面向构建过程的范畴学习模型及其适应性机制研究

Category learning is an important way to establish conceptual system model based on cognitive rules of human beings. However, no deep research on the extensible boundaries of concept and category establishment process of existing conceptual modeling methods has been reported yet. Axiomatic modeling methods will restrict the cognitive process, resulting in the poor adaptation of conceptual model in changing environment. Based on prototype theory, this program plans to build an “anchor concept” as the extensible conceptual structure to build the formal framework of category learning. Centering on the basic idea that “knowledge acquisition based on concepts are establishment process of categories” and focusing on existing problems, this program proposed that: 1) Semantic connotation of the category has family resemblance of dynamic stability; 2) category establishment is based on the mutual interference of anchor concepts. To study adaptation mechanism of category learning, this program creates extensible boundaries of anchor concept by using topology method and describes the mutual interference mechanism of anchor concepts based on Hilbert space. Research results could not only provide a new idea for further illustration of experience-based category learning law and exploration of inconsistent information processing mechanism during knowledge processing, but also lay theoretical foundations for establishing a conceptual model conforming to cognitive rules as well as its application in semantic inference and social network linking prediction.

范畴学习在基于人类认知规律的概念建模研究中具有重要意义。目前，概念建模方法对概念的可扩展边界、范畴的构建过程等方面缺乏深入研究，以及由于公理化的建模方式对认知过程形成约束，导致概念模型在变化环境中的适应能力较弱。借鉴原型理论，本项目拟构造“锚概念”作为可扩展的概念结构，并在其基础上建立范畴学习的形式化框架。围绕基本思想“基于概念的知识获取可描述为范畴的构建过程”，本项目针对现存问题，提出：一）范畴的语义内涵具有动态稳定的家族相似性；二）范畴的构建基于锚概念之间相互干扰的过程。拟采用拓扑学方法构造锚概念的可扩展边界，并基于Hilbert空间对锚概念之间的干扰过程进行描述，从而对范畴学习的适应性机制展开研究。本项目为进一步阐明基于经验的范畴学习规律、探索知识获取过程中处理不协调信息的机制提供新的思路；也为建立符合认知规律的概念模型，及其在语义推理、社会网络链接预测等领域中的应用奠定理论基础。

已有概念建模理论和方法在针对概念的结构及形成机理的研究中存在以下不足：1）结构上缺乏对可扩展边界的定义，导致了概念模型处理概念外延可变性的能力较弱；2）使用确定性阈值参数或经典逻辑，导致了概念模型处理不协调信息的能力较弱。本项目基于原型范畴化理论中的“原型”及“家族相似性”原理，提出“概念的形成基于锚概念的扩展和相互作用的过程”这一建模思想。基于拓扑学理论构造了由“特征粒”所构成的语义边界，将边界的扩展过程归结为“特征粒”之间的相互作用；研究了概念形成过程中的干扰机制，以解决不协调性信息所导致的路径发散问题。. 另外，为了克服基于原型理论的人工智能建模方法中的缺陷，本项目提出构成性范畴理论，作为以非公理化（non-axiomatic）的方式建立人工智能系统的框架。结合构建范畴的双向过程来研究不同认知层次中的相关性，并在此基础上提出构建范畴的两个阶段：一阶判断（first-order judgment），构建了前语义阶段的初级范畴；二阶判断（second-order judgment），通过引入以干扰作用为基础的学习机制，系统可以基于经验背景对当前范畴的修正和扩展来实现认知过程的收敛。本项目的研究结论对进一步探索概念系统的动态构建，及其针对不协调信息进行学习、判断和推理的机制提供了理论基础及可借鉴的思路。通过本项目的研究，可以避免在认知过程中预设公理化知识，从而能够进一步建立具有经济性、稳定性和适应性的智能系统。