深度优先搜索的基本思想：深度优先搜索属于图算法的一种,它的基本思想简单的说就是对每一个分支的路径搜索到最深处，并且每一个节点只能被访问一次。深度优先搜索遍历和树的先根遍历比较类似，是沿着树的深度遍历树的节点，尽可能深的搜索树的分支。思想是从一个顶点开始，沿着一条路径一直走到最后一个节点，如果发现不能达到目标节点，就需要返回上一个节点，换一条路径重复以上过程。

广度优先搜索的过程：广度优先搜索BFS（BreadthFirstSearch）也称为宽度优先搜索，它是一种先生成的结点先扩展的策略。通过广度优先搜索获得的顶点的遍历次序为：①→②→③→④→⑥→⑤。

广度优先搜索的基本思想：在广度优先搜索算法中，解答树上结点的扩展是按它们在树中的层次进行的。首先生成第一层结点，同时检查目标结点是否在所生成的结点中，如果不在，则将所有的第一层结点逐一扩展，得到第二层结点，并检查第二层结点是否包含目标结点，……，对层次为n+1的任一结点进行扩展之前，必须先考虑层次完层次为n的结点的每种可能的状态。因此，对于同一层结点来说，求解问题的价值是相同的，可以按任意顺序来扩展它们。通常采用的原则是先生成的结点先扩展。

什么是搜索：搜索的概念：搜索(Search)——根据问题的实际情况，按照一定的策略或者规划。从知识库中寻找到可以利用的知识，从而构造出一条使得问题获得解决的推理路线的过程。搜索的含义：搜索包含两层含义，一是根据问题的实际情况，按照一定的策略，从知识库中寻找可利用的知识，从而构造出一条使问题获得解决的推理路线；另一是找到的这条路线是时空复杂度最小的求解路线。

语义网络优缺点：优点：1、结构性：以节点和弧形式把事物属性以及事物间的语义联想显式地表示出来。2、联想性：作为人类联想记忆模型提出。3、自然性：直观地把事物的属性及其语义联系表示出来，便于理解，自然语言与语义网络的转换比较容易实现。缺点：1、非严格性：无公认的形式表示体系，具体知识完全依赖处理程序的解释形式；推理无法保证其正确性；在逻辑上可能不充分，不能保证不存在二义性。2、处理上的复杂性：语义网络表示知识的手段多种多样，虽然灵活性很高，但同时也由于表示形式的不一致使得对其处理的复杂性提高，对知识的检索也就相对复杂，要求对网络的搜索要有强有力的组织原则。

基于符号主义的知识表示瓶颈：如果一个人的最终目标是强人工智能，逻辑似乎是一种超级不错的知识表示。因为逻辑普遍适用。原则上来说，相同的表示（相同的逻辑符号主义）可以用来表示视觉、学习和语言等，当然也适用于由此产生的任意集成。此外，它提供了很有说服力的定理证明方法，以处理信息。所以，早期人工智能中的知识表示方式首选谓词演算。然而，逻辑也有缺点。第一个缺点包含组合爆炸。第二个缺点是，一旦某事被证明是真，那它永远是真。

识文断字典型应用场景：1、票据识别及卡证文字识别基于业界领先的深度学习技术，提供对财税报销、金融保险等场景所涉及的各类票据进行结构化识别的服务。包括混贴票据识别、银行回单识别、增值税发票识别、通用机打发票识别、火车票识别、定额发票识别、彩票识别、通用票据识别等。2、汽车场景文字识别及教育场景文字识别基于业界领先的深度学习技术，提供对汽车购买及使用过程中所涉及的各类卡证、票据进行结构化识别的服务。包括驾驶证识别、行驶证识别、车牌识别、VIN码识别等；手写文字识别：支持对图片中的手写中文、手写数字进行检测和识别，针对不规则的手写字体进行专项优化，识别准确率可达90%以上。公式识别：支持对试卷中的数学公式及题目内容进行识别，可提取公式部分进行单独识别，也可对题目和公式进行混合识别，并返回Latex格式公式内容及位置信息，便于进行后续处理。使用公式识别技术，可对题目中的数学公式和题目内容进行识别，并以Latex格式返回公式内容，满足对含数字公式的题目进行识别后匹配题库内容的需求，有效提升可搜索题目类型的丰富性，提升用户使用体验。

识文断字情感分析：Web2.0时代以来，越来越多的用户主动通过各种网络传播渠道，以非商业的目的，分享关乎产品的自身感知体验、意见观点以及所引发的情感认同。这些产品评论数据对于商家及用户都有着不可替代的参考性。然而，由于产品评论数量庞大、内容广泛且形式复杂，依靠传统人工方法很难全面、细致地挖掘出有价值的信息。面对大数据时代带来的严峻挑战，探索并发现用户对某一产品的褒贬态度及意见，可以为企业的产品优化改进和消费者的购买行为提供数据支持。产品评论情感分析是指利用自然语言处理、文本挖掘和计算机语言学等方法对评论文本进行识别和提取主观信息的过程，主要分为两个方面：产品特征提取和情感极性识别。产品特征提取与情感极性识别是产品评论情感分析的基础。

识文断字手写数据识别：现阶段远程高速数据识别过程中，存在着数据识别执行时间过长、能量消耗较大、识别率较低等问题。在这种情况下，如何有效提出能够提高数据传输处理能力，保证数据准确有序的识别成为当今社会亟待解决的问题。

图像分类的意义：谷歌的猫脸识别曾引起了学术界的轰动，它采用了深度学习领域的“无监督学习方式”，即不进行人为的图片标注，而是让机器自己从大量原始数据中磨砺出算法，进行区分和识别。近年来近年来，随着计算机视觉技术的迅猛发展，如何高效且准确地对海量图像进行分类显得尤为重要。经典的图像分类大部分是针对单标签图像的，即每幅图像只与一个物体相关联。而在现实生活中，一幅图像往往会包含多个不同种类的物体，所以研究对多标签图像的分类更加具有实际意义，人工神经网络在单标签图像分类中的应用已经有了广泛的研究，其中卷积神经网络展现出了极其出色的效果和强大的性能。由于多标签图像具有内容复杂，物体互相遮挡等问题，将卷积神经网络应用于多标签图像分类吸引研究者做了大量的工作。