认知是感知信息和处理信息的过程，包括从感觉的输入到复杂问题的求解。认知计算是人类智能和机器智能研究领域关注的重点。认知对象既包括客观世界的物理特性，也包括情感、态度、意图等主观特性。然而，现有机器智能的研究大多依据经典逻辑计算，其应用实例也多以计算对象处于完全理性的状态为前提，研究相应的计算模式和机理，使计算机具备智能计算能力，却忽视了情感等主观因素在认知计算过程中的重要影响及所起的作用。因此，经典逻辑计算往往难以解释或呈现个体差异性、不确定性和自我矛盾等现象，也使得机器智能无法准确而及时地模拟人类智能。

随着互联网技术的飞速发展与普及，情感作为传统意义上存在于人类社会的主观认知概念，逐步在网络空间和人类社会中突显其统一性、通用性和重要性，并促使相关研究从心理学主观实验向面向网络空间大数据的情感计算转变。实现情感的认知计算的核心问题在于如何在经典逻辑计算中加入主观认知的元素，而这需要理解人类的认知行为机理。

PMJ认知计算模型将认知过程归纳为感知（）、记忆（）和判断（），对应于计算流程的分析、建模和决策，明确了认知与计算结合的三阶段、多通路的处理框架，为机器智能提供了新的研究思路，也为将人类主观情感应用于经典逻辑计算提供了切入点。

传统的情感计算方法通常是经典参数计算，其主要研究思路可以概况为“物理特征->目标语义”两层结构。在物理特征层面，研究者主要关注特征筛选以及特征提取的准确性和有效性。在此基础上，机器学习算法帮助实现从提取的特征到目标语义的关联映射，进而实现建模。当建立的模型在数据集上对目标语义的预测结果不尽理想时，通常采用的方法是不断更换特征提取或关联建模的算法，直至得到较理想的预测结果。那么，这一研究思路是否有改进的余地呢？参老人类大脑进行信息认知加工的过程，其中一个重要的环节是将接收的信息进行表征（）。表征是大脑与客观世界沟通交流的基础，当外部世界的状态与大脑内的表征符号具有相同结构的映射时，大脑才能进一步输出信息加工计算的结果。人类大脑通过可计算的方式从瞬间信号中抽取出表征，进而根据表征进行语义判断，这一过程为改进经典的两层结构的参数计算框架提供了一个重要启示。

大脑认知的全过程可以归纳为感知、记忆和判断三个阶段。在感知阶段，大脑基于获取到的视觉、听觉等信息抽取表征的符号；在记忆阶段，将这些表征符号与大脑内存储的表征符号进行结构映射或比对；在判断阶段，根据映射或比对的结果输出主观语义。PMJ认知计算模型的核心思想是将感知、记忆和判断三个阶段对应于计算流程的分析、建模和决策。借助PMJ模型，可以定义融合主观认知元素改进的逻辑计算框架，即“物理特性一>认知表征一>目标语义”三层框架结构。在机器的感知阶段，对于输入的文本、视频、音频等不同模态信息，基于认知心理学原理研究认知表征的抽取方法；在记忆阶段，建立认知表征与语义描述之间的关联映射；在判断阶段，根据关联映射输出最终的目标结果。与传统的两层结构相比，经过改进的框架结构的研究难点在于如何界定与目标语义直接相关的认知表征，以及如何实现认知表征的自动抽取。