各种各样的知识表示方法及其应用

各种各样的知识表示方法及其应用

众所周知，知识是一个比较普遍的概念，在生活中有着各种各样的表现形式，而如何把知识表示出来，也就是把知识提取这一过程就显得异常重要了。每一种知识可能要采取不同的知识表示方法才能更加有效。而且知识有可能只有一部分是我们所需要的，可以利用的，因此只有选择好一个知识表示方法，才能剔除不需要的东西，而留下精华。

在人工智能课程的学习中,我已经学到了许多知识表示方法,而通过这次读书活动,我学到了更多的知识表示方法以及相同方法的不同表现形式,现在做出如下比较与总结。由于书中的知识表示方法在表达和分析上都跟其他书上介绍的都有区别，因此我把它们进行了比较分析。把与书上不同的观点罗列出来，并且对相似的观点进行比较，从中收获很大。

与书中相似相似的方法: 第一、语义网络法

语义网络是1968年Quilian在研究人类联想记忆时提出的心理学模型，认为记忆是由概念间的联系来实现的。1972年，Simmons首先将语义网络表示法用于自然语言理解系统。

语义网络的结构：语义网络是知识的一种图解表示，它由节点和弧线或链线组成。节点用于表示实体、概念和情况等，弧线用于表示节点间的关系。 组成部分

词法部分决定表示词汇表中允许有哪些符号，它涉及各个节点和弧线。 结构部分叙述符号排列的约束条件，指定各弧线连接的节点对。

过程部分说明访问过程，这些过程能用来建立和修正描述，以及回答相关问题。

语义部分确定与描述相关的(联想)意义的方法即确定有关节点的排列及其占有物和对应弧线。

书本上讲述的语义网络法可以用来表示事实;表示事实间的关系;表示比较复杂的知识。

而书上所讲的应用似乎不够完全,除了用来表示简单的事实、表示占有关系和其它情况之外它还能选择语义基元（试图用一组基元来表示知识，以便简化表示，并可用简单的知识来表示更复杂的知识。）

语义网络法可以分成二元语义网络的表示 (Representation of Two-Element Semantic Network)和多元语义网络的表示（Representation of Multi-Element Semantic Network）

语义网络法可以与谓词逻辑等效，用语义网络表示谓词逻辑法中的各种连词及量化，具体表示如下

1.合取：多元关系可以被转换成一组二元关系的合取，从而可以用语义网络

1页

如有你有帮助，请购买下载，谢谢！

的形式表示出来。

2.析取：在语义网络中，为与合取关系相区别，在析取关系的连接上加注析取界限，并标记DIS。

3.否定：为表示否定关系，可以采用～ISA和～PART OF关系或标注NEG界限

4.蕴涵：在语义网络中可用标注ANTE和CONSE界限来表示蕴涵关系。ANTE和CONSE界限分别用来把与先决条件(antecedent)及与结果consequence)相关的链联系在一起。

5.量化：存在量化在语义网络中可直接用ISA链来表示。而全称量化就要用分割方法来表示。

语义网络的推理过程：

语义网络中的推理过程主要有两种:一种是继承，另一种是匹配。

1. 继承：把对事物的描述从概念节点或类节点传递到实例节点。它有值继

承、“如果需要”继承、“缺省”继承三种。 2. 匹配：部件匹配。

推理的方法有：缺省逻辑[Reiter 1980]、自动认识逻辑[Moore 1985a]、非单调逻辑[McDermott & Doyle 1980]和界限[ M cCarthy 1980，McCarthy 1986]。

鉴于语义网络法结构性强、联想性好、自然性高的特点，我觉得它主要适合用在自然语言分析理解系统、检索系统以及严谨的推理系统，这样既能够保证考虑到尽可能多的情况，同时对每一种情况的正确性都有保证，而且由于它具有联想性，因此它能很好的适应人类的联想记忆方式和人类的思维习惯。同时它也能很容易的将自然语言采集、并进行分析用来进行处理。

第二、框架表示法

心理学的研究结果表明，在人类日常的思维和理解活动中，当分析和解释遇到的新情况时，要使用到过去经验中积累的知识。这些知识规模巨大而且以很好的组织形式保留在人们的记忆中。当然，我们无法把过去的经验一一都存在脑子里，而只能以一个通用的数据结构的形式存储以往的经验。这样的数据结构称为框架。框架提供了一个结构，一种组织。在这个结构或组织中，新的资料可以用从过去的经验中得到的概念来分析和解释。因此，框架是一种结构化表示法。

通常框架采用语义网络中的节点-槽-值表示结构。所以框架也可以定义为是一组语义网络的节点和槽，这组节点和槽可以描述格式固定的事物、行动和事件。语义网络可看做节点和弧线的集合，也可以视为框架的集合。

与书本上的定义相同，框架通常由描述事物的各个方面的槽组成，每个槽可以拥有若干个侧面，而每个侧面又可以拥有若干个值。这些内容可以根据具体问题的具体需要来取舍。

对书本上框架表示法的补充说明：为了能从各个不同的角度来描述物体，可以对不同角度的视图分别建立框架，然后再把它们联系起来组成一个框架系统。

框架是一种复杂结构的语义网络。因此语义网络推理中的匹配和特性继承在框架系统中也可以实行。除此以外，由于框架用于描述具有固定格式的事物、动作和事件，因此可以在新的情况下，推论出未被观察到的事实。框架用以下几种途径来帮助实现这一点：

2页

如有你有帮助，请购买下载，谢谢！

(1) 框架包含它所描述的情况或物体的多方面的信息。这些信息可以被引用，就像已经直接观察到这些信息一样。

(2) 框架包含物体必须具有的属性。在填充框架的各个槽时，要用到这些属性。建立对某一情况的描述要求先建立对此情况的各个方面的描述。与描述这个情况的框架中的各个槽有关的信息可用来指导如何建立这些方面的描述。

(3) 框架描述它们所代表的概念的典型事例。

框架法的应用：在开发的电网故障诊断和恢复专家系统中得到应用。

由于框架法具备继承性的特性，因此它能很好的节省空间，并在知识的一致性上有很好的保持。

同样，框架法具备语义网络法的大部分特点，因此语义网络法和框架法主要用来表示常识知识，其研究领域有：

1) 对象和材料。世界是由对象构成的。有些对象如网格世界中的积木是离散的、固态的东西这些相对容易讨论和描述。有些对象是有层次的，即是由各部分（其他对象）按某种方式放在一起构成的。也有流体、气体和汇集，像沙堆、面粉袋和星系。描述材料及其属性（尤其是流体）的著名成果是[Hayes 1978，Hayes 1985a，Hayes 1985b]的研究。

2) 空间。物理世界有空间范围。对象存在于空间中，在空间中的位置是相对于其他对象的。因此，谈论一个东西是在另一个的里面、上面和紧挨着这些情况，形式化有关空间的各种符号的一个早期A I成果是[Kautz 1985]。在各种机器人任务中有关空间推理的论文，参见[Chen 1990]

3) 物理属性。A I系统也应该能推理这些物理属性，如质量、温度、体积、压力、放射性级别、波长和它们之间的任何关系。

4) 物理过程和事件。物体下落，球被扔出，草长出了，杯子被倒满又倒空，蜡烛燃烧，热东西变凉。在物理学中，很多这样的过程是用不同的方程式描述的，能在A I中使用这些方程式。然而，经常我们不需要由物理过程提供这些确切的（且昂贵的）求解。相反，A I研究者已经开发了一个定性物理，利用它推理普通趋势而不需要确切的计算[ Weld & de Kleer 1990]。

第三、剧本表示法（即书中的脚本表示法）

与书本上定义相同，剧本是框架的一种特殊形式，它用一组槽来描述某些事件的发生序列。它由开场条件（进入条件）、角色、道具、场景、结局。

对书本上内容的补充：剧本是有用的知识表达结构，因为在现实世界中事件发生的某种模式来自事件之间的因果关系。事件中的主人公完成一个动作后才能完成另一个动作。剧本中所描述的事件形成一个巨大的因果链，这个链的起点是一组开场条件，满足这些开场条件，剧本中的事件才能产生。链的终点是一组结果，有了这组结果，以后的事件或事件序列(可能用其他的剧本来描述)才能发生。在这个链内一件事情和前后的事情都相互联系。前面的事件，使当前的事件有可能产生，而当前事件又使后面的事件有可能产生。

剧本在预言一些没有直接提到的事件方面特别有用。同时剧本对表示已经提到的事件之间的关系也很有用。

(1) 对于不属于事件核心部分的剧本，只需设置指向该剧本的指针即可，以便当它成为核心时启用。

(2) 对于符合事件核心部分的剧本，则应使用在当前事件中涉及到的具体

3页

如有你有帮助，请购买下载，谢谢！

对象和人物去填写剧本的槽。

由于脚本往往是一个场景，因此它很难把很多很大的情节给完整的表示出来，正如电影的某个场景也仅仅容纳几个主角，只能从某个视角进行展示，而不能给观众一个立体全方位的感受一样。因此它就比较呆板，缺少立体感，它只能帮助大家理解若干问题，主要用在自然语言理解方面。

第四、过程表示方法

过程式表示就是将有关某一问题领域的知识，连同如何使用这些知识的方法，均隐式地表达为一个求解问题的过程。过程式不像陈述式那样具有固定的形式，如何描述知识完全取决于具体的问题。

它是一个动态的研究过程，把知识的应用也展示出来，强调的是对知识的判断和解决这些问题的控制策略表述出来的过程。

由于它的效率比较高而且控制系统容易设计，因此在可维护性、可理解性上有很大的优势，它可以通过把问题转化成函数，然后通过调用函数来进行。

我觉得这就好比做菜，前面介绍的方法相当于客人们所看到的，他们总是看到活的鸡、鸭、新买来的蔬菜、水果（这就好比获得的知识信息）被送到厨房，接下来发生的事情他们就看不见了，而最后他们却看见了美味的佳肴从厨房被端出来。而过程式好比主人所看见的，他们除了看见了这些过程，还能够看见整个洗菜、烹饪等制作过程。

第五、面向对象表示法

人们认识世界是以世界划分为一些事和物为基础的，这里的物指物体，事指物体间的联系。面向对象表示法中的对象指物体，消息指物体间的联系，通过发送消息使对象间相互作用来求得所需的结果。

由于面向对象表示法有模块化、继承性、封装性、多态性、容易维护、并能够进行有效的扩充，因此设计出来的时候能够给人以层次感。

这就好比一个商店，各种不同的商品都分门别类，做好了标记，消费者可以很方便的找到他们所要购买商品的位置，并且每一类商品都允许进货和缺货现象的存在，还允许特价商品的存在（比如十一期间该商品是特价销售，但十一以后它又恢复正常价位）。从此可以看出面向对象表示法应该是将来知识表示法的一个发展方向有很大的发展潜力。

第六、谓词逻辑表示法

与书本上的一阶谓词逻辑表示法相同，通过谓词演算实现。利用语法语义、连词和量词组成谓词公式。通过置换（蕴涵）和合一得到最后的结果。

John McCarthy [ McCarthy 1958 ]第一次正式提出在人工智能领域使用谓词演算来表示有关这个世界的知识。[Guha & Lenat 1990，Lenat 1995，Lenat & Guha 1990] 描述了一个表示数以百万计的、关于这个世界的常识的大型工程（CYC 工程）。对人工智能中的逻辑的更完整的讨论，可参考[Nilsson 1991]。

4页

如有你有帮助，请购买下载，谢谢！

而基于逻辑的人工智能的教材，可参见[Genesereth & Nilsson 1987 ]。

利用一阶谓词逻辑法可以表示一些机器人系统，例如机器人导航系统、配置D E C公司的VA X - 11 / 7 8 0系统、在G O L E M系统中[Muggleton, King, & St e r n b e rg1 9 9 2 ]蛋白质二次结构的预测。

使用一阶逻辑（和归结方法）作为一门编程语言（和它的解释器）的第一个建议要归功于[Green 1969a]。[Kowals ki 1974]独自详细研究了这个思想，并激发了P R O L O G的发明。A l a i nC o l m e r a u e r开发出了P R O L O G的第一个解释器[Roussel 1975,Colmerauer 1973]。一个有效的实

现归功于[ Warren,Pereira,& Pereira 1977]。关于这个主题的主要论文期刊是《Journal of Logic》。

由于谓词逻辑法逻辑性很强，用它表示，能很精确严密，而且自然，更关键的是比较容易实现，因此它适用于严谨的推理系统中。

但它不能用于不确定的知识，而且大项目可能引起组合爆炸，因此只能用于简单的系统。

不同于书中介绍的新方法 第一、 状态空间法

基于解答空间的问题表示和求解方法就是状态空间法，它是以状态和算符(operator)为基础来表示和求解问题的。

问题求解技术两个主要的方面：

（1） 问题的表示：如果描述的方法不对，对问题求解会带来很大的困难。 （2） 求解的方法：采用试探搜索的方法。 状态空间法的三要点： （1） 状态（state）：表示问题解法中每一步问题状况的数据结构。 （2） 算符（operator）：把问题从一种状态变换成另一种状态的手段。 （3） 状态空间方法：基于解答空间的问题表示和求解方法，它是以状态和

算符为基础来表示和求解问题的。

与产生式系统有相似之处。第二、问题规约法

先把问题分解为子问题和子-子问题，然后解决较小的问题。对该问题的某个具体子集的解答就意味着对原始问题的一个解答。问题归约表示的组成部分：一个初始问题描述；一套把问题变换为子问题的操作符；一套本原问题描述。问题归约的实质：从目标(要解决的问题)出发逆向推理，建立子问题以及子问题的子问题，直至最后把初始问题归约为一个平凡的本原问题集合。

设想把三元状态组(S,F,G)规定的状态空间搜索问题归结为比较简单的一些状态空间搜索问题。如果能够识别某个适当的\"路标\"状态序列g1,g2,...,gn,那么就能够把初始问题归约为由三元状态(S,F,{g1}),(S,F,{g2}),...,({gn},F,G)规定的问题集合。解答所有这些问题就等价于解答该初始问题。

与产生式系统有相似之处。

产生式系统的应用：信函自动分拣设备故障诊断知识处理

5页

如有你有帮助，请购买下载，谢谢！

它还可以应用与神经网络系统。

第三、语言场与语言值结构表示法

定义1：C=，若满足下列条件： D为R上交叉闭区间的集合（基础变量论域）； N为语言值的有限集；

≤ N > 为N上的全序关系；

I：ND为标准值映射，满足保序性，则称C为语言场。

定义2：对于语言场C=，称F=为C的语言值结构，如果满足以下条件：

C满足定义1； K为自然数； W：NRk满足：

 n1， n2N(n1≤N n2W(n1) ≤ dicW(n2))，  n1， n2N(n1 n2W(n1) W(n2))。 其中，≤ dic为[0，1]k上的字典序，即（a1，…。， ak）≤ dic（b1，…。， bk）当且仅当存在h，使得当0≤ j利用语言场理论对连续属性进行离散化，方法简单，计算时间短，可以根据专家（用户）的意愿来划分连续属性，从而用自然语言来描述最后得到的规则，使之更为用户所理解，因此较为实用。

这是我在网上找到的一篇文章（北京科技大学信息工程学院知识研究所）介绍的新的表示方法，因此我仅仅只能局限于它的介绍，关于它的具体知识了解不够，希望有机会能进一步看到它的完善。

第四、贝叶斯网

贝叶斯网是一个有向无环图（ D A G），它的节点用随机变量标识。一个贝叶斯网规定图中的每个节点Vi条件独立于由Vi的父节点给定的Vi的非后代节点构成的任何节点子集。也就是说，假设（Vi）是图中非Vi 后代节点的任何节点集合，设（Vi）是图中Vi的直接双亲。图仅仅是陈述对图中的所有Vi, I（Vi, (Vi)| (Vi)）的一种方式，I（Vi, (Vi)| (Vi)）的意思是p（Vi| (Vi), (Vi)) = p(Vi| (Vi) )。假设V1, V2,⋯, Vk 是贝叶斯网中的节点，给定由网络假设的条件独立性，我们能写出网中所有节点的联合概率如下：

这个表达式能用一个直接的方式推导出，利用与贝叶斯网D A G蕴含的部分序一致的链规则序，将条件独立性应用于链规则表达式，可计算所有变量的联合概率。

贝叶斯网有时叫做因果网，因为可以将连接节点的弧认为是表达了直接的因果关系。人类专家常常能把原因和结果用一种方式联系起来，这种方式显示了继

6页

如有你有帮助，请购买下载，谢谢！

承的条件独立性，这也能用得到的贝叶斯网描绘。使用直觉因果概念来构建贝叶斯网，通常可以使其能实现内含的条件独立性假设更为合适。

贝叶斯网已用在很多专家系统中。一个典型的例子是PAT H F I N D E R，它帮助病理学者诊断淋巴节疾病[Heckerman 1991, Heckerman & Nathwani 1992] 。另一个是用于内科医学的CPCSBN[Pradhan,et al. 1994]，它有4 4 8个节点和9 0 8个弧，可以和世界上内科医学的一流的诊断专家相媲美。

总述

概括起来，这些表示方法可分为两大类：符号表示法，连接机制表示法。 对同一知识，一般都可以用多种方法进行表示，但其效果却不相同。因为不同领域中的知识一般都有不同的特点，而每一种表示方法也各有自己的长处与不足。因而，有些领域的知识可能采用这种表示模式比较合适，而有些领域的知识可能采用另一种表示模式更好。有时还可能把几种表示模式结合起来，作为一个整体来表示领域知识，以取得取长补短的效果。另外，上述各种知识表示方法大都是在进行某项具体研究或者建立某个智能系统时提出来的，有一定的针对性和局限性，应用时需根据实际情况作适当的改变。在建立一个具体的智能系统时，究竟采用哪种表示模式，目前还没有统一的标准，也不存在一个万能的知识表示模式。但一般来说，在选择知识表示方法时，应从以下几个方面进行考虑：要充分表示领域知识，即在确定一个知识表示模式时，首先应该考虑的是它能否充分地表示领域知识；要考虑是否有利于对知识的利用；是否便于对知识的组织、维护与管理；是否便于理解和实现。

这次读书活动使我开阔了眼界也锻炼了我的概括能力和总结能力收获很大。在读书过程中也遇到了一些问题，通过查找资料，得到了较大程度上的解决。同时也使我巩固了书上的这方面的内容。

1.王永庆．人工智能原理与方法．西安交通大学出版社，1998 2.张玉峰．智能情报系统．武汉大学出版社，1991

3.王娟琴．人工智能与情报检索的合壁．图书情报工作，1998（3） 4.杨新波．智能情报检索系统研究．情报科学，1989（5） 5.涂序彦．人工智能及其应用．北京：清华大学出版社，1988 6.黄国兴,徐国定.人工智能原理及其实现.上海科学技术文献出版社，

7页

如有你有帮助，请购买下载，谢谢！

1993.8

7.俞瑞钊,史济建.人工智能原理与技术. 杭州 浙江大学出版社，1993.11 8.林尧瑞,马少平.人工智能导论. 北京 清华大学出版社 1989.5

9.人工智能理论方法 （美）D2DDDDDD，D4·D2·著 袁天鑫等译.上海 上海交通大学出版社 1991.5

10. 陆伟民.人工智能技术及应用. 上海 同济大学出版社 1998

11. 人工智能 (美) Nils J.Nilsson著 郑扣根, 庄越挺译. 北京 机械工业出版社 2000 我的联系方式： 西20－419

8页