人工智能第五讲.pptVIP

第五章知识的表示和获取 1.介绍 2.知识表示的基本概念 3.产生式表示法（Production Rule） 4.谓词逻辑表示法 5.框架表示法 6.知识地获取 知识的表示和获取简介 人工智能是研究如何使机器具有人类智能的学科。人之所以具有智能，是因为人拥有知识。人从出生到长大，通过不断的（包括各种方式的学习），积累了大量的知识，积累的知识越多就越聪明。一个人没有知识就不可能有智能。同样，要使机器具有智能，就必须使它拥有知识，拥有的知识越多，其智能就越高。但人类的知识大多是很抽象的，而且我们习惯于用自然语言表达，那么如何机器具有人类的知识，这就是知识的表示和获取。 第一节? 知识表示的基本概念 知识表示方法的重要性 知识的分类 知识表示方法的衡量标准 知识模型变换 知识表示方法的重要性 所谓知识表示，就是研究在机器中如何用最合适的形式时知识进行描述，使知识形式化、模型化，以便在机器中存储和使用知识。对于人们习惯的知识表示形式（如自然语言表示），机器不一定能接受，所以必须把人类知识变换成一定形式的机器内部的知识模型，为机器所接受，并以数据结构形式存储知识。 知识表示方法的研究与AI研究目标是一致的、统一的，即应从人类思维规律或心理学为依据去研究知识的表示。由于对人类大脑中知识形成和知识结构的机制还没有完全研究清楚，因此尚没有通用的知识表示形式，或由机器自动的对不同的知识表示法择优表示，或自动编辑知识。目前，人们针对不同的问题不同领域，研究出多种知识表示方法，他们主要基于两种观点： 一种是从思维规律出发，认为形式逻辑是一切推理活动的源泉，用逻辑来处理知识表示问题，如谓词逻辑表示法。 · 另一种是从认知心理学出发，认为认知是过程性的，从感性知识到理性知识，学习形成概念，积累知识和经验知识等，即根据客观事务一些规律，建立联想记忆的心理学模型来处理知识表示问题。如语义网络表示法。基于上述两种观点形成的知识表示方法在问题的知识处理中，各有优点和不足。 对于一个具体问题，可有不同的表示方法，采用不同的表示方法，问题求解的难易程度是不一样的。选择一个合适的知识表示方法，有利于知识的存放和利用，使问题求解变得容易。因此，知识表示方法对问题求解是至关重要的，甚至在有些问题中，智能主要表现在寻找适当的知识表示上，一旦找到了适当的知识表示方法，问题也就基本解决了。 ? 按知识源分（1）共性知识：是指问题域内有关事物、属性、概念、定义、定理、原理、理论算法等知识，它们来自教科书和刊物，并已被领域专业人员承认和接受。它描述问题的细节，确保问题解的精确性，属深层知识。（2）个性认识：来自现场有经验的专业人员，包括大量的经验知识或启发式知识。它描述问题的轮廓，知识严格性差，属浅层知识或启发式知识。 1．知识模型变换 同态问题 产生式表示法（Production Rule） 产生式规则 产生式规则表示方法 产生式系统 产生式规则表示方法 产生式系统求解问题的基本方法 产生式系统（或基于规则的系统）是用规则序列的形式来描述问题的思维过程，形成求解问题的知识模型。模型中的每一条规则称为一个产生式，规则用字符串表示。问题的求解过程是根据初始数据，在上下文（或称当前数据库）中，搜索可匹配的产生式，并将结论写入上下文；再根据改变后的上下文，重新搜索匹配，最终求得问题的解。 在产生式系统的知识规则中，一个或多个前提条件表示的状态，是调用产生式规则之前早已准备好的事实，是为产生结论而提供的。产生式规则调用所形成的结论又继续引导作为另一个产生式规则的前提使用。一个规则集中要求一个以上的事实，这些事实可看作是产生式规则的特殊形式，即是无条件的产生式规则，如 it_is (raining). 在产生式系统中，这些事实构成数据库。 产生式系统的组成 产生式系统由数据库、知识库和推理机三部分组成。 l???? 数据库：用于存放用户提供的初始状态、问题域内对象的性质和属性等事实及求解过程中产生的中间结果数据。 l???? 知识库：用于存放问题域内的知识，所有知识用产生式规则表示。 l???? 推理机：又称控制系统或控制策略器。负责如何来运用规则库中的规则与事实匹配，当求解过程中出现多个结论或找不到满意结论时，如何为解决冲突问题提供控制策略。 产生式规则的优点 自然性 产生式规则结构接近于人的思维和自然推理形式，易于理解。 能有效表达启发式（浅层）知识：可根据人的经验程度、数据可靠程度，给出可信度因子，便于实现不精确推理。 模块性强 规则库对推理机具有相对独立性，产生式规则间的联系一般是通过上下文的数据结构，而不是规则的互相直接调用。因此规则库中规则的增删