当前人工智能在不确定性、脆弱性和开放性实际应用环境中面临重大挑战，任何程度的机器智能都无法完全取代人类.一种新的学习范——“知识引导+数据驱动”的人机混合增强智能的新模式应运而生，基本思路是：综合人类在记忆、常识、直觉、推理、归纳、演绎等高阶认知方面的优势和机器在存储、计算、特征识别、搜索、优化等方面的认知计算优势，将人类推理和随机决策方面的能力引入到机器高效的计算过程中，实现人在回路的混合增强智能.《计算机研究与发展》推出了人机混合增强智能的典型应用专题，以促进该方向创新研究与发展.本期专题得到同行的广泛关注，通过公开征文收到19篇高质量投稿稿件，这些论文阐述了人机混合增强智能的重要研究成果和发展前景.特邀编委先后邀请了十余位相关领域的专家参与评审，历经初审、复审、终审等阶段,最终遴选出4篇高质量的论文入选本专题.内容涵盖了主动学习、排序学习、表示学习等关键技术，在一定程度上反映了当前国内学者在脑机接口、网络舆情演化趋势评估、知识图谱搜索与问答等方面的典型应用.

基于运动想象的脑机接口技术能够建立大脑与外界之间的联系，逐渐成为人机混合增强智能的重要应用，并广泛应用于医学康复治疗等领域.由于脑电信号具有非线性、非平稳和低信噪比等特点，使得准确的分类运动想象脑电信号具有很大挑战.为此，提出一种新颖的多尺度特征提取与挤压激励模型对运动想象脑电信号进行高精度分类.首先，基于多尺度卷积模块自动提取原始脑电信号的时域、频域和时频域特征；然后，使用残差模块和挤压激励模块分别进行特征的融合和选择；最后，利用全连接网络层进行运动想象脑电信号的分类.实验在2个公开的脑机接口竞赛数据集上进行分析,结果表明该模型与现有先进模型相比，有效地提升了运动想象脑电信号的识别效果，在2个数据集上分别取得了78.0％和82.5％的平均准确度，该模型可以在脑电通道较少的情况下有效地分类脑电信号且无需手动设计特征，具有较高的应用价值.

社交网络中的舆情事件关乎社会的和谐与稳定，分析事件的演化趋势并进行管控能够有效降低恶性舆情事件的影响.但是，高效的舆情管控却面临标注数据少、管控资源有限的难题，采用人机混合增强技术，充分利用少量标注样本中的专家知识，是建立舆情演化态势评估模型的可行思路之一.据此，提出一种基于排序学习的舆情事件演化趋势重要性评估算法，在模型训练过程中，充分利用标注数据中的专家知识以及有标签数据和无标签数据的关联关系，筛选重要舆情事件进行管控，提升管控资源利用效能.首先，结合舆情管控经验和需求，从“人”“事”“势”等三要素出发，构建易获取、可量化、有含义的舆情事件演化态势评估指标体系；其次，基于图卷积神经网络构建舆情演化趋势评估模型，利用局部敏感Hash算法挖掘数据的空间结构信息，并利用图卷积求取数据及其邻域的混合特征；最后，针对有标签数据和无标签数据设计相应的损失函数，实现标注数据中专家知识和无标注数据中空间结构信息的综合利用.在公开数据集MQ2007-semi和MQ2008-semi上验证了算法的有效性，在自主构建的舆情数据集上验证了算法的实用性和泛化性.实验结果表明，所提算法可以根据少量的专家知识或标注数据，实现网络舆情事件演化态势的评估，为资源有限条件下的舆情事件管控提供决策支撑.

在知识图谱进行有效的搜索可以为智能问答、语义检索等智能应用提供有效支撑.然而，当用户不能给出明确的查询意图时，一个搜索系统要如何精准捕获用户的兴趣并找到对应的查询目标是项难题.人机混合的主动搜索为缓解用户和机器之间的理解鸿沟提供了桥梁.人机混合的主动搜索核心在于让机器主动地向用户提出相关的问题，从用户的反馈中获取信息，再基于这些信息对检索候选项进行搜索，形成人机混合的回路，最终精准定位用户意图并返回查询结果.在知识图谱表示学习技术的基础上，将知识图谱的搜索任务建模成向量空间中人机混合的主动搜索任务.具体来说，首先将知识图谱和用户的兴趣偏好嵌入到同一低维向量空间.然后，机器主动向用户提问，通过让用户对具体实体进行打分的方式获取相应的反馈信息，进而更新用户偏好在向量空间中的定位.设计了一种评价方式，基于偏好点与其他实体之间的欧氏距离来度量用户对某个实体的兴趣，最终在人机多轮交互后找到对应的目标实体返回给用户.在实验部分，对知识图谱的嵌入过程和主动搜索的过程分别进行了实验，实验结果显示，所提出的方法具有一定的效果.

近年来，大量研究工作致力于知识图谱的嵌入学习，旨在将知识图谱中的实体与关系映射到低维连续的向量空间中.且所学习到的嵌入表示已被成功用于缓解大规模知识图谱的计算效率低下问题.然而，大多数现有嵌入学习模型仅考虑知识图谱的结构信息.知识图谱中还包含有丰富的上下文信息和文本信息，它们也可被用于学习更准确的嵌入表示.针对这一问题，提出了一种规则引导的知识图谱联合嵌入学习模型，基于图卷积网络，将上下文信息与文本信息融合到实体与关系的嵌入表示中.特别是针对上下文信息的卷积编码，通过计算单条上下文信息的置信度与关联度来度量其重要程度.对于置信度，定义了一个简单有效的规则并依据该规则进行计算.对于关联度，提出了一种基于文本表示的计算方法.最后，在2个基准数据集上进行的实验结果证明了模型的有效性.