前 言

當前人工智能在不確定性、脆弱性和開放性實際應用環境中面臨重大挑戰，任何程度的機器智能都無法完全取代人類.一種新的學習范——“知識引導+數據驅動”的人機混合增強智能的新模式應運而生，基本思路是：綜合人類在記憶、常識、直覺、推理、歸納、演繹等高階認知方面的優勢和機器在存儲、計算、特征識別、搜索、優化等方面的認知計算優勢，將人類推理和隨機決策方面的能力引入到機器高效的計算過程中，實現人在回路的混合增強智能.

《計算機研究與發展》推出了人機混合增強智能的典型應用專題，以促進該方向創新研究與發展.本期專題得到同行的廣泛關注，通過公開征文收到19篇高質量投稿稿件，這些論文闡述了人機混合增強智能的重要研究成果和發展前景.特邀編委先后邀請了十余位相關領域的專家參與評審，歷經初審、復審、終審等階段，最終遴選出4篇高質量的論文入選本專題.內容涵蓋了主動學習、排序學習、表示學習等關鍵技術，在一定程度上反映了當前國內學者在腦機接口、網絡輿情演化趨勢評估、知識圖譜搜索與問答等方面的典型應用.

基于運動想象的腦機接口技術能夠建立大腦與外界之間的聯系,逐漸成為人機混合增強智能的重要應用,并廣泛應用于醫學康復治療等領域.賈子鈺等作者的 “基于多尺度特征提取與擠壓激勵模型的運動想象分類方法”一文提出一種多尺度特征提取與擠壓激勵模型對運動想象腦電信號進行高精度分類.首先,基于多尺度卷積模塊自動提取原始腦電信號的時域、頻域和時頻域特征;然后,使用殘差模塊和擠壓激勵模塊分別進行特征的融合和選擇;最后,利用全連接網絡層進行運動想象腦電信號的分類.

社交網絡中的輿情事件關乎社會的和諧與穩定,分析事件的演化趨勢并進行管控能夠有效降低惡性輿情事件的影響.但是,高效的輿情管控卻面臨標注數據少、管控資源有限的難題,采用人機混合增強技術,充分利用少量標注樣本中的專家知識,是建立輿情演化態勢評估模型的可行思路之一.秦濤等作者的“基于排序學習的網絡輿情演化趨勢評估方法研究”一文提出一種基于排序學習的輿情事件演化趨勢重要性評估算法,在模型訓練過程中,充分利用標注數據中的專家知識以及有標簽數據和無標簽數據的關聯關系,篩選重要輿情事件進行管控,提升管控資源利用效能.首先,結合輿情管控經驗和需求從“人”“事”“勢”等三要素出發,構建易獲取、可量化、有含義的輿情事件演化態勢評估指標體系;其次,基于圖卷積神經網絡構建輿情演化趨勢評估模型,利用局部敏感 Hash算法挖掘數據的空間結構信息,并利用圖卷積求取數據及其鄰域的混合特征;最后,針對有標簽數據和無標簽數據設計相應的損失函數,實現標注數據中專家知識和無標注數據中空間結構信息的綜合利用.

在知識圖譜進行有效的搜索可以為智能問答、語義檢索等智能應用提供有效支撐.然而,當用戶不能給出明確的查詢意圖時,一個搜索系統要如何精準捕獲用戶的興趣并找到對應的查詢目標是項難題.王萌等作者的“人機混合的知識圖譜主動搜索”一文在知識圖譜表示學習技術的基礎上, 將知識圖譜的搜索任務建模成向量空間中人機混合的主動搜索任務.首先,將知識圖譜和用戶的興趣偏好嵌入到同一低維向量空間.然后,機器主動向用戶提問,通過讓用戶對具體實體進行打分的方式獲取相應的反饋信息,進而更新用戶偏好在向量空間中的定位.

知識圖譜中不僅有結構信息，還包含有豐富的上下文信息和文本信息,也可被用于學習更準確的嵌入表示.姚思雨等作者的“規則引導的知識圖譜聯合嵌入方法”一文提出了一種規則引導的知識圖譜聯合嵌入學習模型,基于圖卷積網絡將上下文信息與文本信息融合到實體與關系的嵌入表示中.針對上下文信息的卷積編碼,通過計算單條上下文信息的置信度與關聯度來度量其重要程度.

承蒙各位作者、審稿專家、編輯部各方面的全力支持，本專題得以順利出版.在審稿過程中難免出現不盡人意之處，希望各位作者和讀者包容諒解，同時也請各位同行不吝批評指正.期望本專題的出版能給廣大相關領域研究人員帶來啟發和幫助.