交互式多模型_个性化知识导航的交互式模型简析

个性化知识导航的交互模型通过用户与知识库间的交互优化求解路径，实现知识的动态适配。然而，传统知识库上的寻径主要是针对专家知识，鲜有考虑用户的多粒度和多维度的情景，适应性较差。因此，用户情景感知成为构建个性化知识导航交互模型的首要问题。此外，由于难以衡量用户再学习和反馈机制的收敛性，理解知识适配的作用机理成为一项难题。

如何感知用户情景，探索知识适配机理，优化知识适配模型是大数据知识工程的一个关键科学问题。围绕上述三个科学问题，拟通过“在线学习拓扑融合-知识导航”三个阶段，实现碎片化知识的“量质-序”转化与应用问题求解。需要重点研究八个研究方向：

• 1. 碎片化知识表示/知识簇表示：碎片化知识表示是知识挖掘、融合的前提。针对碎片化知识的高维、稀疏、低质、分面等特性，拟采用深度学习方法对碎片化知识与语义联系进行建模，实现分布式环境下可溯源的碎片化知识和知识簇表示。
• 2. 碎片化知识在线挖掘和协同学习：拟构建基于稀疏表示的概念漂移和演化模型，解决概念漂移学习时间窗的时空代价问题；研究概率图模型稀疏分布的共享优化，实现碎片化知识的多维度协同学习。
• 3. 基于时序特性分析的知识演化模型：针对碎片化知识的更新和动态变化特点，需要研究融合时序特征的演化模型变结构学习。为提升模型精准性，需要研究知识演化下的噪音清洗方法。
• 4. 碎片化知识语义关联挖掘与涌现特性分析：碎片化知识融合的依据是知识之间的语义关联，拟设计关联拓扑与深层语义特征相结合的关联挖掘算法，生成知识簇；在此基础上，分析关联拓扑特性的涌现规律，为知识融合提供理论支撑。
• 5. 基于可靠子图发现的知识动态融合：旨在融合碎片化知识，实现量质转换与增殖拟将融合过程看作从知识簇对应的不确定图中发现可靠子图的过程，研究知识簇中可靠子图发现与变粒度语义推理方法，并基于量子概率对融合结果进行置信度评估。
• 6. 交互式情景感知：知识导航的前提是感知用户情景。拟综合多数据源、多维度的统计特征，构建融合交互行为、情感和偏好等属性的情景感知模型。
• 7. 需求驱动的知识寻径：用户情景具有多分面、个性化特点，导致从知识库中规划出匹配用户情景的知识导航路径是一个多元约束满足问题。拟提出基于群体智能的知识导航路径规划算法，并设计基于上下文和焦点的导航路径可视化方法，引导用户知识寻径。
• 8. 交互情景下知识适配的优化：依据交互式情景的“人人参与”和“逐步求精的特点，研究知识适配的作用机理，利用空间变理论和元学习理论寻求优化知识适配的模型。