知识表示——精选推荐.pdfVIP

知知识识表表⽰⽰ 知识表⽰ （Know ledge Representation）是长期以来⼈⼯智能研究中的⼀个重要问题。在智 能信息系统研究中 知识表⽰则是其核⼼部分之⼀。本章介绍六种常⽤的知识表⽰⽅法及其在 信息系统中的应⽤。 2.1 知识表⽰⽅法 在⼈⼯智能中 知识表⽰就是要把问题求解中所需要的对象、前提条件、算法等知识构造为 计算机可处理的数据结构以及解释这种结构的某些过程。这种数据结构与解释过程的结合 将 导致智能的⾏为。智能活动主要是⼀个获得并应⽤知识的过程 ⽽知识必须有适当的表⽰⽅法 才便于在计算机中有效地存储、检索、使⽤和修改。 在⼈⼯智能领域⾥已经发展了许多种知识表⽰⽅法 常⽤的有：产⽣式规则、谓词逻辑、语 义⽹络和框架。从其表⽰特性来考察可归纳为两类：说明型 （declarative）表⽰和过程型 （procedural）表⽰。 （1）说明型表⽰ 说明型表⽰中 知识是⼀些已知的客观事实 实现知识表⽰时 把与事实相关的知识与利⽤ 这些知识的过程明确区分开来 并重点表⽰与事实相关的知识。例如 谓词逻辑 将知识表⽰ 成⼀个静态的事实集合 这些事实是关于专业领域的元素或实体的知识 如问题的概念及定 义 系统的状态、环境和条件。它们具有很有限的如何使⽤知识的动态信息。这种⽅法的优点 是：具有透明性 知识以显⽰的准确的⽅法存储 容易修改；实现有效存储 每个事实只存储 ⼀次 可以不同⽅法使⽤多次；具有灵活性 这是指知识表⽰⽅法可以独⽴于推理⽅法；这种 表⽰容许显式的、直接的、类似于数学⽅式的推理。 （2）过程型表⽰ 过程型表⽰中 知识是客观存在的⼀些规律和⽅法 实现知识表⽰时 对事实型知识和利⽤ 这些知识的⽅法不作区分 使⼆者融为⼀体 例如产⽣式规则⽅法。该类⽅法常⽤于表⽰关于 系统状态变化、问题求解过程的操作、演算和⾏为的知识。这种⽅法的好处是：能⾃然地表达 如何处理问题的过程；易于表达不适合⽤说明型⽅法表达的知识 例如有关缺省推理和概率推 理的知识；容易表达有效处理问题的启发式知识；知识与控制相结全 使得知识的相互作⽤性 较好。 ⽬前普遍接受的观点是 在⼤多数领域中既需要状态⽅⾯的知识 如有关事物、事件的事 实 它们之间的关系 以及周围事物的状态 也需要知道如何应⽤这些知识。所以实际上 ⼤ 多数知识系统综合运⽤两类知识表⽰⽅法。 ⼀个好的知识表⽰⽅法应满⾜以下⼏点要求： （1）具有良好定义的语法和语义； （2）有充分的表达能⼒ 能清晰的表达有关领域的各种知识； （3）便于有效的推理和检索 具有较强的问题求解能⼒ 适合于应⽤问题的要求 提⾼推理和 检索的效率； （4）便于知识共享和知识获取； （5）容易管理 易于维护知识库的完整性和⼀致性。 2.2 产⽣式规则表⽰法 产⽣式规则 （Production Rules）是逻辑蕴含、操作、推理规则以及各种关系 （包括经验性联 想）的⼀种逻辑抽象。这种表⽰法是以操作 （即过程）为中⼼的⽅法。它很适于描述建议、指 ⽰及策略等有关知识 尤其专家的启发式知识。 依据逻辑推理的需要 产⽣式规则有不同的表达形式。依据推理的⽅向 产⽣式规则分为正向 规则 （forward rule）和逆向规则 （backward rule）；依据逻辑的确定性 规则可分为确定规则 和不确定规则；依据规则对知识内容的概括程度 ⼜可分为特殊和⼀般性规则；依据使⽤功能 还有元规则。 （1）正向规则和逆向规则 正向规则的⼀般形式是： 如果 前提 则 结论 （if pre ise then conclusion） 或 如果情况则⾏为 （if case then action） 前提可由⼀个或多个条件组成 可使⽤逻辑运算符and及or连接起来。结论中仅包含⼀个条件。 ⼀条规则表⽰ 结论要在逻辑上或⾏为⽅式上符合于前提条件。在调⽤⼀条规则时 系统⾸先 检查⼀下前部分的值是否为真。若前提为假 系统就停⽌处理该规则；若前提为真 则结论的 值也为真 或执⾏结论中有关⾏为。 例如 如果 ⽤户⽆系统经验 则 需提供辅助。 逆向规则的⼀般形式是： 结论 如果 （if）前提 在这种格式中 前提和结论的顺序被逆转。⼈们称它为逆向规则 （