**喜事連連！知識圖譜巨大進化了！道翰天瓊認知智能機器人平臺API接口大腦爲您揭祕**

喜事連連！知識圖譜巨大進化了！道翰天瓊認知智能機器人平臺API接口大腦爲您揭祕

知識圖譜自己是一種圖結構數據，採用圖構建知識和數據之間的關聯，應用圖神經網絡技術，有望結合知識和數據，實現更好的可解釋和可信人工智能技術。本文將介紹基於圖神經網絡的知識圖譜學習與計算以及基於圖神經網絡融合知識圖譜信息的應用的研究進展。1

知識圖譜與圖神經網絡

近幾年來，人工智能技術獲得了飛速發展，其進展突出體如今以知識圖譜(Knowledge Graph)爲表明的知識工程和以圖神經網絡(Graph Neural NetWorks, GNN)爲表明的深度學習等相關領域。融合知識圖譜與圖神經網絡已然成爲研究人員進一步完善知識圖譜學習與提高圖神經網絡模型推理能力的重要技術思路。知識圖譜是以圖的形式表現客觀世界中的實體及其之間關係的知識庫，實體能夠是真實世界中的物體或抽象的概念，關係則表示了實體間的聯繫。所以，知識圖譜可以以結構化的形式表示人類知識，經過知識表示和推理技術，能夠給人工智能系統提供可處理的先驗知識，讓其具備與人類同樣的解決複雜任務的能力[1~3]。如何更好地構建、表示、補全、應用知識圖譜，已經成爲認知和人工智能領域重要的研究方向之一。圖神經網絡的概念最先於2005年由戈裏(Gori)等人[4]提出，是一種專門用於處理圖結構數據的神經網絡模型。使用圖能夠更準確和靈活地對現實應用中的數據建模，如在電子商務領域中的用戶–產品交互圖、化學領域的分子圖、醫藥領域的藥物反作用圖等。所以，研究者們設計了多種圖神經網絡模型，包括圖卷積網絡(Graph Convolutional Network，GCN)[5~7]、圖注意力網絡(Graph Attention Network，GAT)[8]等。此外，因爲異質圖具備更靈活的建模和融合信息的能力[9]，研究者們還嘗試設計和應用基於異質圖的圖神經網絡模型[10~12]。如何設計更合理的圖神經網絡模型，使信息沿着圖結構更合理地傳播，從而提高模型對圖結構數據的擬合能力，是人工智能領域的一個熱點問題。近年來，描述常識和事實的知識圖譜成爲了學術界和工業界普遍使用的知識表示方式，圖神經網絡在信息傳播、關係概括偏置上也展示了優秀的性能[13]。考慮到知識圖譜自己剛好就是一種圖結構數據，所以採用圖構建知識和數據之間的關聯，同時應用圖神經網絡技術，有望結合知識和數據實現更好的可解釋和可信人工智能技術。一方面，利用圖神經網絡在學習節點、邊表示上的優點，能夠更好地學習知識圖譜的實體、關係的嵌入表示，改善關係抽取等任務，幫助構建知識圖譜，以及提升連接預測等任務，幫助補全知識圖譜；另外一方面，利用圖神經網絡在信息傳播和推理上的優點，能夠更有效地在應用任務中引入知識圖譜中的信息，從而改善如文本挖掘、推薦系統、計算機視覺等領域中的應用效果，提供可解釋的模型。本文將對知識圖譜與圖神經網絡模型相融合的方法及應用進行綜述。
2

基於圖神經網絡的知識圖譜學習與計算

因爲知識圖譜能夠表徵實體之間結構化的關係，現在已經成爲認知和人工智能領域重要的研究方向。圖神經網絡利用深度神經網絡對圖數據中的拓撲結構信息和屬性特徵信息進行整合，進而提供更精細的節點或子結構的特徵表示，並能很方便地以解耦或端到端的方式與下游任務結合，巧妙地知足了知識圖譜對學習實體、關係的屬性特徵和結構特徵的要求。本節主要從知識圖譜中的5個典型任務介紹基於圖神經網絡的知識圖譜學習方法。知識圖譜表示學習知識圖譜表示學習，即爲知識圖譜中的實體和關係學習出一個低維度的向量表示，同時包含一些語義信息，從而得以在下游任務中更加方便地提取和利用知識圖譜中的信息，例如連接預測[10]、常識問答[1]等。經過應用圖神經網絡，在學習知識圖譜的表示時，每一個實體都將利用到與其相關的其餘實體中的信息，打破了彼此之間的孤立性，從而學得更完整更豐富的實體、關係表示。經典的翻譯系列模型在知識表示和推理的問題上顯示出強大的學習能力，例如圖1（a）中，TransE(Translating Embedding)[14]提出頭實體的向量表示加上關係的向量表示，應當等於尾實體的向量表示，經過這種約束，TransE學得了實體之間豐富的語義關係。Cai等人[15]將翻譯系列模型的思想引入到了GCN[7]中，提出了TransGCN（如圖1(b)所示），綜合了TransE模型和圖神經網絡的優勢。考慮到知識圖譜中的關係具備不一樣種類的特色，關係圖卷積網絡(R-GCN)[10] 使用關係特定的變換矩陣擴展了GCN，如圖1(c) 所示，而且爲了緩解因爲關係種類過於豐富而致使的參數量巨大的問題，提出了基分解和塊對角分解兩種正則化策略。當出現知識庫以外的實體時，一種思路是利用相關的實體和關係學習新實體的表示，例如濱口(Hamaguchi)等人[16]提出使用圖神經網絡利用鄰實體和對應的關係得到新實體的表示，並針對知識圖譜的特色，爲圖神經網絡提出了新的傳播模型；Wang等人[17]進一步改進了傳播模型，即邏輯注意力網絡(Logic Attention Network，LAN)，以考慮實體鄰域的無序性和不平等性質，從而更好地學習實體和對應的鄰實體之間的關係。與以上研究不一樣的是，Hu等人提出了一種利用實體描述做爲輔助文本的知識圖譜表示學習方法Teger，如圖1(d) 所示，它一方面利用GCN對輔助文本中的局部語義關係和長距離語義關係進行編碼，另外一方面基於TransE學得知識圖譜的結構信息，從而經過結合兩種途徑獲得了更精確的實體表示。GENI(GNN for Estimating Node Importance)[18]爲了估計知識圖譜中實體的重要性，提出了鄰實體的重要性分數（而不是鄰實體的特徵）對中心實體的重要性評估起主要做用的觀點，所以設計了預測感知的注意力機制和靈活的中心性調整策略，使重要性分數進行傳播，而非實體表示。信息抽取信息抽取是指從非結構化、半結構化文檔或句子中提取結構化信息的技術，與知識圖譜的構建有着密切的聯繫，主要包括命名實體識別、實體消歧、關係抽取、指代消解等任務。近年來，已有許多研究將圖神經網絡應用於知識圖譜的關係抽取任務，而在其餘任務上對圖神經網絡的探索還較少。經過圖神經網絡能夠對句子內或句間詞與詞的關聯關係進行有效建模，從而更準確地捕捉實體間的關係。關係抽取，即從文本中識別抽取實體對之間的語義關係。例如，從句子「[賈玲]，80後相聲新秀，師承中國著名相聲表演藝術家[馮鞏]」中識別出實體「[賈玲]」和「[馮鞏]」之間具備「師生」關係。在關係抽取中，許多工做基於句子的依賴樹使用GCN對詞之間的依賴關係進行編碼，或基於知識圖譜表示進行句子編碼，從而預測關係類別。如圖2(a) 所示，C-GCN(Contextualized GCN)[19]是一種基於上下文的GCN模型，該模型將句子的依賴樹進行剪枝，只保留與實體對的依賴關係路徑部分；基於注意力的圖卷積網絡(Attention Guided Graph Convolutional Network，AGGCN)[20]也在句子的依賴樹上使用GCN模型，但採用了多頭注意力機制以一種軟加權的方式對邊（依賴關係）進行選擇，如圖2(b)所示；與以前兩個基於依賴樹的模型不一樣，Zhang等人[21]將GCN用於編碼關係的層次結構，提出了一種由粗到細粒度的知識感知注意機制以提升關係抽取的效果，如圖2(c)所示。以上三種方法均用於單句上的關係抽取，而薩胡(Sahu)等人[22]則將包含多個句子的整個文檔進行構圖，如圖2(d)所示，圖中的節點表明單詞，邊表明多種單句內和跨句間的關係，而後應用GCN更新圖節點的表示，從而進行跨句關係抽取的任務。實體消歧，即對於從文本中抽取獲得的實體對象，將其連接到知識庫中對應的正確實體對象。如圖3所示，Hu等人[23]提出了一種圖神經實體消歧模型(Graph Neural Entity Disambiguation, GNED)，首先爲文檔構造實體–詞異質圖，對文檔中的實體之間的語義關係進行編碼；而後將GCN應用於該異質圖，得到語義信息加強的實體表示；最後採用條件隨機場來結合實體連接的局部和全局信息。實體對齊實體對齊是將從知識圖譜中學習到的描述同一目標的實體或概念進行合併，再將合併後的實體集與開放連接數據中抽取的實體進行合併，旨在融合多個知識圖譜造成一個更完整的知識圖譜。因爲圖神經網絡具備識別同構子圖的能力[24]，而可對齊的實體對周圍一般有類似的鄰居，即具備必定的同構特徵，所以目前有許多研究者嘗試將圖神經網絡用於實體對齊。Cao等人[25]提出了一種新的多通道圖神經網絡模型(Multi-Channel Graph Neural Network，MuGNN)，來爲兩個不一樣的知識圖譜中的待對齊實體學習魯棒表示。該模型還對規則進行了推斷和傳遞，以進一步加強兩個知識圖譜的一致性。Zhang等人[26]提出了一種統一的框架LinKG來合併不一樣來源的知識圖譜，同時爲了將歧義性強的實體（如人名）正確對齊，還提出了一種異質圖注意力網絡(Heterogeneous Graph Attention Network)，在相關的子圖上學習每對候選者是否匹配。Sun等人[27]指出大量的對應實體對不具備同構的鄰居結構，致使圖神經網絡爲此類實體產生的實體表示並不匹配，由此提出AliNet(Alignment Network)，基於注意力機制引入了遠距離的鄰居以擴展鄰居結構的重疊部分，加強了對應實體對的同構性。在實體對齊中有一類特殊的子任務，即跨語言實體對齊。Wang等人[28]經過多個GCN實現跨語言實體對齊。該方法分別使用一個GCN將每種語言的實體和關係分別嵌入到一個統一的空間中，從而爲屬性和結構都學習一個表示，最後基於這兩種表示進行實體對齊。與之不一樣的是，Xu等人[29]基於給定實體的鄰域子圖，將實體對齊問題轉化爲了圖匹配問題，提出了一種基於圖注意力的方法，對兩個實體子圖中的全部實體進行匹配，並對局部匹配信息建模，最終獲得一個圖級別的匹配向量。連接預測連接預測是用於預測知識圖譜中實體對之間所缺乏關係的任務，具備普遍的應用範圍，旨在解決知識圖譜不完整的問題。連接預測與知識圖譜表示學習有着不可分割的聯繫，一方面表示學習一般須要用連接預測評價優劣[10,15]，另外一方面連接預測的模型一般也會學得實體和關係的表示。許多工做利用圖神經網絡爲實體引入鄰實體和對應關係的信息，學得更全面的實體表示，從而更準確地預測實體之間的連接關係。GMatching[30]開發了一種基於度量小樣本學習方法，它利用R-GCN[10]爲單跳鄰居進行編碼從而捕捉局部的圖結構信息。因爲R-GCN的一個不足之處是平等地對待鄰域中的不一樣實體，SACN（Structure-Aware Convolutional Network）[31]引入了加權GCN來定義具備相同關係類型的兩個相鄰實體之間的相關性，利用節點結構、節點屬性和關係類型來獲取知識圖譜中的結構信息，最後送入解碼器Conv-TransE來預測關係是否成立。解碼器採用ConvE[32]來度量語義的匹配程度，同時還能夠得到TransE[14]的翻譯特性。目前常見的學習個性化權重的方式是引入注意力機制，所以納撒尼爾(Nathani)等人[33]引入GAT[8]使得連接預測時能夠在利用鄰實體信息的同時，依據多頭注意力機制爲不一樣鄰實體分配不一樣的權重。Zhang等人[34]進一步提出了一種基於層次注意力的關係圖神經網絡(RGHAT)，第一層是關係級別的注意力，其靈感來自不一樣關係對某一實體的指示權重不一樣的直覺；第二層是實體級別關注，使得模型可以突出同一關係下不一樣相鄰實體的重要性。G2SKGE[35]採用了實體和對應的鄰域構建子圖，並設計了一種信息融合機制圖到序列(Graph to Sequence generator，Graph2Seq)，從而利用圖神經網絡的框架來學習知識圖譜中的實體表示。知識推理與連接預測類似，知識推理是從給定的知識圖譜中推導出實體與實體之間的新關係，但知識推理所得到的關係一般須要在知識圖譜中進行多跳的推理過程。知識推理是一些下游任務的重要支撐之一，例如知識庫問答[1~3]。因爲圖神經網絡在推理能力上的優點[13]，近年來被一些研究者嘗試用於知識推理任務。Xu等人[36]提出了一種用於大規模知識圖譜推理任務的圖神經網絡(Dynamically Pruned Message Passing Network，DPMPN)，如圖4(a)所示，它包含兩個遵循消息傳遞神經網絡[37]架構的模塊，其中一個用於全局的信息傳播，另外一個用於局部的信息傳播。Zhang等人[38]提出了一個名爲ExpressGNN的圖神經網絡用於機率邏輯推理，它將馬爾可夫邏輯網絡(Markov logic network)[39]引入到了圖神經網絡框架，從而將邏輯規則和機率圖模型與圖神經網絡結合在一塊兒。Lin等人[1]提出了一個基於圖的關係推理模型KagNet(Knowledge-aware graph Network)，如圖4(b)所示，該模型使用GCN更新知識圖譜中的實體表示後，利用長短時間記憶網絡(Long Short-Term Memory，LSTM)爲候選路徑打分，從而選出最佳的推理路徑。如圖4(c)所示，認知圖譜問答(CogQA)[3]則使用BERT(Bidirectional Encoder Representations from Transformers)輸出的若干片斷構建一個認知圖譜，並利用圖神經網絡的信息傳播機制，實如今認知圖譜上的多跳推理計算。
3

基於圖神經網絡的知識圖譜應用

描述常識和事實的知識圖譜是學術界和工業界普遍使用的知識表示方式，採用圖構建知識和數據之間的關聯，是一種直接且有效的將知識和數據結合的方式。受益於圖神經網絡技術在信息傳播和推理上的優點，知識圖譜中的先驗知識被有效地引入到應用任務中。文本挖掘知識圖譜由天然語言構建而來，所以與文本挖掘的聯繫頗深。知識圖譜在大部分的文本挖掘任務中都有大量的應用，其中應用最普遍的是知識庫問答任務。在文本分類、文本生成等任務中，知識圖譜也都扮演了很是重要的角色。知識庫問答是對知識圖譜最直接的應用任務，即基於知識圖譜中的結構化知識，分析用戶天然語言問題的語義，進而在知識圖譜中經過檢索、匹配或推理等方式進行回答。因爲圖神經網絡在推理能力尤爲是多跳推理上的優點[13]，已有大量工做將圖神經網絡用於知識庫問答任務。KagNet[1]尋找實體之間的潛在路徑並對其打分來肯定最佳路徑，從而選出最佳答案。首先基於知識圖譜將問題抽取爲結構化的圖，並基於外部知識圖譜擴展爲該問題的相關子圖，而後使用GCN更新節點表示，最後使用LSTM爲路徑打分，即選出最佳的推論。CogQA[3]根據人類的認知方式1設計了兩個模塊，分別對應於人類的兩種認知模式，模塊一基於BERT在文本中抽取與問題相關的實體名稱，並擴展節點和彙總語義向量；模塊二則利用圖神經網絡在模塊一中構建的認知圖譜上進行多跳推理計算。De Cao等人[2] 首先根據涉及的實體進行構圖，而後根據文檔內和跨多個文檔傳播的信息使用GCN進行聚合和多步推理。相似地，Ye等人[40]提出知識加強圖神經網絡(Knowledge-enhanced Graph Neural Network，KGNN)，利用知識圖譜中的關係事實爲段落中的實體構建實體圖譜，從而使用圖神經網絡對多個段落進行推理。Lv等人[41]使用結構化的ConceptNet和非結構化的Wikipedia做爲兩個外部知識源，並根據問題和答案選項，從兩個知識源中抽取出證據並依此構建爲圖，而後使用GCN更新節點表示並使用注意力機制融合獲得圖級別的表示，最後用於答案的推斷。在文本分類[12]、文本生成[42,43]、分類法構建[44]等任務中，引入知識圖譜中的先驗知識，可使模型更準確地理解天然語言的含義。Hu等人[12]提出了一種異質圖神經網絡HGAT(Heterogeneous Graph Attention Network)用於短文本分類，如圖5所示，首先基於知識庫構造包含短文本、實體、主題三類節點的短文本異質圖，從而利用知識庫中的知識加強短文本中的信息，設計了一種帶有雙層注意力機制的異質圖神經網絡，用於得到知識加強的短文本表示，從而提升分類效果。Hu等人還將HGAT用於虛假新聞檢測，提出因爲虛假新聞的虛假性特徵，會致使所含實體的表示會與知識庫中的實體表示有較大差別，所以經過HGAT學習融合了新聞內容的實體表示，並經過一個匹配網絡模塊度量與知識庫中的實體表示之間的差別性，從而提升檢測效果。Koncel-Kedziorski等人[42]提出了一種新的圖轉換器(graph transformers)用於編碼知識圖譜中包含的節點、關係信息，從而結合給定的待生成文本標題，利用解碼器實現對應文本的生成。Chen等人[43]提出了一種雙向Graph2Seq模型，利用知識圖譜中的結構信息，使用雙向門控圖神經網絡(Bidirectional Gated Graph Neural Network，BiGGNN)學習圖譜節點表示，以一種帶有節點級別的複製機制的LSTM做爲解碼器來生成文本。Graph2Taxo[44]是一種基於圖神經網絡的跨域知識遷移框架，用於分類法構建的任務，它使用一個由上下位詞候選對構造的有噪聲圖，以及一些已知域的一組分類，利用圖神經網絡指導未知領域的分類結構學習。推薦系統爲了解決推薦系統中的稀疏性問題和冷啓動問題，一種可行的思路是將知識圖譜做爲外部信息整合到推薦系統中，使推薦系統具備常識推理能力。研究者們基於圖神經網絡強大的聚合信息以及推理能力，設計了基於圖神經網絡和知識圖譜的推薦系統，有效地提高了推薦命中率。此外，圖神經網絡的信息傳播與推理能力也爲推薦結構提供了必定的可解釋性。RippleNet[45]將知識圖譜特徵學習和推薦算法的目標函數結合，使用端到端的方法進行聯合學習，從而將知識圖譜做爲額外信息融入至推薦系統。如圖6(a)所示，知識圖譜卷積網絡神經網絡(Knowledge Graph Convolutional Network，KGCN)[46]經過擴展知識圖譜中每一個實體的感覺野，捕捉用戶的高階個性化興趣，同時對商品之間的潛在聯繫建模，從而提升推薦的準確性。如圖6(b)所示，知識圖譜注意力網絡(Knowledge Graph Attention Network，KGAT)[47]進一步引入知識感知的注意力機制，從融合知識圖譜的用戶–商品交互圖中傳播高階連接路徑的信息。Wang等人[48]提出了基於標籤平滑正則的知識感知圖神經網絡(KGNN-LS)，首先將知識圖譜轉換爲用戶相關的帶權圖，而後使用該圖神經網絡計算個性化的商品嵌入，從而提高推薦效果。計算機視覺人類區別於現代計算機視覺算法的一個特徵是得到知識並使用該知識推理視覺世界的能力，從而能夠經過不多的例子認知視覺世界[49]。研究者們考慮到圖神經網絡在學習節點和邊的表示方面的優點，應用了圖神經網絡來學習利用圖像中的目標與知識圖譜之間的關聯關係。馬連奴(Marino)等人[49]首先根據大規模圖像數據集中的一些先驗知識構建了一個知識圖譜，如圖7(a)所示，包括目標–屬性和目標–目標之間的關係，並基於該結構化的先驗知識，提出了圖搜索神經網絡(Graph Search Neural Network)，將先驗知識引入圖像分類從而提升分類效果。相似地，如圖7(b)所示，Wang等人[50]提出了圖注意力機制來從圖像中識別社交關係，首先根據大規模圖像數據集構建了一個描述社交關係和目標共現的知識圖譜，而後採用門控圖神經網絡(Gated Graph Neural Network，GGNN)利用該知識圖譜中的語義結構信息學習更準確的節點和關係表示，從而提升了圖像中社交關係識別的性能。Wang等人[51]則使用從知識圖譜中學得的標籤語義嵌入和標籤間的關係，將一種多層GCN訓練爲一個零樣本圖像分類器。
4

總結與展望

結合知識圖譜和圖神經網絡的相關研究已經成爲人工智能領域的一個熱點方向。知識圖譜能夠爲各種學習任務提供良好的先驗知識，圖神經網絡則能夠更好地支持圖數據的學習任務。可是，目前基於圖神經網絡的知識圖譜學習、計算與應用的研究都還相對較少，將來仍有巨大的發展空間，例如基於圖神經網絡的知識圖譜自動構建、基於異質圖神經網絡的知識融合、基於元路徑或圖神經網絡的知識圖譜複雜推理、基於圖神經網絡的可解釋性學習等。自動構建當前的知識圖譜高度依賴於人工構建，構建特定領域的知識圖譜又是企業應用裏不可或缺的現實需求。在學習建模實體的時間信息和實體動力學方面，已有一些基於傳統深度學習的工做，但一般沒法將知識圖譜做爲一個總體對其動態性進行建模。於是，利用最近的一些動態圖神經網絡的方法例如圖時空網絡，同時建模並預測微觀層面上的實體以及宏觀層面上的圖譜的變化規律，是一個值得關注的方向。融合知識採用圖構建知識和數據之間的關聯從而引入知識圖譜，是目前研究的一種主流思路之一。一般，真實數據中的交互關係有豐富的屬性特徵（如用戶–商品交互圖中用戶和商品都帶有豐富的屬性特徵），而知識圖譜則是關係特徵豐富的，即相對更側重於結構性。此外，知識圖譜中的本體概念層包含大量的謂詞邏輯規則知識，如何設計更合適的圖神經網絡模型彌補這三者之間的語義鴻溝，從而更好地融合知識圖譜中的先驗知識，將是一個研究難點。一種直接的思路是利用異質圖神經網絡的方法，考慮節點的異質性和多模態性，從而用適合各種型的不一樣方式對不一樣的信息進行融合。複雜推理因爲基於嵌入的方法在複雜的邏輯推理上有侷限性，於是能夠進一步探討關係路徑和符號邏輯兩個方向。異質圖上的元路徑定義了高階的語義關係，而知識圖譜可看做一種特殊的異質圖，將基於異質圖神經網絡的消息傳遞與基於強化學習的路徑查找和約減相結合，是一種可行的處理複雜推理的思路。研究者們最近的工做將機率圖模型（如馬爾科夫網）與圖神經網絡相結合，旨在消息傳遞時發現並推理邏輯規則，而利用此類模型挖掘知識圖譜上的推理規則，也是一個值得注意的研究方向。可解釋性深度學習的黑盒問題被人詬病已久，圖神經網絡的信息傳播機制相較傳統深度學習模型更具備可解釋性。知識圖譜提供了現實世界的事實知識，利用圖神經網絡模型尤爲是機率圖神經網絡應用在知識圖譜中實現邏輯推理，從而顯式地生成基於知識圖譜的推理路徑，或許能夠期待打開深度學習的黑盒。 腳註1 雙過程理論(dual process theory)認爲，人的認知分爲兩個系統，其一是基於直覺的、無知覺的思考系統，其運做依賴於經驗和關聯；其二是人類特有的邏輯推理能力，此係統利用工做記憶中的知識進行慢速可是可靠的邏輯推理。

道翰天瓊認知智能將來機器人接口API簡介介紹

· 認知智能是計算機科學的一個分支科學，是智能科學發展的高級階段，它以人類認知體系爲基礎，以模仿人類核心能力爲目標，以信息的理解、存儲、應用爲研究方向，以感知信息的深度理解和天然語言信息的深度理解爲突破口，以跨學科理論體系爲指導，從而造成的新一代理論、技術及應用系統的技術科學。 認知智能的核心研究範疇包括：1.宇宙、信息、大腦三者關係；2.人類大腦結構、功能、機制；3.哲學體系、文科體系、理科體系；4.認知融通、智慧融通、雙腦(人腦和電腦)融通等核心體系。 認知智能四步走：1.認知宇宙世界。支撐理論體系有三體（宇宙、信息、大腦）論、易道論、存在論、本體論、認知論、融智學、HNC 等理論體系；2.清楚人腦結構、功能、機制。支撐學科有腦科學、心理學、邏輯學、情感學、生物學、化學等學科。3.清楚信息內涵規律規則。支撐學科有符號學、語言學、認知語言學、形式語言學等學科。4.系統落地能力。支撐學科有計算機科學、數學等學科。
認知智能CI機器人是杭州道翰天瓊智能科技有限公司旗下產品。認知智能機器人是依託道翰天瓊10年研發的認知智能CI體系爲核心而打造的認知智能機器人大腦，是全球第一個認知智能機器人大腦。具備突破性，創新性，領航性。是新一代智能認知智能的最好的產品支撐。 認知智能機器人技術體系更加先進，更加智能，是新一代智能，認知智能領域世界範圍內惟一的認知智能機器人。 認知智能機器人是新時代的產物，是新一代智能認知智能的產物。表明了新一代智能認知智能最核心的優點。和人工智能機器人大腦相比，優點很是明顯。智能度高，客戶粘性大，客戶滿意度高，易於推廣和傳播等核心特色。 依託認知智能機器人平臺提供的機器人大腦服務，能夠賦能各個行業，各個領域的智能設備，各種須要人機互動的領域等。認知智能機器人平臺網址：www.weilaitec.com，www.citec.top。歡迎註冊使用，走進更智能機器人世界。
認知智能和人工智能的優劣勢對比主要能夠分爲四大方面： 第一：時代發展不一樣。人工智能是智能時代發展的第二個階段，認知智能是智能時代發展的第三個階段。時代發展上決定了認知智能更顯具備時代領先性。 第二：基礎理論體系不一樣。人工智能的基礎理論體系以數學爲基礎，以統計機率體系爲基礎。認知智能基礎理論體系以交叉許可理論體系爲基礎。包含古今中外哲學體系，心理學體系，邏輯學體系，語言學體系，符號學體系，數學體系等學科。其基礎理論體系更加具備創新性，突破性和領先性。且交叉學科理論體系的研究也是將來智能發展的大方向。其具體理論體系，還包含三體論（宇宙，信息，大腦三者關係），融智學，和HNC等。 第三：技術體系不一樣。人工智能的核心技術體系主要是算法，機器學習，深度學習，知識圖譜等。其主要功用在感知智能。感知智能其核心主要是在模仿人類的感知能力。認知智能的核心技術體系是以交叉學科理論體系而衍生出來的。具體包含三大核心技術體系，認知維度，類腦模型和萬維圖譜。認知智能的技術體系核心以類腦的認知體系爲基礎。以全方位模仿類腦能力爲目標。人工智能以感知智能爲基礎的體系，只能做爲認知智能中的類腦模型技術體系中的感知層技術體系。類腦模型大體包含，感知層，記憶層，學習層，理解層，認知層，邏輯層，情感層，溝通層，意識層等9大核心技術層。所以人工智能的核心只是做爲認知智能類腦模型中的感知層。所以在技術體系上，人工智能和認知智能基本上沒有太多的可比性。 第四：智能度成本等方面的不一樣：人工智能產品的綜合智能程度，廣泛在2-3歲左右的智力水平。認知智能產品其智能程度大體在5-8歲左右。認知智能體系構建的機器人更加智能。且更省時間，更省人力和資金。優點很是多。具體請看下列的逐項對比。

道翰天瓊CiGril機器人API

道翰天瓊CiGril認知智能機器人API用戶須要按步驟獲取基本信息：

1. 在平臺註冊帳號
2. 登陸平臺，進入後臺管理頁面，建立應用，而後查看應用，查看應用相關信息。
3. 在應用信息頁面，找到appid,appkey祕鑰等信息，而後寫接口代碼接入機器人應用。

開始接入

請求地址：http://www.weilaitec.com/cigi...

請求方式：post

請求參數：

參數

類型

默認值

描述

userid

String

無

平臺註冊帳號

appid

String

無

平臺建立的應用id

key

String

無

平臺應用生成的祕鑰

msg

String

""

用戶端消息內容

ip

String

""

客戶端ip要求惟一性,無ip等能夠用QQ帳號，微信帳號，手機MAC地址等代替。

接口鏈接示例：http://www.weilaitec.com/cigi...

注意事項：參數名稱都要小寫，五個參數不能遺漏，參數名稱都要寫對，且各個參數的值不能爲空字符串。不然沒法請求成功。userid,appid,key三個參數要到平臺註冊登陸建立應用以後，而後查看應用詳情就能夠看到。userid就是平臺註冊帳號。

示例代碼JAVA：

import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.net.HttpURLConnection;
import java.net.URL;

public class apitest {

/**
* Get請求，得到返回數據
* @param urlStr
* @return
*/
private static String opUrl(String urlStr)
{
URL url = null;
HttpURLConnection conn = null;
InputStream is = null;
ByteArrayOutputStream baos = null;
try
{
url = new URL(urlStr);
conn = (HttpURLConnection) url.openConnection();
conn.setReadTimeout(5 * 10000);
conn.setConnectTimeout(5 * 10000);
conn.setRequestMethod("POST");
if (conn.getResponseCode() == 200)
{
is = conn.getInputStream();
baos = new ByteArrayOutputStream();
int len = -1;
byte[] buf = new byte[128];

while ((len = is.read(buf)) != -1)
{
baos.write(buf, 0, len);
}
baos.flush();
String result = baos.toString();
return result;
} else
{
throw new Exception("服務器鏈接錯誤！");
}

} catch (Exception e)
{
e.printStackTrace();
} finally
{
try
{
if (is != null)
is.close();
} catch (IOException e)
{
e.printStackTrace();
}

try
{
if (baos != null)
baos.close();
} catch (IOException e)
{
e.printStackTrace();
}
conn.disconnect();
}
return "";
}

public static void main(String args []){
//msg參數就是傳輸過去的對話內容。
System.out.println(opUrl("http://www.weilaitec.com/cigirlrobot.cgr?key=UTNJK34THXK010T566ZI39VES50BLRBE8R66H5R3FOAO84J3BV&msg=你好&ip=119.25.36.48&userid=jackli&appid=52454214552"));

} }