大模型知识编辑 技术
大模型知识编辑在不重训的前提下修改/注入/删除模型内部知识（ROME、MEMIT、定位-编辑），用于修正事实、时效更新与版权删除，是 LLM 知识治理的前沿。
知识图谱与推理词条
知识追踪 技术
知识追踪建模学生对知识点的掌握程度随时间/作答的演化，用于智能教育自适应学习：DKT（深度知识追踪）与 LLM 学情分析是代表。
反事实推理 技术
反事实推理回答「如果当初不这样做会怎样」：基于结构因果模型的干预与想象，用于可解释性（最小改动反事实）、公平性与决策复盘。
因果图 概念
因果图用有向无环图（DAG）表示变量间的因果依赖：父节点→子节点的箭头即「直接原因」，支撑 d-分离、后门准则与因果效应识别。
因果推理 概念
因果推理超越相关推断「原因-结果」关系，以结构因果模型（SCM）、do-演算与反事实为核心，用于决策、医学与政策评估，是 AI 向「理解」迈进的必经之路。
神经符号AI 概念
神经符号 AI 把深度学习（感知/学习）与符号推理（逻辑/可解释）结合，兼顾数据驱动与逻辑严谨，路线含神经逻辑编程、场景图推理与 LLM+符号工具，被视为通向强 AI 的方向之一。
概念图谱 概念
概念图谱刻画概念之间的语义关系（上下位、属性、相关），是常识/概念知识的组织形态，用于理解泛化与搜索扩展，代表有 ConceptNet、CN-Probase。
事理图谱 概念
事理图谱以事件为节点、以因果/顺承等关系为边建模事件演化逻辑（如「暴雨→洪灾→救援」），用于事件推演、预警与决策，是知识图谱在动态事件域的扩展。
图神经网络 技术
图神经网络（GNN）在图结构数据上学习节点/边/图表示：消息传递范式（GCN、GAT、GraphSAGE），用于推荐、风控、分子与知识图谱推理。
知识图谱问答 技术
知识图谱问答（KBQA）把自然语言问题转成图谱查询（SPARQL）或通过语义解析/检索获取答案，结合 LLM 成为企业图谱问答的主流方案。
链接预测 技术
链接预测预测图中缺失的边（关系），是知识图谱补全与社交/风控图分析的核心任务，方法分启发式（CN/Jaccard）、嵌入（TransE）与 GNN。
知识图谱补全 技术
知识图谱补全预测缺失的三元组（链接预测）：头/尾实体预测与事实评分，基于嵌入、GNN 或规则，是解决图谱不完整的核心任务。
TransE 技术
TransE 是 2013 年提出的知识图谱嵌入奠基模型：把关系视为头实体到尾实体的「平移」（h+r≈t），简洁有效，是链接预测与图谱嵌入的起点。
知识图谱嵌入 技术
知识图谱嵌入把实体与关系映射为低维向量（TransE 等），用向量运算预测三元组，支撑链接预测与知识补全，是学习式图谱推理的基础。
描述逻辑 技术
描述逻辑（DL）是知识表示的形式逻辑家族：以概念、角色与构造子表达知识并支持可判定推理（一致性/包含/实例），是 OWL 与本体推理的理论基础。