摘 要：６Ｇ 無線網(wǎng)絡(luò)“服務(wù)隨心所想、網(wǎng)絡(luò)隨需而變、資源隨愿共享”的全新愿景與需求，激發(fā)了一種新的通信范式———語義通信和語義認(rèn)知網(wǎng)絡(luò)的發(fā)展。語義通信通過傳輸信息的真實(shí)含義而非傳輸和復(fù)現(xiàn)完整的原始消息來提升通信效率和可靠性。要在６Ｇ 網(wǎng)絡(luò)中部署和充分發(fā)揮語義通信的潛力，需要一種能夠有效處理和利用語義信息的新技術(shù)。提出了一種基于圖推理和聯(lián)邦學(xué)習(xí)的６Ｇ 網(wǎng)絡(luò)語義通信新框架，框架結(jié)合了圖推理技術(shù)，例如圖神經(jīng)網(wǎng)絡(luò)和知識(shí)圖嵌入，以實(shí)現(xiàn)對(duì)大規(guī)模和復(fù)雜語義知識(shí)庫的高效且可擴(kuò)展的推理；框架集成了聯(lián)邦學(xué)習(xí)技術(shù)，可以跨多個(gè)邊緣服務(wù)器進(jìn)行協(xié)作和隱私保護(hù)推理，同時(shí)將敏感數(shù)據(jù)和個(gè)人數(shù)據(jù)保留在邊緣服務(wù)器上。進(jìn)行廣泛的實(shí)驗(yàn)，以評(píng)估所提框架在推理準(zhǔn)確性、效率和可擴(kuò)展性方面的性能，并證明其相對(duì)于現(xiàn)有方法的優(yōu)越性?？蚣茉谡Z義通信、圖推理和聯(lián)合邊緣計(jì)算領(lǐng)域開辟了新的研究方向，對(duì)實(shí)現(xiàn)６Ｇ 智能內(nèi)生的通信網(wǎng)絡(luò)的愿景至關(guān)重要。

關(guān)鍵詞：智能內(nèi)生；語義通信；語義認(rèn)知通信；隱性語義

中圖分類號(hào)：ＴＮ９１５ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１１４（２０２４）０３－０４１３－０９

０ 引言

移動(dòng)通信網(wǎng)絡(luò)已成為現(xiàn)代社會(huì)的重要基礎(chǔ)設(shè)施，給人類的溝通與信息交互方式帶來了顛覆性改變。國際電信聯(lián)盟最新發(fā)布的６Ｇ 架構(gòu)中指出［１］，泛在連接與智能將成為下一代通信網(wǎng)絡(luò)的重要場(chǎng)景。我國６Ｇ 標(biāo)準(zhǔn)化組織ＩＭＴ２０３０ 推進(jìn)組發(fā)布的《６Ｇ 網(wǎng)絡(luò)架構(gòu)愿景與關(guān)鍵技術(shù)展望白皮書》中也指出，智慧內(nèi)生將是６Ｇ 的重要愿景［２］。６Ｇ 網(wǎng)絡(luò)將不再局限于以香農(nóng)經(jīng)典信息論為基礎(chǔ)的信號(hào)傳輸與復(fù)現(xiàn)，而是需要具備語義層面的認(rèn)知、識(shí)別、分析和推理能力，圍繞人類用戶和網(wǎng)絡(luò)需求，按需提供服務(wù)，并實(shí)現(xiàn)“服務(wù)隨心所想、網(wǎng)絡(luò)隨需而變、資源隨愿共享”的目標(biāo)［３］。

語義通信及語義認(rèn)知網(wǎng)絡(luò)架構(gòu)將成為實(shí)現(xiàn)６Ｇ內(nèi)生智能的基石。在協(xié)作語義認(rèn)知網(wǎng)絡(luò)架構(gòu)下，海量智能設(shè)備間有望實(shí)現(xiàn)資源和諧共享與智能交互，從而打通人－人、人－機(jī)以及機(jī)－機(jī)之間的交互壁壘［４］。實(shí)現(xiàn)智聯(lián)互通，從而推動(dòng)通信網(wǎng)絡(luò)架構(gòu)從傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)向語義驅(qū)動(dòng)的全新范式轉(zhuǎn)變，為最終實(shí)現(xiàn)網(wǎng)絡(luò)的智能認(rèn)知、學(xué)習(xí)、決策和演進(jìn)奠定基礎(chǔ)。具體而言，它將不再局限于傳輸和復(fù)現(xiàn)原始數(shù)據(jù)與信號(hào)，而是聚焦于在理解上下文的基礎(chǔ)之上僅傳輸相關(guān)且有意義的信息，有效降低數(shù)據(jù)冗余，從而提高網(wǎng)絡(luò)實(shí)體間通信的效率。通過有效利用語義信息，網(wǎng)絡(luò)有望實(shí)現(xiàn)更智能、自適應(yīng)的路由、資源分配和糾錯(cuò)，進(jìn)而優(yōu)化網(wǎng)絡(luò)性能和用戶體驗(yàn)［５］。此外，通過整合通信網(wǎng)絡(luò)中的上下文和意圖，語義通信可以實(shí)現(xiàn)更精確和及時(shí)的決策，有望更好地滿足新興應(yīng)用對(duì)低延遲的需求［６］。

在６Ｇ 網(wǎng)絡(luò)中充分發(fā)揮語義通信的潛力，需要通過有效的知識(shí)推理技術(shù)來處理和利用語義信息。圖推理因?yàn)槟軌蛟诖笠?guī)模復(fù)雜語義知識(shí)庫上實(shí)現(xiàn)高效和可擴(kuò)展的推理，而受到廣泛關(guān)注。通過將語義信息表征為圖形式，可以捕捉知識(shí)庫中豐富的關(guān)系和模式，實(shí)現(xiàn)更準(zhǔn)確全面的知識(shí)推理［７］?；趫D的知識(shí)推理為６Ｇ 網(wǎng)絡(luò)中的語義通信帶來了諸多優(yōu)勢(shì)，包括在大型動(dòng)態(tài)知識(shí)庫上實(shí)現(xiàn)高效和可擴(kuò)展推理，提高推理過程的透明度和可解釋性，以及通過結(jié)合上下文信息和網(wǎng)絡(luò)環(huán)境反饋來提升推理的適應(yīng)性［８］。

此外，６Ｇ 網(wǎng)絡(luò)通常需要處理海量數(shù)據(jù)，且不同用戶信息分布在多個(gè)地理區(qū)域，因此實(shí)現(xiàn)語義通信中的圖推理需要一種分布式協(xié)作架構(gòu)，以有效管理和處理語義知識(shí)庫?？梢酝ㄟ^將語義知識(shí)庫部署在多個(gè)邊緣服務(wù)器上來實(shí)現(xiàn)高效和可擴(kuò)展的推理，減少數(shù)據(jù)傳輸?shù)街醒敕?wù)器的需求，節(jié)省通信資源［９］。這種架構(gòu)還能解決數(shù)據(jù)隱私和安全性問題，確保語義認(rèn)知網(wǎng)絡(luò)的高可用性和可靠性。

本文的主要貢獻(xiàn)如下：對(duì)現(xiàn)有的知識(shí)推理技術(shù)進(jìn)行了全面的回顧和分析，包括神經(jīng)推理、符號(hào)推理和神經(jīng)符號(hào)推理，突出了它們的優(yōu)點(diǎn)、缺點(diǎn)和應(yīng)用領(lǐng)域。提出一種新穎的認(rèn)知網(wǎng)絡(luò)管理和控制框架，集成了不同的知識(shí)推理技術(shù)，以實(shí)現(xiàn)智能和自適應(yīng)決策。該框架由３ 個(gè)主要組件組成：語義知識(shí)表示、語義推理引擎和認(rèn)知網(wǎng)絡(luò)控制器，并且提出一種語義知識(shí)表征方案，通過結(jié)合本體、規(guī)則和嵌入來捕獲語義知識(shí)庫中的復(fù)雜關(guān)系和約束。

１ 研究背景及相關(guān)工作

１． １ 語義通信和語義認(rèn)知網(wǎng)絡(luò)的研究現(xiàn)狀

語義通信和語義認(rèn)知網(wǎng)絡(luò)的研究現(xiàn)狀語義通信已成為解決６Ｇ 網(wǎng)絡(luò)挑戰(zhàn)的一種有前景的方法，它可以實(shí)現(xiàn)網(wǎng)絡(luò)實(shí)體之間更加智能、高效和自適應(yīng)的通信［３］。語義溝通的概念最早由Ｃｌａｕｄｅ Ｓｈａｎｎｏｎ 和Ｗａｒｒｅｎ Ｗｅａｖｅｒ 在２０ 世紀(jì)４０ 年代提出，他們提出了一種考慮信息的含義和上下文而不僅僅是原始數(shù)據(jù)的溝通理論［１０］。然而直到近幾年，由于網(wǎng)絡(luò)環(huán)境的復(fù)雜性和多樣性的增加以及對(duì)更先進(jìn)的通信技術(shù)的需求，語義通信才在無線通信界獲得了廣泛的關(guān)注。

近年來，人們?cè)跓o線網(wǎng)絡(luò)中的語義通信方面做出了一些研究工作。文獻(xiàn)［１１］提出了一種５Ｇ 網(wǎng)絡(luò)語義通信框架，旨在通過利用傳輸數(shù)據(jù)的語義信息來提高網(wǎng)絡(luò)性能和用戶體驗(yàn)，該框架由語義編碼、語義解碼和語義推理３ 個(gè)主要組件組成。語義編碼旨在提取數(shù)據(jù)的語義特征并將其編碼為緊湊的表示，語義解碼旨在從編碼的表示中恢復(fù)原始數(shù)據(jù)，語義推理旨在基于編碼表示和網(wǎng)絡(luò)的先驗(yàn)知識(shí)來推斷數(shù)據(jù)的含義和上下文。

無線網(wǎng)絡(luò)中語義通信的另一個(gè)例子是文獻(xiàn)［１２］中提出的語義感知網(wǎng)絡(luò)框架。該框架旨在通過根據(jù)傳輸數(shù)據(jù)的語義信息和網(wǎng)絡(luò)環(huán)境調(diào)整通信策略，從而在異構(gòu)網(wǎng)絡(luò)中實(shí)現(xiàn)更高效可靠的通信，該框架由語義標(biāo)注、語義匹配和語義適配３ 個(gè)主要模塊組成。語義標(biāo)注旨在將語義元數(shù)據(jù)附加到傳輸?shù)臄?shù)據(jù)上來描述其內(nèi)容、格式和質(zhì)量，語義匹配旨在根據(jù)語義元數(shù)據(jù)和網(wǎng)絡(luò)條件找到最佳的通信路徑和協(xié)議，語義適應(yīng)旨在根據(jù)接收者的反饋和網(wǎng)絡(luò)環(huán)境的變化來調(diào)整通信參數(shù)和策略。

１． ２ 知識(shí)推理的相關(guān)工作

知識(shí)推理作為語義認(rèn)知網(wǎng)絡(luò)的核心能力之一，對(duì)于實(shí)現(xiàn)網(wǎng)絡(luò)的智能化和自適應(yīng)性具有至關(guān)重要的作用。它不僅能夠幫助網(wǎng)絡(luò)理解數(shù)據(jù)的深層含義，還能夠基于已有的知識(shí)進(jìn)行邏輯推理，從而做出更加準(zhǔn)確和智能的決策。目前，知識(shí)推理的相關(guān)工作可以分為３ 個(gè)主要類別：符號(hào)推理、神經(jīng)推理和符號(hào)神經(jīng)推理。

１． ２． １ 符號(hào)推理

符號(hào)推理，亦稱為“經(jīng)典人工智能”，在２０ 世紀(jì)８０ 年代末期之前一直是人工智能領(lǐng)域的主導(dǎo)范式。通過運(yùn)用推理算法操作符號(hào)邏輯形式的知識(shí)，符號(hào)推理系統(tǒng)能夠解決演繹和歸納推理任務(wù)，并廣泛應(yīng)用于特定領(lǐng)域內(nèi)的各種應(yīng)用，如專家系統(tǒng)和定理證明器等。

現(xiàn)有的符號(hào)推理方法主要是基于搜索的歸納邏輯編程方法，其中，最基本的方法之一是基于一階邏輯［１３］。一階邏輯是一種形式語言，允許使用謂詞、變量和量詞來表征復(fù)雜的語句和關(guān)系?；谝浑A邏輯的推理涉及推理規(guī)則（如肯定前件和解析）的應(yīng)用，以從現(xiàn)有知識(shí)庫中導(dǎo)出新知識(shí)。一階邏輯已被用于各種推理任務(wù)，如本體推理、定理證明和自然語言理解。

基于規(guī)則的推理是另一種符號(hào)推理方法，它使用一組ｉｆ-ｔｈｅｎ 規(guī)則來表征和推理領(lǐng)域知識(shí)［１４］?；谝?guī)則的系統(tǒng)由包含規(guī)則和事實(shí)的知識(shí)庫、將規(guī)則應(yīng)用于事實(shí)以得出新結(jié)論的推理機(jī)組成?；谝?guī)則的推理已用于各種應(yīng)用，例如專家系統(tǒng)、決策支持系統(tǒng)和業(yè)務(wù)規(guī)則管理。

１． ２． ２ 神經(jīng)推理

符號(hào)推理假設(shè)構(gòu)成人類知識(shí)的基本單元是符號(hào)，知識(shí)推理過程是對(duì)符號(hào)表示的一系列顯式推理。通常，符號(hào)推理具有良好的可讀性和可解釋性。然而，有限的離散符號(hào)不足以表示龐大數(shù)據(jù)間所有的內(nèi)在關(guān)系，并且對(duì)模糊和噪聲數(shù)據(jù)容忍度低。相比之下，神經(jīng)推理方法利用人工神經(jīng)網(wǎng)絡(luò)的力量直接從數(shù)據(jù)中學(xué)習(xí)和執(zhí)行推理任務(wù)。近年來，這些方法因其處理大規(guī)模、復(fù)雜和非結(jié)構(gòu)化數(shù)據(jù)的能力，以及端到端學(xué)習(xí)和推理的潛力而受到廣泛關(guān)注。

最著名的神經(jīng)推理方法之一是基于深度學(xué)習(xí)架構(gòu)，例如卷積神經(jīng)網(wǎng)絡(luò)［１５］和循環(huán)神經(jīng)網(wǎng)絡(luò)［１６］。這些架構(gòu)可用于學(xué)習(xí)輸入數(shù)據(jù)的潛在表征，捕獲底層模式和關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于視覺推理任務(wù)，如目標(biāo)檢測(cè)和場(chǎng)景理解［１７］，而循環(huán)神經(jīng)網(wǎng)絡(luò)已用于序列推理任務(wù)，如自然語言推理和問題回答［１８］。

另一類重要的神經(jīng)推理方法是基于圖神經(jīng)網(wǎng)絡(luò)。圖神經(jīng)網(wǎng)絡(luò)是一系列深度學(xué)習(xí)架構(gòu)，可對(duì)圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行操作，學(xué)習(xí)在圖上聚合和傳播信息。圖神經(jīng)網(wǎng)絡(luò)已用于知識(shí)圖譜上的各種推理任務(wù)，例如鏈接預(yù)測(cè)、節(jié)點(diǎn)分類和圖補(bǔ)全［１９］。通過學(xué)習(xí)知識(shí)圖中實(shí)體和關(guān)系的嵌入，圖神經(jīng)網(wǎng)絡(luò)可以捕獲復(fù)雜的模式和實(shí)體間的依賴關(guān)系，從而實(shí)現(xiàn)高效且可擴(kuò)展的推理。

記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)，例如記憶網(wǎng)絡(luò)［２０］和神經(jīng)圖靈機(jī)［２１］，是另一類神經(jīng)推理方法，它結(jié)合了外部記憶組件來在推理過程中存儲(chǔ)和檢索相關(guān)信息。這些方法已用于需要長(zhǎng)期記憶和復(fù)雜推理的任務(wù)，例如問答和對(duì)話系統(tǒng)。通過選擇性地關(guān)注記憶的相關(guān)部分，記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)可以執(zhí)行多跳推理并有效地處理上下文信息。

１． ２． ３ 神經(jīng)符號(hào)推理

神經(jīng)符號(hào)推理方法旨在結(jié)合神經(jīng)方法和符號(hào)方法的優(yōu)勢(shì)，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和泛化能力以及符號(hào)推理的可讀性和可解釋性。近年來，這些方法作為解決純神經(jīng)或符號(hào)方法的局限性并實(shí)現(xiàn)更穩(wěn)健和適應(yīng)性推理的一種方法而備受關(guān)注。

神經(jīng)符號(hào)推理的主要方法之一是基于神經(jīng)網(wǎng)絡(luò)和基于邏輯系統(tǒng)的集成。神經(jīng)定理證明器是定理證明器的可微實(shí)現(xiàn)，可以學(xué)習(xí)使用神經(jīng)網(wǎng)絡(luò)證明數(shù)學(xué)定理［２２］；神經(jīng)符號(hào)機(jī)將神經(jīng)網(wǎng)絡(luò)與符號(hào)程序執(zhí)行器相結(jié)合，以學(xué)習(xí)和推理復(fù)雜的任務(wù)（例如視覺問答和程序合成）。神經(jīng)符號(hào)推理的另一種方法是將符號(hào)知識(shí)嵌入到向量空間中，從而允許應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)。神經(jīng)符號(hào)知識(shí)圖是將知識(shí)圖嵌入到向量空間中的另一個(gè)例子，允許嵌入和邏輯規(guī)則的聯(lián)合學(xué)習(xí)和推理［２３］。

本文提出了一種基于知識(shí)推理的認(rèn)知網(wǎng)絡(luò)管理和控制的新框架，旨在解決這些挑戰(zhàn)和局限性。所提出的框架可以集成多種不同推理技術(shù)，包括神經(jīng)推理、符號(hào)推理和神經(jīng)符號(hào)推理，以實(shí)現(xiàn)智能和自適應(yīng)網(wǎng)絡(luò)管理和控制。該框架還結(jié)合了可擴(kuò)展和高效的可解釋的推理以及修正知識(shí)庫中不確定性和不一致的處理技術(shù)。

２ 基于知識(shí)推理的語義認(rèn)知網(wǎng)絡(luò)架構(gòu)

２． １ 語義表征

語義表征是語義認(rèn)知網(wǎng)絡(luò)的重要組成部分，它提供了一種結(jié)構(gòu)化且機(jī)器可解釋的格式來表征和組織知識(shí)?；谥R(shí)概念的語義表征的４ 種主要方法包括語義網(wǎng)絡(luò)、命題、知識(shí)圖和規(guī)則。

２． １． １ 基于語義網(wǎng)絡(luò)的語義表征

語義網(wǎng)絡(luò)是一種知識(shí)表征方法，它使用基于圖的結(jié)構(gòu)來表征概念及概念之間的關(guān)系。在語義網(wǎng)絡(luò)中，節(jié)點(diǎn)代表概念，邊代表概念之間的關(guān)系。關(guān)系可以有多種類型：上下位關(guān)系、同名關(guān)系或從屬關(guān)系［２４］。

語義網(wǎng)絡(luò)的主要優(yōu)點(diǎn)之一是能夠捕獲概念之間的層次關(guān)系和關(guān)聯(lián)關(guān)系，提供一種自然直觀的方式來組織知識(shí)。語義網(wǎng)絡(luò)還支持各種推理任務(wù)，例如繼承推理（根據(jù)其父概念推斷概念的屬性）和類比推理（根據(jù)概念的關(guān)系查找相似的概念）。

２． １． ２ 基于命題的語義表征

命題表征是語義表征的另一種方法，它使用邏輯語句來表征知識(shí)。命題是一個(gè)可以或真或假的陳述句，由主語、謂語以及零個(gè)或多個(gè)賓語組成。例如，“蘇格拉底是一個(gè)哲學(xué)家”由主語“蘇格拉底”、謂語“是一個(gè)”、賓語“哲學(xué)家”組成［２５］。

命題表征有以下幾個(gè)優(yōu)點(diǎn)：① 提供了清晰且明確的知識(shí)表征，因?yàn)槊總€(gè)命題都有明確定義的真值；② 支持多種邏輯推理規(guī)則，例如肯定前件（如果Ａ暗示Ｂ 且Ａ 為真，則Ｂ 為真）和托倫前件（如果Ａ暗示Ｂ 且Ｂ 為假，則Ａ 為假），可以用于推理新的知識(shí)和判定該新知識(shí)的真假。

２． １． ３ 基于知識(shí)圖譜的語義表征

知識(shí)圖譜是一種結(jié)合了語義網(wǎng)絡(luò)和命題表征優(yōu)點(diǎn)的語義表征方法。知識(shí)圖譜是一個(gè)有向標(biāo)記圖，表征域中的實(shí)體（節(jié)點(diǎn)）及其關(guān)系（邊）［２６］。這些關(guān)系通常使用資源性描述框架三元組表征，由主語、謂語和賓語組成［２７］。

知識(shí)圖譜有以下幾個(gè)優(yōu)點(diǎn)：① 提供了豐富且富有表現(xiàn)力的知識(shí)表征，捕獲了實(shí)體之間的層次關(guān)系和關(guān)聯(lián)關(guān)系；② 支持各種推理任務(wù)，例如圖模式匹配、圖遍歷和圖嵌入，可用于問答、推薦和知識(shí)發(fā)現(xiàn)等任務(wù)；③ 可以輕松地與其他數(shù)據(jù)源和知識(shí)庫集成，從而能夠創(chuàng)建大規(guī)模和異構(gòu)的知識(shí)網(wǎng)絡(luò)［２８］。

２． １． ４ 基于規(guī)則的語義表征

基于規(guī)則的表征是另一種語義表征方法，它使用一組ｉｆｔｈｅｎ 規(guī)則來表征和推理知識(shí)。規(guī)則由前件（“ｉｆ”部分）和后件（“ｔｈｅｎ”部分）組成，它指定如果前件為真，則后件也必須為真。例如，規(guī)則“如果Ｘ是鳥，那么Ｘ 可以飛”指定如果實(shí)體Ｘ 屬于鳥類，那么它必須具備飛的能力［２９］。

基于規(guī)則的表征有以下優(yōu)點(diǎn)：① 提供了一種自然直觀的方式來表征領(lǐng)域知識(shí)，特別是對(duì)于具有明確定義的規(guī)則和約束的領(lǐng)域；② 支持各種推理任務(wù)，例如前向鏈接（從現(xiàn)有事實(shí)和規(guī)則中推導(dǎo)出新事實(shí)）和后向鏈接（找到支持給定結(jié)論的事實(shí)），可用于模擬特定領(lǐng)域的專家系統(tǒng)以幫助用戶做出復(fù)雜的決策；③ 可以輕松地與其他知識(shí)表征形式集成，例如語義網(wǎng)絡(luò)和命題，從而能夠創(chuàng)建混合知識(shí)庫［２９］。

２． ２ 框架概述

所提出的基于知識(shí)推理的認(rèn)知網(wǎng)絡(luò)框架旨在解決計(jì)算冗雜、隱私安全和多端推理不兼容等問題。該框架集成了語義表征、編碼、解碼和解釋，以實(shí)現(xiàn)智能和自適應(yīng)網(wǎng)絡(luò)管理和控制。所提架構(gòu)及其關(guān)鍵功能模塊如圖１ 所示。

該架構(gòu)由４ 個(gè)主要部分組成：語義識(shí)別與表征模塊、語義編碼與解碼模塊、語義解釋與推理模塊、語義距離與評(píng)估模塊。語義表征模塊負(fù)責(zé)從原始信息中提取顯式語義并對(duì)其進(jìn)行編碼以供傳輸，語義編解碼模塊將語義信息轉(zhuǎn)換為便于物理傳輸且傳輸后可恢復(fù)的格式，語義解釋模塊通過從接收到的語義信息進(jìn)行推理來生成潛在的隱藏含義，語義距離與評(píng)估模塊測(cè)量發(fā)送端用戶推理規(guī)則和目標(biāo)用戶推理規(guī)則之間的差異。

２． ３． １ 語義編碼器

語義編碼和解碼模塊負(fù)責(zé)將編碼后的語義信息轉(zhuǎn)換成適合通過網(wǎng)絡(luò)物理傳輸?shù)母袷健ＵZ義編碼過程考慮了網(wǎng)絡(luò)特性（例如帶寬、延遲和錯(cuò)誤率）以及應(yīng)用程序要求（例如數(shù)據(jù)速率、可靠性和安全性）。發(fā)送端通常有兩種類型的語義編碼器，分別在信源和信道部分進(jìn)行編碼。信源編碼主要目的是降低語義信息的冗余度，信道編碼則是提升語義信息在傳輸中抗噪的魯棒性。

語義編碼過程使用數(shù)據(jù)壓縮、糾錯(cuò)編碼和加密等技術(shù)來優(yōu)化傳輸效率和可靠性。在帶寬有限的網(wǎng)絡(luò)中，語義編碼過程可以使用數(shù)據(jù)壓縮技術(shù)來減小編碼的語義信息的大??；在易錯(cuò)網(wǎng)絡(luò)中，語義編碼過程可以使用糾錯(cuò)編碼技術(shù)（例如前向糾錯(cuò)或自動(dòng)重傳請(qǐng)求），以提高傳輸可靠性。

２． ３． ２ 語義解碼器

語義解碼過程是語義編碼過程的逆過程，它將接收到的物理信號(hào)轉(zhuǎn)換回編碼的語義信息，使用各種技術(shù)（例如解調(diào)、信道估計(jì)和均衡），從接收信號(hào)中恢復(fù)原始語義信息，包括錯(cuò)誤檢測(cè)和糾正機(jī)制，以識(shí)別傳輸錯(cuò)誤并從中恢復(fù)。

２． ４ 語義解釋與推理模塊

２． ４． １ 語義推理

語義解釋模塊通過推理從接收到的語義信息中生成潛在隱藏的含義。語義推理過程使用各種技術(shù)（例如基于規(guī)則的推理、概率推理和機(jī)器學(xué)習(xí)），從顯性語義中推斷出新的知識(shí)和見解［３０］。

在語義認(rèn)知網(wǎng)絡(luò)的框架內(nèi)，語義推理過程具備學(xué)習(xí)和模仿發(fā)送端推理的能力，這一能力通過分析和整合通信歷史、上下文環(huán)境以及其他相關(guān)信息的手段實(shí)現(xiàn)，從而使得接收端的推理過程盡可能地趨近于發(fā)送端源用戶的思維邏輯。［１２］。

２． ４． ２ 推理規(guī)則

知識(shí)推理過程由一組推理規(guī)則指導(dǎo)，定義了顯式語義和隱式語義之間的映射，可由先驗(yàn)知識(shí)和數(shù)據(jù)庫預(yù)定義，也可使用機(jī)器學(xué)習(xí)技術(shù)從相關(guān)數(shù)據(jù)中學(xué)習(xí)。知識(shí)推理規(guī)則被表示為將顯性語義映射到可能的隱性語義的概率分布，例如可以定義為：“如果Ａ 是Ｂ 的父親，則Ａ 和Ｂ 極大概率人種相同”。

２． ５ 語義距離與評(píng)估

語義距離模塊負(fù)責(zé)測(cè)量源用戶的推理規(guī)則和目標(biāo)用戶的推理規(guī)則之間的差異，并評(píng)估知識(shí)推理的質(zhì)量和有效性。語義距離和評(píng)估對(duì)于在認(rèn)知網(wǎng)絡(luò)中實(shí)現(xiàn)自適應(yīng)和上下文感知決策至關(guān)重要。在本文中，語義距離用描繪通信雙方推理規(guī)則的概率分布之間差異性的度量方式來衡量。具體而言，目標(biāo)用戶的推理規(guī)則可用從其接收到的顯式語義到可能的隱式語義的概率分布來刻畫。類似地，發(fā)送端用戶的推理規(guī)則被描述為其根據(jù)真實(shí)推理規(guī)則和觀察到的顯式語義推斷出隱式語義的概率分布。二者概率分布之間的差異即為語義距離。

語義評(píng)估致力于對(duì)知識(shí)推理的多個(gè)維度進(jìn)行系統(tǒng)性評(píng)價(jià)，這些維度包括但不限于推理知識(shí)的準(zhǔn)確性、完整性、一致性以及相關(guān)性等。為實(shí)現(xiàn)這一目標(biāo)，語義評(píng)估可依托多種技術(shù)手段，比如：基于黃金標(biāo)準(zhǔn)的評(píng)估方法，通過將推理得出的知識(shí)與經(jīng)過精心策劃的參考知識(shí)庫進(jìn)行對(duì)比，以驗(yàn)證其準(zhǔn)確性［３１］；通過基于任務(wù)的評(píng)估策略，通過衡量推理系統(tǒng)在特定任務(wù)或應(yīng)用程序中的表現(xiàn)，來全面評(píng)估其性能［３２］；通過基于用戶反饋與交互的評(píng)估方式，不斷收集和分析用戶的查詢與響應(yīng)，實(shí)現(xiàn)推理性能的持續(xù)改進(jìn)與提升。這些方法共同構(gòu)成了語義評(píng)估的多元框架，為知識(shí)推理的質(zhì)量和有效性提供了全面而深入的評(píng)估手段。

通過比較兩個(gè)概率分布可以測(cè)量發(fā)送端用戶和目標(biāo)用戶之間推理規(guī)則的語義距離?？梢允褂茫耍酰欤欤猓幔悖耄蹋澹椋猓欤澹?散度、ＪｅｎｓｅｎＳｈａｎｎｏｎ 散度等來量化兩個(gè)概率分布之間的差異。

源用戶的推理規(guī)則Ｐ（ｘ）和目標(biāo)用戶的推理規(guī)則Ｑ（ｘ）之間的ＫｕｌｌｂａｃｋＬｅｉｂｌｅｒ 散度定義為：

語義距離測(cè)量可用于量化源用戶和目標(biāo)用戶之間的語義相似度，并相應(yīng)地調(diào)整語義編碼和解碼過程。如果語義距離較高，語義編碼過程可以使用更魯棒的糾錯(cuò)編碼技術(shù)來確?？煽總鬏敚环粗?，語義編碼過程可以使用更有效的數(shù)據(jù)壓縮技術(shù)來減少傳輸開銷以減少數(shù)據(jù)冗余。

２． ６ 聯(lián)邦多端協(xié)同推理

以聯(lián)邦學(xué)習(xí)為基礎(chǔ)提出了多終端聯(lián)合推理機(jī)制，目的是實(shí)現(xiàn)認(rèn)知網(wǎng)絡(luò)中跨多個(gè)節(jié)點(diǎn)和設(shè)備的分布式協(xié)作推理。

聯(lián)邦學(xué)習(xí)賦能的語義認(rèn)知網(wǎng)絡(luò)旨在為用戶提供個(gè)性化意圖理解服務(wù)，其是一種分布式人工智能框架，通過聯(lián)合用戶語義知識(shí)，無需直接數(shù)據(jù)共享，共同訓(xùn)練一個(gè)共享的知識(shí)推理模型，既保障了數(shù)據(jù)隱私，又提升了模型性能，促進(jìn)了跨域知識(shí)交流。在基于聯(lián)邦學(xué)習(xí)的語義認(rèn)知網(wǎng)絡(luò)中，用戶可在本地訓(xùn)練各自的語義解釋與推理模型并僅上傳模型參數(shù)更新至授信的協(xié)調(diào)者，由負(fù)責(zé)聚合更新以構(gòu)建全局的語義語義解釋與推理模型。該過程涉及初始化模型參數(shù)、本地訓(xùn)練、更新聚合、全局模型更新和迭代優(yōu)化，直至模型達(dá)到既定性能。基于聯(lián)邦學(xué)習(xí)的語義認(rèn)知網(wǎng)絡(luò)為構(gòu)建隱私保護(hù)、智能化的通信網(wǎng)絡(luò)開辟了新徑。

３ 初步實(shí)驗(yàn)結(jié)果

３． １ 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置

使用３ 個(gè)常用的現(xiàn)實(shí)世界知識(shí)庫數(shù)據(jù)集ＮＥＬＬ-９９５、ＦＢ１５ｋ-２３７ 和ＷＮ１８ＲＲ 中采樣的實(shí)體和關(guān)系，來對(duì)語義認(rèn)知網(wǎng)絡(luò)中的通信過程進(jìn)行模擬，基本統(tǒng)計(jì)信息如表１ 所示。

將語義解釋器設(shè)置為兩個(gè)隱藏層組成的全連接網(wǎng)絡(luò)，每個(gè)隱藏層后面有一個(gè)修正線性單元和一個(gè)輸出層。解釋器的輸出使用ｓｏｆｔｍａｘ 函數(shù)進(jìn)行標(biāo)準(zhǔn)化。對(duì)于語義比較器，采用具有一層隱藏層和一層輸出層的兩層全連接網(wǎng)絡(luò)。輸出層由ｓｉｇｍｏｉｄ 函數(shù)標(biāo)準(zhǔn)化，而其他層由修正線性單元激活。模擬基于Ｐｙｔｏｒｃｈ 開源平臺(tái)，硬件為Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ９９９００Ｋ ＣＰＵ＠３． ６０ＧＨｚ、１２８． ０ ＧＢ ＲＡＭ＠ ２ １３３ ＭＨｚ、２ ＴＢ ＨＤＤ和兩個(gè)ＮＶＩＤＩＡ Ｃｏｒｐｏｒａｔｉｏｎ ＧＰ１０２［ＴＩＴＡＮ Ｘ］ＧＰＵ。

３． ２ 實(shí)驗(yàn)結(jié)果

通過與基于變分圖自編碼器的方案為基礎(chǔ)的傳統(tǒng)認(rèn)知網(wǎng)絡(luò)框架對(duì)比來評(píng)估隱性語義認(rèn)知通信的表現(xiàn)，其中基于變分圖自編碼器方案主要通過圖卷積神經(jīng)網(wǎng)絡(luò)（Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＧＣＮ）將語義實(shí)體轉(zhuǎn)換為低維的圖嵌入，繼而通過物理信道傳輸。語義解釋器同樣借助ＧＣＮ 根據(jù)含噪聲的圖嵌入復(fù)現(xiàn)出完整的隱性語義信息。

圖２ 為不同數(shù)據(jù)集下聯(lián)邦異構(gòu)程度對(duì)語義認(rèn)知推理網(wǎng)絡(luò)的影響，Ｐ 值和語義知識(shí)庫的差異性負(fù)相關(guān)。可以看出，語義知識(shí)庫差異程度越大協(xié)作推理的效果會(huì)越好，說明當(dāng)多端的數(shù)據(jù)庫盡可能覆蓋不同的語義信息時(shí)，語義認(rèn)知網(wǎng)絡(luò)的推理能力會(huì)得到提升；當(dāng)語義知識(shí)庫差異性相同時(shí)，多端協(xié)作推理能力也會(huì)隨著聯(lián)邦服務(wù)器數(shù)量的增加而提高。

不同的聯(lián)邦正則項(xiàng)參數(shù)時(shí)推理準(zhǔn)確率隨輪次變化的趨勢(shì)如圖３ 所示，可以看出，選擇不同的聯(lián)邦推理正則化參數(shù)對(duì)推理速度的影響非常大，當(dāng)正則化參數(shù)在０ ～１ 時(shí)，可以達(dá)到最優(yōu)的推理速度從而大幅減少計(jì)算冗余。

接收端學(xué)習(xí)的推理規(guī)同樣適用于在傳輸信道中受損的語義信息。表２ 和表３ 對(duì)比了ＦＢ１５ｋ-２３７ 數(shù)據(jù)集分別在高斯信道下回瑞利信道下基于不同傳輸信噪比時(shí)在有知識(shí)推理和無知識(shí)推理情況時(shí)的誤碼率，可以看出，從低信噪比域至高信噪比域，架構(gòu)在誤碼率方面的表現(xiàn)均超過了無知識(shí)推理的認(rèn)知網(wǎng)絡(luò)架構(gòu)。從表２ 和表３ 可以看出，即使在信噪比較低時(shí)，相比于傳統(tǒng)的ＧＣＮ 框架，本文框架無論在高斯信道還是瑞利信道下仍然具有較好的魯棒性。

４ 結(jié)束語

提出了一種創(chuàng)新性的基于知識(shí)推理的認(rèn)知網(wǎng)絡(luò)管理與控制框架，旨在解決當(dāng)前方法所面臨的局限性與挑戰(zhàn)。此框架通過融合神經(jīng)推理、符號(hào)推理以及神經(jīng)符號(hào)推理等多種技術(shù)，實(shí)現(xiàn)了對(duì)異構(gòu)數(shù)據(jù)源的集成與專家知識(shí)的結(jié)合。知識(shí)推理引擎作為框架的核心，充分利用不同推理技術(shù)的優(yōu)勢(shì)，高效地執(zhí)行推理任務(wù)。該引擎包含神經(jīng)推理模塊，用于從數(shù)據(jù)中學(xué)習(xí)和推斷復(fù)雜模式；符號(hào)推理模塊，專門處理顯性知識(shí)和約束；神經(jīng)符號(hào)推理模塊，負(fù)責(zé)整合所學(xué)知識(shí)與顯性知識(shí)。最終，認(rèn)知網(wǎng)絡(luò)控制器將推理結(jié)果轉(zhuǎn)化為具體的網(wǎng)絡(luò)控制決策，實(shí)現(xiàn)了推理結(jié)果的有效應(yīng)用。

通過實(shí)驗(yàn)驗(yàn)證，該框架在多端協(xié)作推理方面的卓越有效性和效率相較于傳統(tǒng)方法具有顯著優(yōu)勢(shì)。此外，該框架不僅為基于知識(shí)推理的認(rèn)知網(wǎng)絡(luò)管理與控制研究奠定了堅(jiān)實(shí)的基礎(chǔ)，同時(shí)也為開發(fā)更具可擴(kuò)展性和高效的推理技術(shù)提供了方向，以適應(yīng)大規(guī)模和動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境的需求。在未來研究中，將繼續(xù)致力于增強(qiáng)該框架推理過程和結(jié)果的可解釋性，以增進(jìn)人類對(duì)其的理解和信任。

參考文獻(xiàn)

［１］ ＳＨＩ Ｇ Ｍ，ＸＩＡＯ Ｙ． Ａｒｃｈｉｔｅｃｔｕｒａｌ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｓｅｍａｎｔｉｃ

Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｅｒｖｉｃｅｓ ｆｏｒ ＩｏＴ ａｎｄ Ｓｍａｒｔ Ｃｉｔｙ ＆ Ｃｏｍ

ｍｕｎｉｔｙ［Ｓ］． Ｇｅｎｅｖａ：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｔｅｌｅｃｏｍ Ｕｎｉｏｎ，２０２１．

［２］ ＩＭＴ２０３０（６Ｇ）推進(jìn)組． ６Ｇ 網(wǎng)絡(luò)架構(gòu)愿景與關(guān)鍵技術(shù)

展望白皮書［Ｒ］． 北京：ＩＭＴ２０３０（６Ｇ）推進(jìn)組，２０２１．

［３］ ＬＵＯ Ｘ，ＣＨＥＮ Ｈ Ｈ，ＧＵＯ Ｑ． Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ：

Ｏｖｅｒｖｉｅｗ，Ｏｐｅｎ Ｉｓｓｕｅｓ，ａｎｄ Ｆｕｔｕｒｅ Ｒｅｓｅａｒｃｈ Ｄｉｒｅｃｔｉｏｎｓ

［Ｊ ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，２９ （１ ）：

２１０－２１９．

［４］ 石光明，肖泳，李瑩玉，等． 面向萬物智聯(lián)的語義通信

網(wǎng)絡(luò)［Ｊ］． 物聯(lián)網(wǎng)學(xué)報(bào)，２０２１，５（２）：２６－３６．

［５］ ＬＵ Ｋ，ＺＨＯＵ Ｑ Ｙ，ＬＩ Ｒ Ｐ，ｅｔ ａｌ． Ｒｅｔｈｉｎｋｉｎｇ Ｍｏｄｅｒｎ Ｃｏｍ

ｍｕｎｉｃａｔｉｏｎ ｆｒｏｍ Ｓｅｍａｎｔｉｃ Ｃｏｄｉｎｇ ｔｏ Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉ

ｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，３０（１）：

１５８－１６４．

［６］ ＳＨＩ Ｇ Ｍ，ＸＩＡＯ Ｙ，ＬＩ Ｙ Ｙ，ｅｔ ａｌ． Ｆｒｏｍ Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕ

ｎｉｃａｔｉｏｎ ｔｏ Ｓｅｍａｎｔｉｃａｗａｒｅ Ｎｅｔｗｏｒｋｉｎｇ：Ｍｏｄｅｌ，Ａｒｃｈｉｔｅｃ

ｔｕｒｅ，ａｎｄ Ｏｐｅｎ Ｐｒｏｂｌｅｍｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇ

ａｚｉｎｅ，２０２１，５９（８）：４４－５０．

［７］ ＸＩＡＯ Ｙ，ＬＩＡＯ Ｙ Ｗ，ＬＩ Ｙ Ｙ，ｅｔ ａｌ． Ｒｅａｓｏｎｉｎｇ ｏｖｅｒ ｔｈｅ

Ａｉｒ：Ａ Ｒｅａｓｏｎｉｎｇｂａｓｅｄ Ｉｍｐｌｉｃｉｔ Ｓｅｍａｎｔｉｃａｗａｒｅ Ｃｏｍｍｕ

ｎｉｃａｔｉｏｎ Ｆｒａｍｅｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ

Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２３，２３（４）：３８３９－３８５５．

［８］ ＣＨＥＮ Ｘ Ｊ，ＪＩＡ Ｓ Ｂ，ＸＩＡＮＧ Ｙ． Ａ Ｒｅｖｉｅｗ：Ｋｎｏｗｌｅｄｇｅ

Ｒｅａｓｏｎｉｎｇ ｏｖｅｒ Ｋｎｏｗｌｅｄｇｅ Ｇｒａｐｈ ［Ｊ］． Ｅｘｐｅｒｔ Ｓｙｓｔｅｍｓ

ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２０２０，１４１（３）：１１２９４８． １－１１２９４８． ２１．

［９］ ＺＨＡＮＧ Ｃ，ＸＩＥ Ｙ，ＢＡＩ Ｈ，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎ Ｆｅｄｅｒａｔｅｄ

Ｌｅａｒｎｉｎｇ ［Ｊ ］． Ｋｎｏｗｌｅｄｇｅｂａｓｅｄ Ｓｙｓｔｅｍｓ，２０２１，２１６：

１０６７７５． １－１０６７７５． １１．

［１０］ＳＨＡＮＮＯＮ Ｃ Ｅ． Ａ Ｍａｔｈｅｍａｔｉｃａｌ Ｔｈｅｏｒｙ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ

［Ｊ］． Ｔｈｅ Ｂｅｌｌ Ｓｙｓｔｅｍ Ｔｅｃｈｎｉｃａｌ Ｊｏｕｒｎａｌ，１９４８，２７ （３）：

３７９－４２３．

［１１］ＬＩＡＮＧ Ｊ Ｍ，ＸＩＡＯ Ｙ，ＬＩ Ｙ Ｙ，ｅｔ ａｌ． Ｌｉｆｅｌｏｎｇ Ｌｅａｒｎｉｎｇ ｆｏｒ

Ｒｅａｓｏｎｉｎｇｂａｓｅｄ Ｓｅｍａｎｔｉｃ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ［Ｃ］∥ ２０２２

ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｗｏｒｋ

ｓｈｏｐｓ（ＩＣＣ Ｗｏｒｋｓｈｏｐｓ）． Ｓｅｏｕｌ：ＩＥＥＥ，２０２２：２７１－２７６．

［１２］ＸＩＡＯ Ｙ，ＳＵＮ Ｚ Ｊ，ＳＨＩ Ｇ Ｍ，ｅｔ ａｌ． Ｉｍｉｔａｔｉｏｎ Ｌｅａｒｎｉｎｇ

ｂａｓｅｄ Ｉｍｐｌｉｃｉｔ Ｓｅｍａｎｔｉｃａｗａｒｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋｓ：

ＭｕｌｔｉＬａｙｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ａｎｄ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｒｅａｓｏｎｉｎｇ

［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｎ Ｓｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，

２０２２，４１（３）：６３９－６５８．

［１３］ＢＡＲＷＩＳＥ Ｊ． Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｆｉｒｓｔｏｒｄｅｒ Ｌｏｇｉｃ［Ｍ］．

Ａｍｓｔｅｒｄａｍ：Ｅｌｓｅｖｉｅｒ，１９７７．

［１４］ＦＯＲＧＹ Ｃ Ｌ． Ｒｅｔｅ：Ａ Ｆａｓｔ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｈｅ Ｍａｎｙ

Ｐａｔｔｅｒｎ／ Ｍａｎｙ Ｏｂｊｅｃｔ Ｐａｔｔｅｒｎ Ｍａｔｃｈ Ｐｒｏｂｌｅｍ［Ｍ］． Ａｍ

ｓｔｅｒｄａｍ：Ｅｌｓｅｖｉｅｒ，１９８９．

［１５］ＸＩＥ Ｌ Ｘ，ＹＵＩＬＬＥ Ａ． Ｇｅｎｅｔｉｃ ＣＮＮ［ＥＢ／ ＯＬ］． （２０１７ －

０３－０４）［２０２３ －１２ －２５］． ｈｔｔｐｓ：∥ｄｏｉ． ｏｒｇ／１０． ４８５５０ ／

ａｒＸｉｖ． １７０３． ０１５１３．

［１６］ ＹＩＮ Ｗ Ｐ，ＫＡＮＮ Ｋ，ＹＵ Ｍ，ｅｔ ａｌ． Ｃｏｍｐａｒａｔｉｖｅ Ｓｔｕｄｙ ｏｆ

ＣＮＮ ａｎｄ ＲＮＮ ｆｏｒ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ［ＥＢ／

ＯＬ］． （２０１７－０２－０７）［２０２３－１２－２５］． ｈｔｔｐｓ：∥ｄｏｉ． ｏｒｇ／

１０． ４８５５０ ／ ａｒＸｉｖ． １７０２． ０１９２３．

［１７］ＫＲＩＺＨＥＶＳＫＹ Ａ，ＳＵＴＳＫＥＶＥＲ Ｉ，ＨＩＮＴＯＮ Ｇ Ｅ．

ＩｍａｇｅＮｅｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ，２０１７，６０（６）：

８４－９０．

［１８］ＨＯＣＨＲＥＩＴＥＲ Ｓ，ＳＣＨＭＩＤＨＵＢＥＲ Ｊ． Ｌｏｎｇ Ｓｈｏｒｔｔｅｒｍ

Ｍｅｍｏｒｙ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５－１７８０．

［１９］ＳＣＨＬＩＣＨＴＫＲＵＬＬ Ｍ，ＫＩＰＦ Ｔ Ｎ，ＢＬＯＥＭ Ｐ，ｅｔ ａｌ． Ｍｏｄ

ｅｌｉｎｇ Ｒｅｌａｔｉｏｎａｌ Ｄａｔａ ｗｉｔｈ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ

［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ

ｏｎ Ｓｅｍａｎｔｉｃ Ｗｅｂ． Ｈｅｒａｋｌｉｏｎ：Ｓｐｒｉｎｇｅｒ，２０１８：５９３－６０７．

［２０］ＷＥＳＴＯＮ Ｊ，ＣＨＯＰＲＡ Ｓ，ＢＯＲＤＥＳ Ａ． Ｍｅｍｏｒｙ Ｎｅｔｗｏｒｋｓ

［ＥＢ／ ＯＬ］． （２０１４－１０－１５）［２０２３－１２－２５］． ｈｔｔｐｓ：∥ｄｏｉ．

ｏｒｇ／１０． ４８５５０ ／ ａｒＸｉｖ． １４１０． ３９１６．

［２１］ ＧＲＡＶＥＳ Ａ，ＷＡＹＮＥ Ｇ，ＤＡＮＩＨＥＬＫＡ Ｉ． Ｎｅｕｒａｌ Ｔｕｒｉｎｇ

Ｍａｃｈｉｎｅｓ［ＥＢ／ ＯＬ］． （２０１４ －１０ －２０）［２０２３ －１２ －２５］．

ｈｔｔｐｓ：∥ｄｏｉ． ｏｒｇ／１０． ４８５５０ ／ ａｒＸｉｖ． １４１０． ５４０１．

［２２］ＢＵＲＣＨ Ｊ Ｒ，ＣＬＡＲＫＥ Ｅ Ｍ，ＭＣＭＩＬＬＡＮ Ｋ Ｌ，ｅｔ ａｌ． Ｓｙｍ

ｂｏｌｉｃ Ｍｏｄｅｌ Ｃｈｅｃｋｉｎｇ：１０２０ Ｓｔａｔｅｓ ａｎｄ Ｂｅｙｏｎｄ［Ｊ］． Ｉｎｆｏｒ

ｍａｔｉｏｎ ａｎｄ Ｃｏｍｐｕｔａｔｉｏｎ，１９９２，９８（２）：１４２－１７０．

［２３］ ＭＡＯ Ｊ Ｙ，ＧＡＮ Ｃ，ＫＯＨＬＩ Ｐ，ｅｔ ａｌ． Ｔｈｅ Ｎｅｕｒｏｓｙｍｂｏｌｉｃ

Ｃｏｎｃｅｐｔ Ｌｅａｒｎｅｒ： Ｉｎｔｅｒｐｒｅｔｉｎｇ Ｓｃｅｎｅｓ， Ｗｏｒｄｓ， ａｎｄ

Ｓｅｎｔｅｎｃｅｓ Ｆｒｏｍ Ｎａｔｕｒａｌ Ｓｕｐｅｒｖｉｓｉｏｎ［ＥＢ／ ＯＬ］． （２０１９ －

０４－２６）［２０２３ －１２ －２５］． ｈｔｔｐｓ：∥ｄｏｉ． ｏｒｇ／１０． ４８５５０ ／

ａｒＸｉｖ． １９０４． １２５８４．

［２４］ＬＩＵＺＺＩ Ａ Ｇ，ＡＧＬＩＮＳＫＡＳ Ａ，ＦＡＩＲＨＡＬＬ Ｓ Ｌ． Ｇｅｎｅｒａｌ ａｎｄ

Ｆｅａｔｕｒｅｂａｓｅｄ Ｓｅｍａｎｔｉｃ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｉｎ ｔｈｅ Ｓｅｍａｎｔｉｃ

Ｎｅｔｗｏｒｋ［Ｊ］． Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，２０２０，１０（１）：８９３１．

［２５］ＳＴＡＮＯＶＳＫＹ Ｇ，ＦＩＣＬＥＲ Ｊ，ＤＡＧＡＮ Ｉ，ｅｔ ａｌ． Ｉｎｔｅｒｍｅｄｉａｒｙ

Ｓｅｍａｎｔｉｃ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ Ｔｈｒｏｕｇｈ Ｐｒｏｐｏｓｉｔｉｏｎ Ｓｔｒｕｃｔｕｒｅｓ

［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＣＬ ２０１４ Ｗｏｒｋｓｈｏｐ ｏｎ Ｓｅ

ｍａｎｔｉｃ Ｐａｒｓｉｎｇ． Ｂａｌｔｉｍｏｒｅ：ＡＣＬ，２０１４：６６－７０．

［２６］ＢＯＲＤＥＳ Ａ，ＣＨＯＰＲＡ Ｓ，ＷＥＳＴＯＮ Ｊ． Ｑｕｅｓｔｉｏｎ Ａｎｓｗｅｒｉｎｇ

ｗｉｔｈ Ｓｕｂｇｒａｐｈ Ｅｍｂｅｄｄｉｎｇｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１４

Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｍｐｉｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ

Ｐｒｏｃｅｓｓｉｎｇ． Ｄｏｈａ：ＥＭＮＬＰ，２０１４：６１５－６２０．

［２７］ＢＯＮＡＴＴＩ Ｐ Ａ，ＤＥＣＫＥＲ Ｓ，ＰＯＬＬＥＲＥＳ Ａ，ｅｔ ａｌ． Ｋｎｏｗｌ

ｅｄｇｅ Ｇｒａｐｈｓ：Ｎｅｗ Ｄｉｒｅｃｔｉｏｎｓ ｆｏｒ Ｋｎｏｗｌｅｄｇｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ

ｏｎ ｔｈｅ Ｓｅｍａｎｔｉｃ Ｗｅｂ （Ｄａｇｓｔｕｈｌ Ｓｅｍｉｎａｒ １８３７１）［Ｊ］．

Ｓｃｈｌｏｓｓ ＤａｇｓｔｕｈｌＬｅｉｂｎｉｚＺｅｎｔｒｕｍ ｆüｒ Ｉｎｆｏｒｍａｔｉｋ，２０１９，

８（９）：２９－１１１．

［２８］ＬＩＮ Ｊ Ｊ，ＺＨＡＯ Ｙ Ｚ，ＨＵＡＮＧ Ｗ Ｙ，ｅｔ ａｌ． Ｄｏｍａｉｎ Ｋｎｏｗｌ

ｅｄｇｅ Ｇｒａｐｈｂａｓｅｄ Ｒｅｓｅａｒｃｈ Ｐｒｏｇｒｅｓｓ ｏｆ Ｋｎｏｗｌｅｄｇｅ Ｒｅｐ

ｒｅｓｅｎｔａｔｉｏｎ ［Ｊ ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，

２０２０，３３（２）：１－１０．

［２９］ＢＯＮＡＴＴＩ Ｐ Ａ ，ＯＬＭＥＤＩＬＬＡ Ｄ． Ｒｕｌｅｂａｓｅｄ Ｐｏｌｉｃｙ Ｒｅｐ

ｒｅｓｅｎｔａｔｉｏｎ ａｎｄ Ｒｅａｓｏｎｉｎｇ ｆｏｒ ｔｈｅ Ｓｅｍａｎｔｉｃ Ｗｅｂ［Ｃ］∥

Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｈｉｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｕｍｍｅｒ Ｓｃｈｏｏｌ

Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｅａｓｏｎｉｎｇ Ｗｅｂ． Ｄｒｅｓｄｅｎ：ＡＣＭ，２００７：

２４０－２６８．

［３０］ＬＵ Ｚ Ｍ，ＸＩＡＯ Ｙ，ＳＵＮ Ｚ Ｊ，ｅｔ ａｌ． Ａｄｖｅｒｓａｒｉａｌ Ｌｅａｒｎｉｎｇ ｆｏｒ

Ｉｍｐｌｉｃｉｔ Ｓｅｍａｎｔｉｃａｗａｒｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｃ］∥ ＩＥＥＥ Ｉｎ

ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＩＣＣ）． Ｒｏｍｅ：

ＩＥＥＥ，２０２３：４０６３－４０６９．

［３１］ＨＡＡＳ Ｍ，ＪＡＫＵＢＯＶＳＫＩ Ｅ，ＦＲＥＭＥＲ Ｃ，ｅｔ ａｌ． Ｙａｌｅ

Ｇｌｏｂａｌ Ｔｉｃ Ｓｅｖｅｒｉｔｙ Ｓｃａｌｅ（ＹＧＴＳＳ）：Ｐｓｙｃｈｏｍｅｔｒｉｃ Ｑｕａｌｉｔｙ

ｏｆ ｔｈｅ Ｇｏｌｄ Ｓｔａｎｄａｒｄ ｆｏｒ Ｔｉｃ Ａｓｓｅｓｓｍｅｎｔ Ｂａｓｅｄ ｏｎ ｔｈｅ

Ｌａｒｇｅｓｃａｌｅ ＥＭＴＩＣＳ Ｓｔｕｄｙ［Ｊ］． Ｆｒｏｎｔｉｅｒｓ ｉｎ Ｐｓｙｃｈｉａｔｒｙ，

２０２１，１２：６２６４５９．

［３２］ＮＯＲＲＩＳ Ｊ Ｍ． Ｃｕｒｒｅｎｔ Ｕｓｅｓ ｆｏｒ Ｔａｓｋｂａｓｅｄ Ｌａｎｇｕａｇｅ Ａｓ

ｓｅｓｓｍｅｎｔ ［Ｊ］． Ａｎｎｕａｌ Ｒｅｖｉｅｗ ｏｆ Ａｐｐｌｉｅｄ Ｌｉｎｇｕｉｓｔｉｃｓ，

２０１６，３６：２３０－２４４．