[01204127]面向高级人工智能领域的类人智能关键技术及系统研发

人工智能技术旨在使计算机模拟人的思维过程和智能行为,它是计算机科学的重要分支。人工智能技术的研究起源于20世纪50年代,其演进过程可以划分为计算智能、感知智能和认知智能三个主要阶段。 认知智能是人工智能的高级阶段,它旨在对智能的实质进行更加深入的研究,对人类的知识组织、推理、联想等能力进行模拟。由于传统的基于逻辑符号的人工智能方法在处理直觉、非结构化信息方面的缺陷,类人建模方法被认为是实现认知智能的重要技术途径之一。总体上,基于类人建模方法的认知智能技术研究现在仍处于起步阶段。例如,现有的深度神经网络可以模拟大脑对自然界物理信号的感知能力,却仍无法高效认知经过大脑思考而产生的自然语言,也即无法做到智能语义理解。除此之外,在逻辑推理和自我学习方面,以深度神经网络为核心的相应研究还存在空白。 本项目研究工作计划围绕核心技术研究、知识库建设以及训练平台与原型系统构建三个方面进行。在核心技术研究方面,开展以深度神经网络为核心的智能语义理解技术和基于知识图谱深层神经网络建模的逻辑推理技术研究;在知识库建设方面,着重建设中文常识领域的知识图谱以及通用中文语言知识库;此外,搭建支持大规模深度学习运算的训练平台以支撑核心算法验证与模型训练工作;最终整合上述研发成果,设计实现具备中文常识理解和推理能力的原型验证系统。 创新点： 1.提出了海量文本上引入词汇语义知识的自然语义表达建模技术,在很大程度上增强了自然语言语义模型的表达能力。 2.提出了基于神经网络的自然语句表达技术,在句子级常识蕴含推理问答任务中现阶段最优的性能表现。 3.提出一种以人工神经网络为核心的常识推理模型,该模型可以将自然世界中大量事件的常识关系,进行合理而又高效的建模,并在知名国际常识推理评测中取得显著优于传统方法的效果。 4.提出一种高效的在海量文本上进行常识知识图谱构建的方法,为项目的模型训练和系统开发提供了有效的数据支撑。 获奖情况： 1.本项目所研发的基于深度神经网络的推理方法,已经应用到当前国际知名的常识推理任务Winograd Schema Challenge,并取得了显著优于传统方法的性能,当前我们在该挑战任务上的性能已经达到70%,是目前国际上的最优性能。 2.本项目所研发的知识库构建技术在2016年的TAC-KBP评测中取得第一名。