AI Open 成立于 2020 年，主要分享关于人工智能理论及其应用的知识处理和前瞻性观点，期刊主编为清华大学计算机系的唐杰教授。

AI Open 三大高被引论文解读

1.图神经网络：方法与应用回顾（Graph neural networks: A review of methods and applications）

近年来，由于图（graph）的强大表达能力，利用机器学习分析图的研究越来越受到关注。如今，在图领域机器学习中，图神经网络（GNN）又成为新的研究热点。由于 GNN 对图节点之间依赖关系进行建模的强大能力，它在社交网络、知识图、推荐系统、生命科学等各个领域都得到了越来越广泛的应用。

该论文详细总结了构建 GNN 模型的 “四步” 框架并作理论分析，展示了 GNN 在各学科中的常见应用，并提出了四个开放性问题，阐述了图神经网络的主要挑战和未来研究方向。

DOI: 10.1016/j.aiopen.2021.01.001

2.预训练模型：过去、现在和未来（Pre-trained models: Past, present and future）

BERT、GPT 等大规模预训练模型（PTM）取得了巨大成功，成为了 AI 行业的里程碑。由于复杂的预训练目标和庞大的模型参数，大规模 PTM 可以有效地从大量标记和未标记的数据中捕获知识。通过将知识存储到海量参数中并对特定任务进行微调，参数中隐式编码的丰富知识可以使各种下游任务受益，这已通过实验验证和实证分析得到广泛证明。

该研究深入探讨了预训练的历史，尤其是它与迁移学习和自监督学习的特殊关系，以揭示 PTM 在 AI 开发领域中的关键地位。

此外，该研究还全面回顾了 PTM 的最新突破。这些突破是由计算能力的激增和数据可用性的增加推动的，正朝着 “设计有效的架构”“利用丰富的上下文”“提高计算效率”“进行解释和理论分析”四个重要方向发展。

最后，该研究讨论了 PTM 的一系列开放问题和研究方向，这些观点或许能够启发和推动 PTM 的未来研究。

DOI: 10.1016/j.aiopen.2021.08.002

3.对话推荐系统的进展和挑战：调查（Advances and challenges in conversational recommender systems: A survey）

推荐系统利用交互历史来估计用户的偏好，已经在广泛的行业应用中得到了大量的应用。然而，由于固有的缺陷，静态推荐模型很难很好地回答两个重要问题：（a）用户到底喜欢什么？(b) 用户为什么喜欢某个物品？这些缺点是由于静态模型学习用户偏好的方式，即没有明确的指示和用户的主动反馈。

近些年发展起来的对话式推荐系统（CRS）从根本上改变了这种情况。在 CRS 中，用户和系统可以通过自然语言互动进行动态交流，获得用户的实时反馈，进而向用户做出符合其偏好的推荐。

该研究对当前 CRS 中使用的技术进行了系统回顾，总结了开发 CRS 的五个关键挑战——基于问题的用户偏好诱导、多轮对话推荐策略、对话理解和生成、开发-探索的权衡、评估和用户模拟。最后，也该研究对 CRS 未来的研究方向进行了探讨和展望。

DOI: 10.1016/j.aiopen.2021.06.002

关于 AI Open

AI Open 成立于 2020 年，是一个可自由访问的期刊平台，用于分享关于人工智能理论及其应用的知识处理和前瞻性观点。

AI Open 欢迎有关人工智能及其应用的各个方面的研究论文、评论文章、观点、短篇通讯和技术说明。

AI Open 的平均出版时间为 24 周，这意味着提交给 AI Open 的论文可以在 6 个月内发表，甚至超过了会议论文的速度。

为了使期刊更好地发展，AI Open 希望通过组织专刊的方式来征集更多高质量的稿件，欢迎学者们提出申请。