1.2　知识工程挑战

第三代人工智能通过“知识、数据、算法和算力”四要素，实现能够模拟人类认知、思维和决策等的人工智能技术和应用［6］。知识工程的研究内容主要包含知识处理的理论、方法，以及技术和应用。知识工程涉及自然语言处理、人工智能、机器学习、大数据分析和数据挖掘等技术［7］。

知识工程技术面临的主要挑战包括：

（1）海量知识的多源异构性。

在知识工程中，知识来源呈现多样性和分散性特点。知识来源包括书籍、领域专家和互联网等。互联网主要包含新闻网站、百科网站、社交平台等。从数据类型看，主要包括文本、图片、音频和视频等非结构化数据。文本语言进一步包括书面语、口头语和网络用语等。文本包括短文本和长文本。从知识来源的模态看，知识来源包括单种模态数据（如文本或图像）和多种模态数据（如文本-图像对）。总之，知识工程所处理的数据多源异构，具有不同的模态特性、不同的模态规模、不同的时空粒度、不同的表征结构、不同的语义信息、不同的度量特性。如何实现高效的知识表示、知识获取，突破模态平衡的陷阱和粒度鸿沟，是其中的一个挑战性问题。

（2）知识的动态更新性。

近年来，社交平台和社交软件呈持续增长的态势，知识来源的种类不断增加，数据获取的渠道不断丰富。同时，各领域知识处于不断发展和更新之中。结构化数据、半结构化数据和非结构化数据呈现几何级增长态势。总之，不同软件系统或知识库中的知识表示不断更新，需要构建可自适应转换不同表示语言的知识表示方法，不断动态更新知识库，为知识融合、语义互操作、知识共享和重用开辟新的技术途径，是一个持续面临的技术挑战问题。

（3）多粒度知识融合。

知识工程涉及文本、图片、视频和音频等多种模态数据。在知识融合的内容方面，需要融合同一实体的相关知识、同一概念的相关知识、具有相同属性或相同关系的知识、隶属于相同类别的实体知识等。在知识融合过程中，还需要充分考虑不同类型的知识载体，包含来自不同专家的知识和来自不同软件系统的知识。因此，如何高效融合具有不同知识来源、不同模态特征、不同表示语言、不同自然语言形态、不同表示粒度的知识，是需要解决的技术问题。

（4）多类型知识验证。

在知识工程中，“知识”往往呈现出不同的性质。在知识内容方面，需要验证概念层面的知识、实体层面的知识。概念层面的知识包括概念的含义、概念之间的语义关系、概念分类层次知识等。实体层面的知识即知识图谱，包括实体之间的语义关系、实体的属性知识、实体与概念的隶属关系等。在知识验证的时间维度方面，需要验证不同时间的知识正确性和一致性。在知识验证的知识粒度方面，需要验证不同粒度的知识，包括同一概念同一属性的不同粒度的相关知识、同一实体和同一属性的不同粒度的相关知识。因此，知识验证需要充分解决多类型知识中可能存在的语义歧义、矛盾以及异构性，确保知识的一致性、正确性和完全性。