[发明专利]基于神经与符号的多模态大数据机器自动学习系统

说明书

本发明属于人工智能、机器学习与认知计算领域，具体涉及一种基于神经与符号的多模态大数据机器自动学习系统，旨在解决现有的机器学习方法难以从动态演化数据中获取高保真机理模型的问题。本发明系统：特征工程自动构建模块包括数据获取单元、事理超图网络自动构建单元、网络结构自动更新单元；机理模型自动构建模块包括领域任务定义单元、模型博弈设计搜索单元，搜索网格加速优化单元；超参数寻优优化模块包括超参数初始空间构建单元、超参数自适应选择策略单元、自适应寻优推理单元和超参数自动迁移单元、模型数据处理模块。本发明通过大数据机器自动学习方法，迭代保真度评价，获得高保真机理模型，提高了复杂系统行为认知预测的精度。

技术领域

本发明属于人工智能、机器学习与认知计算领域，具体涉及一种基于神经与符号的多模态大数据机器自动学习系统。

背景技术

大数据已经成为全球工业生产、流通、分配、消费活动以及经济运行等领域资源配置和优化的核心要素。探索认知大数据的方法为人工智能领域重要研究方向，归根结底大数据记录了现实世界复杂系统独立运行机理，以及复杂系统与环境之间的依赖、竞争、关联等运动轨迹。这些知识对科学及时准确掌握国民经济发展、优化产业结构、推进社会科学治理等，具有十分重要研究价值。然而传统机器学习方法需要依靠大量专业数据分析科学家收集数据。

然而数据分析科学家收集的数据原生于复杂系统，衍生出非线性、涌现、自发秩序、适应性以及反馈回路等特性，使得现有人工智能还原论（如统计机器学习、贝叶斯网络、神经网络等）难以有效解释大数据隐含系统普适性规律。因此，从大数据中获得系统运行普适性规律成为人工智能认知学研究重要方向，具体来说：既从感知观测角度学习到复杂系统运行多模态数据分布规律，又需要从系统运行机理认知角度，从新增数据流中推演出系统运行潜在风险或者发展趋势，即：大数据认知建模分析，成为人工智能3.0领域发展前沿主题之一。

现有大数据驱动系统建模分析主要聚焦在三个方面：1. 基于无监督生成学习的大数据建模分析，该方法聚焦从复杂系统中及时获取系统数据特征属性，通过学习系统运行数据之间时间空间关联，形象刻画出特定时间区域的系统运行机理；2. 基于时空结构度量的数据空间吸引规则认知，采用时空结构度量在特定场景属性运动基本规律，进行宏观和微观相结合超几何描述和行为趋势预测，这些简洁、富有洞察力，借助常识等先验知识，揭示系统机理动力演化基本规律；3.基于自动机器学习型的模型自动构建方法，通过不断对系统产生数据流进行采样，从高质量训练样本空间，通过多次迭代搜索出适应特定业务场景模型，从而实现系统自动建模。然而上述三类方法仍然基于系统还原论，借助机器学习工具从大数据中还原系统机理，这种思路既无法把整个系统运行机理简单理解为个体的加总，也无法从整体的行为有效推断出系统运行机理模型确定性质，同时增加模型训练计算复杂度。基于此，本发明提出了一种基于神经与符号的多模态大数据机器自动学习系统。

发明内容

为了解决现有技术中的上述问题，即为了解决现有的机器学习方法无法自动碎片化动态演化数据中获取高保真机理模型的问题，本发明第一方面，提出了一种基于神经与符号的多模态大数据机器自动学习系统，该系统包括：特征工程自动构建模块、机理模型自动构建模块、超参数寻优优化模块、模型数据处理模块；

所述特征工程自动构建模块包括数据获取单元、事理超图网络自动构建单元、网络结构自动更新单元；

所述数据获取单元，配置为获取碎片化、多模态、动态演化的大数据，作为输入数据；所述输入数据包括多个领域不同模态的文本、图像、音频、视频数据；

所述事理超图网络自动构建单元，配置为通过自编码神经网络提取所述输入数据中所包含不同领域的事理的概念符号，构建事理概念符号空间；基于所述事理概念符号空间，通过多模态特征自动共形表示方法，自动聚合出不同模态的超边并进行共形计算，生成事理超图网络；