1、機器學習

機器學習是一門涉及統(tǒng)計學、系統(tǒng)辨識、逼近理論、神經網絡、優(yōu)化理論、計算機科學、腦科學等諸多領域的交叉學科，研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能，是人工智能技術的核心。

基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術中的重要方法之一，研究從觀測數(shù)據(jù)（樣本）出發(fā)尋找規(guī)律，利用這些規(guī)律對未來數(shù)據(jù)或無法觀測的數(shù)據(jù)進行預測。根據(jù)學習模式、學習方法以及算法的不同，機器學習存在不同的分類方法。根據(jù)學習模式將機器學習分類為監(jiān)督學習、無監(jiān)督學習和強化學習等。根據(jù)學習方法可以將機器學習分為傳統(tǒng)機器學習和深度學習。

2、知識圖譜

知識圖譜本質上是結構化的語義知識庫，是一種由節(jié)點和邊組成的圖數(shù)據(jù)結構，以符號形式描述物理世界中的概念及其相互關系，其基本組成單位是“實體—關系—實體”三元組，以及實體及其相關“屬性—值”對。不同實體之間通過關系相互聯(lián)結，構成網狀的知識結構。在知識圖譜中，每個節(jié)點表示現(xiàn)實世界的“實體”，每條邊為實體與實體之間的“關系”。通俗地講，知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關系網絡，提供了從“關系”的角度去分析問題的能力。?

知識圖譜可用于反欺詐、不一致性驗證、組團欺詐等公共安全保障領域，需要用到異常分析、靜態(tài)分析、動態(tài)分析等數(shù)據(jù)挖掘方法。特別地，知識圖譜在搜索引擎、可視化展示和精準營銷方面有很大的優(yōu)勢，已成為業(yè)界的熱門工具。但是，知識圖譜的發(fā)展還有很大的挑戰(zhàn)，如數(shù)據(jù)的噪聲問題，即數(shù)據(jù)本身有錯誤或者數(shù)據(jù)存在冗余。隨著知識圖譜應用的不斷深入，還有一系列關鍵技術需要突破。

3、自然語言處理

自然語言處理是計算機科學領域與人工智能領域中的一個重要方向，研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法，涉及的領域較多，主要包括機器翻譯、機器閱讀理解和問答系統(tǒng)等。

4、機器翻譯

機器翻譯技術是指利用計算機技術實現(xiàn)從一種自然語言到另外一種自然語言的翻譯過程。基于統(tǒng)計的機器翻譯方法突破了之前基于規(guī)則和實例翻譯方法的局限性，翻譯性能取得巨大提升。

基于深度神經網絡的機器翻譯在日常口語等一些場景的成功應用已經顯現(xiàn)出了巨大的潛力。隨著上下文的語境表征和知識邏輯推理能力的發(fā)展，自然語言知識圖譜不斷擴充，機器翻譯將會在多輪對話翻譯及篇章翻譯等領域取得更大進展。

5、語義理解

語義理解技術是指利用計算機技術實現(xiàn)對文本篇章的理解，并且回答與篇章相關問題的過程。語義理解更注重于對上下文的理解以及對答案精準程度的把控。隨著MCTest 數(shù)據(jù)集的發(fā)布，語義理解受到更多關注，取得了快速發(fā)展，相關數(shù)據(jù)集和對應的神經網絡模型層出不窮。語義理解技術將在智能客服、產品自動問答等相關領域發(fā)揮重要作用，進一步提高問答與對話系統(tǒng)的精度。

6、問答系統(tǒng)

問答系統(tǒng)分為開放領域的對話系統(tǒng)和特定領域的問答系統(tǒng)。問答系統(tǒng)技術是指讓計算機像人類一樣用自然語言與人交流的技術。人們可以向問答系統(tǒng)提交用自然語言表達的問題，系統(tǒng)會返回關聯(lián)性較高的答案。盡管問答系統(tǒng)目前已經有了不少應用產品出現(xiàn)，但大多是在實際信息服務系統(tǒng)和智能手機助手等領域中的應用，在問答系統(tǒng)魯棒性方面仍然存在著問題和挑戰(zhàn)。