计算上下文理解指的是agent融合不同信息源进行决策的能力，因此，通常被认为是人工智能(AI)等复杂机器推理能力的先决条件。数据驱动和知识驱动方法是追求这种机器意义生成能力的两种经典技术。然而，虽然数据驱动的方法试图通过在现实世界中的观察来模拟事件的统计规律，但它们仍然难以解释，而且缺乏自然地结合外部知识的机制。相反，知识驱动的方法结合了结构化的知识库，使基于公理原则的符号推理成为可能，并产生更多可解释的预测; 然而，它们往往缺乏估计推断的统计显著性或鲁棒地适应输入中的扰动的能力。为了解决这些问题，我们使用混合AI方法作为综合两种方法的优势的一般框架。具体而言，我们继承了神经符号的概念，将其作为一种使用领域知识来指导深度神经网络学习进程的方法。领域知识以多种形式出现，包括:(i) 图模型，它描述了实体之间的关系，如依赖、独立、因果、相关和部分相关; (ii) 常识性知识，包括空间知识、物体的物理属性、语义关系和功能知识; 专家智能体以演示或软标签的形式提供特权信息; (iv) 习得的行为原语和先验，这些行为原语和先验可能构成可推广和可转移的任务执行;以及(v)辅助任务、目标和约束条件——为约束优化精心选择。

论文链接：https://drive.google.com/file/d/1ZAcaBEEt0lRtGbJa-vvYC0B61xfg9uRE/view

内容中包含的图片若涉及版权问题，请及时与我们联系删除