幻小说：《人工意识日记-第10届世界人工意识大会2033年7月26日》
下一篇：[转载]祝贺！我会副会长段玉聪荣获海南省人才团队殊荣
