摘要：数据驱动的机器学习模型往往依赖于大幅提高训练样本数量以降低其泛化风险,对有限样本的应用场景适用性差。为此,该文在数据驱动的模型基础上引入领域知识这一学习要素,提出数据–知识融合的机器学习范式,可以降低机器学习方法的泛化风险。首先,给出关于数据–知识融合机器学习问题的表示,分析数据–知识融合的多种不同模式,并建立一般性的数据–知识融合机器学习模型。然后,分析该融合学习模型的解的形态,给出评价该模型在问题的全域学习空间和局部学习空间的泛化能力的表示。最后,结合实际应用案例,讨论该融合学习模型在回归分析、模式识别、动态规划等任务中如何实现数据–知识的融合学习。与单纯数据驱动的模型相比,数据–知识融合模型可使机器学习过程更加高效,并且在不提高训练样本数量的前提下降低学习器泛化风险。