亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

目的 對軍事領域中人機協作的應用現狀和理論現狀進行歸納與分析，指出未來的發展趨勢，旨 在為人機協作軍事系統的技術發展和設計研究提供理論方向。方法 以無人機系統、無人車系統、無人 艇系統的實際應用場景為代表，分析人機協作的軍事應用現狀；剖析軍事背景下國內外人機協作任務分 配、人機交互方式、人機交互界面設計、人機協作效能評估的研究進展；綜合前人的研究現狀對未來的 研究發展趨勢進行總結。結論 根據國內外研究的現狀、熱點與趨勢可知，人機協作的任務分配需綜合 考慮人員行為和任務時序等因素，以提高人機協作效率，探尋更優的分配模式；多模態智能交互將成為 未來人與無人集群交互的主流形態，多通道結合的信息交流將改變操作員與指控系統互動的方式，實現 人與無人集群的高效交互；態勢認知是未來智能戰場面臨的挑戰，人機協作為智能態勢認知領域的研究 奠定了基礎。

隨著戰場信息化趨勢的發展，現代化戰場的整體 規模不斷擴大，戰場要素也愈加復雜，涉及多目標任 務和多資源的體系化作戰成為了主要的戰爭形態。人 機協作是指發生在人和自動化之間的協同交互，通常 被稱作 Human-Agent Teaming 或者 Human-Automation Collaboration[1]。在軍事層面，龐大的有人/無人協同 系統會參與到信息化戰場的協同作業中，復雜的操作 任務和作戰資源需要作戰體系具備規劃任務和自主 完成目標的能力[2]。因此，在復雜多變的戰場環境下， 自主規劃系統及監督指揮人員的協同作業顯得至關 重要[3]。人機協同作戰一直是軍事領域的研究熱點， 是指將無人系統與有人系統進行有機融合，基于共享 任務或信息的形式完成共同目標，這是智能化戰爭中 具有代表性的作戰方式之一[4]。基于對相關領域的研 究及應用資料的調查，美軍于 2003 年的伊拉克戰爭 中首次實現了有人/無人機協同作戰，通過有人機指 揮“MQ-1 捕食者”無人機發射導彈，實現作戰目標 物的發射打擊任務[5]。當前，國內外對無人機領域的 人機協作應用研究愈加廣泛。為實現資源的最大化利 用，通常采用單一操作員監督多個無人機的作戰模 式，但這種方式往往會增加人機系統的總體操作負 荷[6]。例如，美國在 2018 年的“拒止環境下無人機 協同作戰 CODE”項目中采用單一操作員控制多架無 人機的模式，執行偵察、打擊等作戰任務[7]。隨著未 來作戰化的趨勢向協同一體化的方向發展，在操作者 層面和武器平臺層面，實現資源的合理利用及充分配 置是人機協同作業的重要目標。 隨著人工智能、大數據等技術的發展，智能計算 等高新技術廣泛應用于軍事領域中的指揮控制系統、 無人作戰系統及輔助決策系統等自動化系統[8]。上述 系統注重人工智能技術的應用，突破了戰場環境下人 類生理疲勞等方面的限制，通過與人類合作來執行作 戰任務，形成人機協同作戰系統。人機協同作戰主要 有以下三種類型：第一種是智能化無人系統指引有人 系統實施作戰；第二種是智能化無人系統輔助有人系 統實施作戰；第三種是智能化無人系統掩護有人系統 實施作戰[4]。在人機協作系統中，智能系統運行速度 快，適用于執行規范化的繁雜任務，而人擔任監督規 劃的角色，通常在指定或突發階段，與智能系統聯合 完成協同作業[3]。然而，值得注意的是，雖然當前的 自動化系統能夠在一定程度上實現智能化任務，但是 在態勢感知及知識理解等方面仍存在固化思維，難以 完全替代人類[9]。例如，在指揮控制系統中，人類可 以發揮態勢感知的能力優勢，分析敵方的作戰意圖， 合理地分配作戰任務。而自動化系統主要是程序化的 定量感知，對動態的戰場環境感知的靈活度較低[10]。 總體來說，智能化作戰系統距離全自主性仍有較大差 距，需要和操作人員聯合完成作戰任務。 綜上所述，人和智能系統相互配合、執行任務， 可以發揮各自的優勢，提高作戰效率。人機協作過程 涉及任務分配、人機交互、效能評估等諸多方面，只 有實現各層面的高效融合和技術突破，才能達到理想 的協同作戰效果。然而，在動態、大規模的作戰環境 下，受限于智能技術的發展程度及未知的戰場態勢等 因素，人機協同技術仍處于探索階段，有許多工程技 術方面的難題需要解決，比如如何實現合理的協同任 務分配、如何實現靈活的人機交互等問題。因此，現 階段的研究重點是探究如何將人的經驗知識與機器智 能高效融合，最大化地發揮人機協同作戰系統的效能。

作戰概念是未來智能化戰爭設計的關鍵, 而作戰概念建模運用語言、符號、表格、圖形等對作戰概念這一想象的真實戰 爭系統進行抽象和簡化描述, 可為不同領域的專家提供溝通橋梁. 梳理總結作戰概念內涵、體系框架和開發等相關內容. 分析基于 模型的系統工程與概念建模, 描述作戰概念建模內涵, 歸納其特征與原則, 構建建模流程. 探討總結相關建模語言和方法的利弊及 其在作戰概念建模中的應用, 并建立了一種作戰概念建模的綜合集成方法, 以期能夠為未來作戰概念及其建模研究提供一定參考 和借鑒. 未來一段時期, 是世界“百年未有之大變局”的 重大量變階段, 智能化浪潮躍然而興, 顛覆性技術不 斷涌現[1] , 全球化趨勢調整前行, 各種矛盾沖突興盛 活躍, 大國博弈加劇, 加速了戰爭形態、作戰方式、 作戰能力和作戰理論等的變革. 如果沒有正確作戰 理論的指導, 不可能有成功的作戰實踐, 軍隊需要以 前瞻的作戰理論指導未來戰爭實踐. 而從某種程度 上而言, 作戰理論創新其本質是作戰概念的解構和 建構. 開發新的作戰概念的目的就是為了建立前瞻 的作戰理論, 以指導軍隊建設更好地聚集作戰資源、 凝聚作戰能力, 引領我軍部隊戰斗力由技術優勢（形 成交戰能力）向戰術優勢（形成任務能力）進而向戰場 優勢（形成行動能力）轉型升級. 作戰概念開發可以 牽引整體軍事發展. 需要在智能化戰爭這一新的戰 爭坐標維度下總結梳理戰爭史所重構出的“戰爭形 態”新概念, 為認知戰爭發展演變提供新視角, 為進 一步探尋新的方向和機遇提供可能.

馬賽克戰[2]、分布式作戰、多域戰[3-4]、全域戰、 決策中心戰 [5-6]、穿透型制空等美軍新型作戰概念層 出不窮[7-8] . 我國也提出了體系中心戰[9]、社會認知 戰[10]、全域智慧行動[11]、彈性殺傷網[12]、空間軌道博 弈[13]、電磁頻譜戰等作戰概念[14] . 這些作戰概念反映 了具有智能化特征的信息化戰爭的特點與未來戰爭 形態的進一步發展趨勢, 有些甚至是對作戰體系的 深度重塑. 將這些作戰概念向仿真或現實系統進行 轉化時, 需要完備、準確、詳盡的作戰概念模型支撐, 否則就無法將這些作戰概念的使命、任務、實體、行 動說清, 不同領域的專家很難進行溝通, 領域工程技 術人員也難以將作戰概念進行完整、準確、高效的 轉化, 從而影響作戰概念有效實施. 作戰概念所描述的作戰體系在作戰概念建模的過程中也可以得到初 步檢驗. 但從整體上系統總結和分析作戰概念尤其 是其建模理論與應用的論著尚不多見, 開發作戰概 念迫切需要作戰概念建模技術.

本文總結分析了作戰概念內涵、體系框架、開 發等作戰概念基本理論內容, 梳理歸納了基于模型 的系統工程與概念建模, 作戰概念建模內涵、特征與 原則、過程等作戰概念建模基本理論內容, 然后分析 探討了相關系統工程建模語言和方法在作戰概念建 模中的應用及其優缺點, 最后建立了對象過程方法 論（object-process methodology, OPM）與系統建模語 言（systems modeling language, SysML）結合美國國防 部體系架構框架（Department of Defense Architecture Framework, DoDAF）的作戰概念建模綜合集成方法. 期望能夠對未來作戰概念及其建模相關研究貢獻綿 薄之力.

隨著大數據、云計算、物聯網等一系列新興技術的大量涌現，人工智能技術不斷 取得突破性進展。深度強化學習技術作為人工智能的最新成果之一，正被逐漸引入軍事領域 中，促使軍事領域走向信息化和智能化。在未來戰爭作戰模式及軍隊發展建設中，網絡化、 信息化、智能化和無人化形成重要特征已經成為不可逆轉的趨勢。因此，本文在回顧了深度 強化學習基本原理和主要算法的基礎上，對當前深度強化學習在武器裝備、網絡安全、無人 機編隊、智能決策與博弈等方面的應用現狀進行了系統的梳理與總結。最后，針對實際推進 深度強化學習技術在軍事領域應用落地所面臨的一系列問題和挑戰，提供了未來進一步研究 的思路。

近年來，隨著大數據、云計算、物聯網等 一系列新興技術的大量涌現，人工智能技術不 斷取得突破性進展。作為 21 世紀的頂尖技術之 一，人工智能給各個領域的發展都帶來了前所 未有的機遇和挑戰，軍事領域也不例外。2016 年 6 月，由國防大學舉辦的“戰爭復雜性與信息化戰爭模擬”學術研討會，對大數據時代的軍事 信息體系與發展戰略進行了重點研究[1]，軍事 智能化已不再是一個陌生的概念，正在全面影 響著軍隊建設和未來戰爭形態[2]。從應用角度 來看，軍事智能化主要體現在五個層次[3]：以 無人機、無人車等仿生智能為主的單裝智能；以人機融合、集群、協同等概念為核心的協同 智能；以智能感知、決策、打擊、防御等多要 素作戰力量綜合運用的體系智能；以通信、網 絡、電子、輿情等專業領域管控的專項智能；以作戰體系基于數據、模型、算法獲取涌現效 應為目標的進化智能。人工智能技術為這些應 用的落地提供了堅實的基礎。深度學習（deep learning，DL）和強化學 習（reinforcement learning，RL）作為實現人工 智能的先進技術，分別在信息感知和認知決策 領域有著出色的表現[4]-[5]。深度強化學習（Deep Reinforcement Learning，DRL）[6]則是近幾年 提出的新興概念，結合了 DL 與 RL 的優勢， 是人工智能的最新成果之一，在機器人控制、 計算機視覺、自然語言處理、博弈論等領域都 取得了重要研究成果。在軍事領域中，針對作 戰任務規劃、智能軍事決策與智能博弈對抗等 問題的解決，DRL 也有著巨大的應用潛力，引 起了研究人員的廣泛關注。

目前，關于 DRL 的研究已經取得了較大進 展，有一些關于 DRL 的綜述性文獻陸續發表 [6]-[7]，但它們更加偏向于對 DRL 算法的總結。除此之外，也有一些關于 DRL 在領域應用中的 綜述，如無人機[8]、通信與網絡[9]、智能制造[10] 等領域，然而關于 DRL 在軍事領域中的應用， 并沒有專門的綜述性文獻對其進行深入梳理和 總結。基于此，本文首先回顧了 DRL 的理論發 展歷程；然后對 DRL 的基本算法及改進算法進 行了歸納總結；最后對前人研究中 DRL 在軍事 領域武器裝備、網絡安全、無人機編隊、智能 決策與博弈等問題的應用現狀進行了系統性的 總結，并展望了其發展方向和前景。

具有沉浸顯示、智能輔助、自然化人機交互等先進控制能力的新型無人機地面站已成為當前無人機控制領域的研究熱點。為分析其中的技術脈絡,系統性地梳理國內外一系列無人機先進地面站的功能要點及設計理念,在此基礎上從無人機地面站指揮控制的觀察—判斷—決策—行動回路出發,歸納提煉了其技術體系構成,分析指出了其中的任務環境構建、戰場態勢沉浸式顯示、智能化輔助決策和自然化人機交互等關鍵技術,并對各項技術的主要研究方法進行了深入剖析,還對無人機先進地面站目前存在的挑戰和未來發展趨勢進行了研判。該研究對新型地面站的研制具有指導和借鑒意義。

隨著信息技術的發展以及軍隊信息化水平的不斷提高，復雜多變的戰場形勢對軍隊的海量數據處理能力提出了巨大挑戰。本文介紹了知識圖譜在軍事領域構建的相關技術框架，總結了知識圖譜在軍事領域應用的不同方面，并針對知識圖譜在軍事領域的應用現狀，揭示了其改進方向。

軍事領域知識本體構建

知識圖譜的構建有兩種方式，即自上而下和自下而上的方法。自上而下的方法通常從定義知識圖譜的數據模式開始，從最頂層的概念開始構建，逐步向下細化，形成結構良好的分類層次，然后將實體加入到概念中。自下而上的方法將實體歸納組織起來，形成底層的概念，然后逐漸向上抽象，形成頂層的概念。

軍事領域是一個典型的特定領域，具有明確的概念層次，然而，部分專業知識存在于領域專家的頭腦中，可能無法從數據中歸納和抽象出來。由于軍事數據的保密性和軍事裝備的特殊性，許多文件和信息對知識圖譜的建立表現出絕對的阻礙，導致數據結構化程度較低，數據收集困難。因此，該領域的知識圖譜在構建之初，更適合采用自上而下的方式。在知識圖譜的基本結構（或概念層次）建立后，其類別節點或關系的數量達到一定規模后，又可以采用自下而上的方法來擴展圖譜的實例和屬性數據。通過以上分析，由于軍事裝備知識圖譜的特殊性，應首先構建本體。

本體構建方法

本體建設的方法主要有三種，人工建設、重用現有本體（半自動建設）和自動建設[15]。手工構建方法主要是通過領域專家來確定知識內容和關系，這樣本體的質量和準確性都比較高。軍事領域對知識的完整性和準確性要求較高，因此人工構建方法適用于軍事知識本體的構建。采用一般本體人工構建的思路，軍事本體可以采用自上而下的人工構建，首先構建軍事知識的頂層本體，在此基礎上開始構建各子領域的知識框架，逐步完成整個軍事知識本體的構建[16]。

目前國內外有五種比較有影響的本體手冊構建方法[17][18]：骨架法、TOVE法、IDEF5法、Methontology法和七步法。與其他方法相比，七步法相對成熟。它包括七個步驟，即確定專業領域和范圍，檢查重復使用現有本體的可能性，列出領域中的重要術語，定義類和類的層次結構，定義類的屬性，定義屬性面，以及創建實例[19]。然而，七步法也有一些局限性；這種方法沒有一個完整的生命周期[20]，也缺乏一個模型修訂過程，以應對開發后期的需求調整或功能增加。

軍事領域本體結構

在軍事裝備領域，文獻[13]將軍事裝備分為八大類，如火炮、艦船、飛行器等，并對裝備實體的殺傷力、最大速度等屬性進行了定義。這種裝備知識體系偏重于軍事裝備的科學描述，忽視了面向軍事作戰需求的知識表達。Liu等人[21]設計了一種基于需求的螺旋式反饋方法來構建軍事裝備知識模型，定義了1個頂層核心概念軍事裝備，4個相關概念如作戰活動，7個通用概念如國家，其中裝備分為8大類148小類。該模型包括202個實體屬性，6個實體關系，涵蓋了5800個武器類實體，18個作戰活動，86個國家。從以上分類可以看出，軍事領域不同任務的本體建設重點各不相同，但基本上可以分為以下幾個方面。

表1 軍事領域知識圖譜實體和關系的一般分類。

軍事領域知識圖譜的構建

在知識本體的基礎上，可以構建知識圖譜。軍事領域知識圖譜的構建和應用是一個系統工程，其構建過程分為六個階段，可以稱為領域知識圖譜的全生命周期，其設計的關鍵技術過程主要包含知識表示、知識存儲、知識提取、知識融合、知識演化、知識應用[22]。

軍事領域知識圖譜的知識服務

信息服務

基于知識圖譜，可以提供數據可視化和智能問答等基本信息服務。Zhao等[39]利用Javanese、Tomcat圖形顯示和Bootstrap技術，以區域分區和關注話題為聚合點，分層設計了話題→事件→實體的知識圖譜檢索和顯示服務，提高了分領域相關熱點檢索、分析和整理的效率。在構建軍事裝備知識圖譜的基礎上, Dou等人[44] 實現了基于模板匹配的知識問答[46] 。

情報偵察與挖掘

基于知識圖譜支持快速檢索、高效存儲、長鏈推理的特點，知識圖譜可以在情報偵察挖掘中完成情報收集、整理等工作[47]。

Palantir公司是第一家在國防領域使用知識圖譜技術，為反恐和作戰行動提供情報分析服務的公司，在政府和軍隊的決策和指揮中都發揮了重要作用。美國國防部高級研究計劃局（DARPA）[48]于2012年3月啟動了XDATA計劃，開發用于分析大量半結構化和非結構化數據的計算技術和軟件工具，同年啟動的文本深度探索和過濾（DEFT）計劃。更明確地提出利用深度學習技術發掘大量結構化文本的隱性、實用特征，以及進一步整合處理后的信息的能力，并在此基礎上將這些技術用于作戰評估、計劃和預測，以支持決策。DARPA在2017年發布的 "AIDA "項目研究了將自動獲取的知識從多個媒體來源映射到共同的語義表征、已知的本體擴展技術以及其他技術，以改造零散的信息，實現深度知識挖掘。

戰場態勢感知

基于知識圖譜強大的信息整合和知識挖掘能力，在戰場態勢感知中，知識圖譜可以通過提高知識融合算法的性能和提升知識處理工具的運行效率，促進軍事決策者更好地理解戰場態勢感知。

Yi等人[49]提出了一個智能識別推理框架，首先利用知識圖譜和圖譜數據庫技術構建知識圖譜數據庫，然后構建具有領域知識推理能力的多個智能體，并利用分類器推理技術進行綜合識別推理，可以實現智能目標識別的功能。

作戰指控

基于知識圖譜強大的知識表達能力、知識提取的準確性和快速性，在作戰指揮與控制方面，知識圖譜可以幫助實現高效指揮和快速決策。

2012年，美國陸軍的數據到決策（D2D）項目利用知識圖譜等關鍵技術，從數據中高效提煉知識，獲得作戰人員和決策者指導作戰所需的信息，并通過強化數據融合，將其與相關的背景信息和態勢信息整合在一起，提供清晰的威脅、選擇和后果[47]。模擬推演是指在執行行動之前或期間，根據行動方案中規定的行動意圖、順序和過程，對行動方案中不同階段的部署、行動目標或結果進行演練和分析的過程。知識圖譜還為模擬演練提供了知識和數據支持，并為海量異構數據提供結構化存儲，從而提高模擬演練系統的效率[35]。

網絡空間安全

基于知識圖譜的數據檢索、數據管理、知識推理等功能，在網絡空間安全的背景下，知識圖譜在增強網絡態勢感知、提高網絡攻防能力、維護國家網絡空間安全方面具有重要意義[49]。

美國國家安全局（NSA）的 "棱鏡計劃 "每天從電信公司提取數百萬用戶的通話記錄，并從微軟、谷歌、雅虎、Facebook、蘋果等九大網絡巨頭的中央服務器獲取信息，通過信息融合和知識獲取技術進行關聯分析和推理，生成高質量的情報產品。通過信息融合和知識獲取技術進行關聯分析和推理，產生高質量的情報產品，對其他國家的網絡空間安全構成巨大威脅[50]。美國陸軍的 "網絡攻擊自動化非常規傳感環境 "項目旨在開發網絡攻擊行為的預測方法和檢測即將發生的網絡現象的有效方法，以幫助網絡防御者應對網絡攻擊，開發和驗證能夠預測網絡攻擊的非常規、多學科傳感技術，并執行現有的先進入侵檢測能力[51]。

近年來,隨著互聯網技術以及引用模式的快速發展,計算機世界的數據規模呈指數型增長,這些數據中蘊含著大量有 價值的信息,如何從中篩選出知識并將這些知識進行有效組織和表達引起了廣泛關注.知識圖譜由此而生,面向知識圖譜的知 識推理就是知識圖譜研究的熱點之一,已經在語義搜索、智能問答等領域取得了重大成就.然而,由于樣本數據存在各種缺陷, 例如樣本數據缺少頭尾實體、查詢路徑過長、樣本數據錯誤等,因此面對上述特點的零樣本、單樣本、少樣本和多樣本知識圖譜 推理更受矚目.文中將從知識圖譜的基本概念和基礎知識出發,介紹近年來知識圖譜推理方法的最新研究進展.具體而言,根 據樣本數據量大小的不同,將知識圖譜推理方法分為多樣本推理、少樣本推理和零與單樣本推理.模型使用超過５個實例數進 行推理的為多樣本推理,模型使用２~５實例數進行推理的為少樣本推理,模型使用零個或者一個實例數進行推理的為零與單 樣本推理.根據方法的不同,將多樣本知識圖譜推理細分為基于規則的推理、基于分布式的推理、基于神經網絡的推理以及基 于其他的推理,將少樣本知識圖譜推理細分為基于元學習的推理與基于相鄰實體信息的推理,具體分析總結這些方法.此外, 進一步講述了知識圖譜推理的典型應用,并探討了知識圖譜推理現存的問題、未來的研究方向和前景.

知識圖譜推理即面向知識圖譜的知識推理.知識圖譜有 很多種定義,是以圖的形式表示真實世界的實體與實體之間 關系的知識庫.知識圖譜的研究源于２０００年 XML 大會上 TimBernersLee提出的語義 Web的理念,最初的作用是為 Web網頁添加語義信息,提供信息代理、搜索代理、信息過濾 等語義信息服務.２００５年,美國 Metaweb公司成立,致力于 開發開放共享的世界知識庫.Metaweb基于維基百科、美國 證券交易委員會等公開的數據集,提取出現實世界中人或事 物(實體)及他們之間的關系,并且以圖的結構儲存在計算機 中.２０１０年,谷歌收購了 Metaweb公司,并在２０１２年提出了 知識圖譜[１]的概念. 具體來說,知識圖譜是通過將應用數學、圖形學、信息可 視化技術、信息科學等學科的理論、方法與計量學引文分析、 共現分析等方法結合,并利用可視化的圖譜形象地展示其核 心結構、發展歷史、前沿領域以及整體知識架構,達到多學科 融合目的的現代理論.它把復雜的知識領域通過數據挖掘、 信息處理、知識計量和圖形繪制顯示出來,揭示知識領域的動 態發展規律,為學科研究提供切實的、有價值的參考.迄今為 止,其實際應用已經逐步拓展并取得了較好的效果.

目前,已經涌現出一大批知識圖譜,其中具有代表性的有 DBpedia [２],Freebase [３],NELL [４],Probase [５]等.這些知識圖 譜從大量數據資 源 中 抽 取、組 織 和 管 理 知 識,希 望 為 用 戶 提供能夠讀懂用戶需求的智能服 務.例 如:理 解 搜 索 的 語 義,提供更精準的搜索答案.大批的 知 識 圖 譜 被 廣 泛 應 用 于知識圖譜補全與去噪的學術研 究 領 域.除 此 之 外,知 識 圖譜在問答系統、推 薦 系 統、機 器 翻 譯 等 領 域 也 發 揮 了 重 要作用,并已在醫學診斷、金融安全、軍用等 領 域 展 示 出 很 好的應用前景. 雖然現在已經存在一些知識圖譜綜述文獻,但是基于數 據樣本量的知識圖譜算法的分類歸納仍然缺乏.模型的樣本 量越多,推理難度越低,準確性也越高,但是現實世界的適用 率越低.為此,本文根據樣本數據量大小的不同,將知識圖譜 推理方法分為多樣本推理、少樣本推理和零與單樣本推理,并 對其最新進展進行詳細分類總結;最后提出知識圖譜推理未 來的潛在發展方向. 本文第２節總結知識圖譜推理的基礎知識;第３節分析 多樣本知識圖譜推理相關方法;第４節論述少樣本知識圖譜推理相關方法;第５節指出知識圖譜推理的未來研究趨勢;最 后總結全文.

個性化學習推薦是智能學習的一個研究領域,其目標是在學習平臺上給特定學習者提供有效學習資源,從而提升學習積極性與學習效果。雖然現有的推薦方法已被廣泛用于教學場景,但教學活動自身的科學規律,使個性化學習推薦在個性化參數設置、推薦目標設定、評價標準設計等方面具有一定的特殊性。針對上述問題,在調研大量文獻的基礎上對近年來個性化學習推薦的研究進行了綜述。從學習推薦通用框架、學習者建模、學習推薦對象建模、學習推薦算法、學習推薦評價五方面對個性化學習推薦的相關研究進行了系統的梳理和解讀。首先提出了學習推薦系統的通用框架,其次介紹了學習者建模的思路和方法,接著討論了學習推薦對象建模的思路和方法,然后歸納了學習推薦的算法與模型,接下來總結了學習推薦評價的設計與方法。并對這五方面現有研究的主要思想、實施方案、優勢及不足進行了分析。最后還展望了個性化學習推薦未來的發展方向,為智能學習的進一步深入研究奠定了基礎。

我們生活在一個由大量不同模態內容構建而成的多媒體世界中，不同模態信息之間具有高度的相關性和互補性，多模態表征學習的主要目的就是挖掘出不同模態之間的共性和特性，產生出可以表示多模態信息的隱含向量.該文章主要介紹了目前應用較廣的視覺語言表征的相應研究工作，包括傳統的基于相似性模型的研究方法和目前主流的基于語言模型的預訓練的方法.目前比較好的思路和解決方案是將視覺特征語義化然后與文本特征通過一個強大的特征抽取器產生出表征，其中Transformer[1]作為主要的特征抽取器被應用表征學習的各類任務中.文章分別從研究背景、不同研究方法的劃分、測評方法、未來發展趨勢等幾個不同角度進行闡述.

//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6125&flag=1

近年來，隨著web2.0的普及，使用圖挖掘技術進行異常檢測受到人們越來越多的關注.圖異常檢測在欺詐檢測、入侵檢測、虛假投票、僵尸粉絲分析等領域發揮著重要作用.本文在廣泛調研國內外大量文獻以及最新科研成果的基礎上，按照數據表示形式將面向圖的異常檢測劃分成靜態圖上的異常檢測與動態圖上的異常檢測兩大類，進一步按照異常類型將靜態圖上的異常分為孤立個體異常和群組異常檢測兩種類別，動態圖上的異常分為孤立個體異常、群體異常以及事件異常三種類型.對每一類異常檢測方法當前的研究進展加以介紹，對每種異常檢測算法的基本思想、優缺點進行分析、對比，總結面向圖的異常檢測的關鍵技術、常用框架、應用領域、常用數據集以及性能評估方法，并對未來可能的發展趨勢進行展望.

//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6100&flag=1

摘要： 在自然語言處理領域，信息抽取一直以來受到人們的關注.信息抽取主要包括3項子任務：實體抽取、關系抽取和事件抽取,而關系抽取是信息抽取領域的核心任務和重要環節.實體關系抽取的主要目標是從自然語言文本中識別并判定實體對之間存在的特定關系，這為智能檢索、語義分析等提供了基礎支持，有助于提高搜索效率，促進知識庫的自動構建.綜合闡述了實體關系抽取的發展歷史，介紹了常用的中文和英文關系抽取工具和評價體系.主要從4個方面展開介紹了實體關系抽取方法，包括：早期的傳統關系抽取方法、基于傳統機器學習、基于深度學習和基于開放領域的關系抽取方法，總結了在不同歷史階段的主流研究方法以及相應的代表性成果，并對各種實體關系抽取技術進行對比分析.最后，對實體關系抽取的未來重點研究內容和發展趨勢進行了總結和展望.

//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2020.20190358#1