2012年，Google公司提出知识图谱的概念，以结构化方式描述海量概念、实体及其语义关系，旨在增强语义搜索，提升搜索质量。次年，以TransE为代表的知识图谱表示学习逐渐兴起，以向量化形式进行知识表示，以方便知识的高效推理计算。
知识图谱天然是符号表示，表示学习的输出是向量表示，分属于符号主义与连接主义的两个人工智能流派，迅速发展的同时也暴露了一定问题，如知识图谱的稀疏性，尤其常识和领域知识，亟需探索更有效的知识获取与整理手段；表示学习与深度学习的不可解释性，驱动我们探索鲁棒可解释的表示与推理技术。
Geoffrey Hinton、Yoshua Bengio和Yann LeCun三位图灵奖获得者2015年在《自然》上联合撰文指出“融合表示学习与复杂知识推理是人工智能进步的阶梯”；2018年中国科学院院士张钹院士指出第三代人工智能是实现可解释、鲁棒、可信安全的智能系统，将知识作为核心的四个要素之首；人工智能顶级国际学术会议AAAI 2019上题为“人工智能未来20年路线图”的Townhall会议将融合数字与符号的推理作为人工智能未来20年亟需解决的问题之一。
因此，研究符号与数字融合的神经符号推理，推动兼具鲁棒性与逻辑性的推理技术，也是目前的研究热点。为进一步分析此领域的最新研究进展，期刊AI Open特别设置了专刊“Special Issue on knowledge acquisition and reasoning”，欢迎学者们关注并投稿。
本专刊致力于发表和呈现知识获取与推理的前沿评论、研究和应用，为研究人员提供一个平台，分享在这一活跃领域的最新观察和成果。
一、本次征稿的十个主题1. Knowledge representation2. Knowledge graph embedding3. Entity extraction, entity typing, relation extraction4. Open knowledge extraction5. Entity resolution, entity linking6. Knowledge graph completion7. Knowledge graph alignment8. Neural-symbolic reasoning9. Question answering on knowledge graphs10. Knowledge-enhanced search or recommendation二、投稿要求提交给该期刊以供发表的论文必须是原创的，且不能一稿多投；稿件必须具有大量的“新的和原始的”想法，30％以上的内容必须是“全新”的；提交前，请先阅读Guide for Authors，文章提交请Submitted online；请在提交时选择SI：Knowledge acquisition and reasoning；Guide for Authors链接地址：http://www.keaipublishing.com/en/journals/ai-open/guide-for-authors/Submitted online链接地址：https://www.editorialmanager.com/aiopen/default.aspx三、客座编辑唐杰清华大学计算机与科学技术系教授，系副主任Email: jietang@tsinghua.edu.cn李涓子清华大学计算机与科学技术系教授Email:lijuanzi@tsinghua.edu.cn张静中国人民大学信息学院副教授Email:zhang-jing@ruc.edu.cn侯磊清华大学计算机与科学技术系助理研究员Email: houlei@tsinghua.edu.cn三、注意日期提交截止日期：2021年5月10日最终决定日期：2021年7月15日发布日期：2021年8月30日