认证主体：靳**（实名认证）
IP属地：天津
下载本文档
1、图像频频视音神经网络概率图模型过程(Procedure)面向对象(Object-Oriented )Petri 网(Petri Network ) 信念网(Belief Network ) 本体论(Ontology)人工智能知识点整理第二讲知识表示2.0.知识表示的重要性知识是智能的基础：获得知识、运用知识符合计算机要求的知识模式：计算机能存储、处理的知识表示模式；数据结构（List, Table, Tree, Graph, etc.）2.1 基本概念2.1.1 数据、信息与知识数据 （Data）信息的载体和表示用一组符号及其组合表示信息信息（Information）数据的语义数据在特定场合下
2、的具体含义知识（Knowledge）信息关联后所形成的信息结构：事实 &规则经加工、整理、解释、挑选、改造后的信息2.1.2 知识的特性相对正确性可表示性&可利用性一定条件下语言 某种环境中不确定性存在中间状态” 真"（假”）程度随机性 模糊性 经验性 不完全性2.1.3 知识的分类常识性知识、领域性知识（作用范围）事实性知识、过程性知识、控制知识（作用及表示）确定性知识、不确定性知识（确定性）逻辑性知识、形象性知识（结构及表现形式）零级知识、一级知识、二级知识（抽象程度）2.1.4 常用的知识表示方法一阶谓词（First Order Predicate ）产生式（P
3、roduction ）框架（Framework）语义网络（Semantic Network ）剧本（Script）2.1.5 如何选择合适的表示方法？充分表示领域知识有利于对知识的利用便于理解和实现便于对知识的组织、管理与维护2.2 一阶谓词表示法1.优点自然性接近自然语言，容易接受精确性用于表示精确知识严密性有严格的形式定义和推理规则易实现性易于转换为计算机内部形式2.3产生式表不法1943年E. Post第一次提出称为“PoSH”的计算模型(计算理论)一种描述形式语言的语法2.缺点无法表示不确定性知识所能表示的知识范围太狭窄难以表示启发性知识及元知识未能充分利用与问题本身特性有关的知识组合
4、爆炸经常出现事实、规则等的组合爆炸效率低推理与知识的语义完全割裂AI中应用最多的知识方法之一Feigenbaum研制的化学分子Z构专家系统 DENDRALShortliffe研制的的诊断感染性疾病的专家系统MYCIN2.3.1 产生式的基本形式P t Q或IF PTHEN QCF = 0,1其中，P是产生式的前提，Q是一组结论或操作，CF(Certainty Factor)为确定性因子，也称置信度。【注意】：谓词逻辑中的蕴涵式与产生式的基本形式相似，事实上，蕴涵式只是产生式的一种特殊情况。理 由如下：(1)蕴涵式只能表示精确知识，其值非 真"即 假”，而产生式不仅可以表示精确知识，而
5、且还可以表示不精 确知识。例如，MYCIN中有如下产生式：IF本微生物的染色斑是革兰氏阴性本微生物的形状呈杆状病人是中间宿主THEN 该微生物是绿脓杆菌，置信度为CF=0.6CF表示知识的强度，谓词逻辑中的蕴涵式不可以这样做。(2)用产生式表示知识的系统中，事实”与产生式的 前提”中所规定的条件进行匹配时，可以是 精确匹配”,也可以是基于相似度的不精确匹配”，只要相似度落入某个预先设定的范围内，即可认为匹配。但对谓词逻辑的蕴涵式而言，其匹配必须是精确的。用BNF (Backus Normal Form)表示的产生式形式描述及语义：产生式 :尸前提 t结论前提 :=简单条件 |复合条件结论 :=
6、事实 |操作复合条件 ：=简单条件 AND简单条件 (AND 简 单条件 ).| 简单条件 OR简单条件 (OR简 单条 件 ).操作 := 操作名 (变元,.)【说明】：产生式又称规则或产生式规则；产生式的“前提”：又称条件、前提条件、前件、左部等；产生式的“结论”：又称后件、右部等。2.3.2 产生式系统的组成产生式系统的三个组成部分：规则库、综合数据库、控制系统。1、规则库用于描述相应领域内知识的产生式集合。在建立规则库时，应注意如下问题：(1)有效地表达领域内的过程性知识：包括规则的建立、不确定性知识的表示、推理链的形成、知识的完整 性等。(2)对知识进行合理的组织与管理：目的是使得推
7、理避免访问与所求解的问题无关的知识，以提高问题求解 效率。2、综合数据库综合数据库又称为事实库、上下文、黑板等。它是一个用于存放问题求解过程中各种当前信息的数据结构， 例如：问题的初始状态、原始证据、推理中得到的中间结论、最终结论等。当规则库中某条产生式的前提可与综合数据库中的某些已知事实匹配时，该产生式就被激活，并把用它推 出的结论放入综合数据库中，作为后面推理的已知事实。显然，综合数据库的内容是在不断变化的，是动态的。综合数据库中的已知事实通常用字符串、向量、集合、矩阵、表等数据结构表示。3、控制系统控制系统又称推理机构，由一组程序组成，负责整个产生式系统的运行，实现对问题的求解。控制系统
8、的主要工作：(1)按一定的策略从规则库中选择规则，并与综合数据库中的已知事实进行匹配。(2)当发生冲突(即匹配成功的规则不止一条)时，调用相应的冲突解决策略予以消解。(3)在执行某条规则时，若该规则的右部是一个或多个结论，则把这些结论加到综合数据库中；若规则的右 部是一个或多个操作，则执行这些操作。(4)对于不确定性知识，在执行每一条规则时，还要按一定的算法计算结论的不确定性。(5)随时掌握结束产生式系统运行的时机，以便在适当的时候停止系统的运行。产生式系统的三大组成部分的相互关系图4、产生式系统求解问题的一般步骤(1)初始化综合数据库，把问题的初始已知事实送入综合数据库中。(2)若规则库中存
9、在尚未使用过的规则，而且它的前提可与综合数据库中的已知事实匹配，则继续；若不存 在这样的事实，则转第(5)步。(3)执行当前选中的规则，并对该规则做上标记，把该规则执行后得到的结论送入综合数据库中。若该规则 的结论部分指出的是某些操作，则执行这些操作。(4)检查综合数据库中是否已包含了问题的解，若已包含，则终止问题的求解过程；否则，转第(2)步。(5)要求用户提供进一步的关于问题的已知事实，若能提供，则转第(2)步；否则，终止问题求解过程。(6)若规则中不再有未使用过的规则，则终止问题的求解过程。1.1.3 产生式系统的分类按规则库及综合数据库的性质及结构特征进行分类：可交换的产生式系统、可分
10、解的产生式系统、可恢复的产 生式系统。1、可交换的产生式系统如果一个产生式系统对规则的使用次序是可交换的，无论先使用哪一条规则都可达到目的，即规则的使用 次序是无关紧要的，就称其为可交换的产生式系统。2、可分解的产生式系统基本思想：把一个规模较大且比较复杂的问题(初始数据库)分解为分别若干个规模较小且比较简单的子 问题，然后对每个子问题进行求解。3、可恢复的产生式系统在问题求解的过程中，既可对综合数据库添加新内容，又可删除或修改老内容的产生式系统称为可恢复的 产生式系统。基本思想：人们在求解问题的过程中是经常要进行回溯的，当问题求解到某一步发现无法继续下去时，就 撤销在此之前得到的某些结果，恢
11、复到先前的某个状态。用产生式系统求解问题时也是如此，当执行一条规则后使综合数据库的状态发生变化，若发现在新的状 态中无法得到问题的解，就需要立即撤销刚才产生的结果，并将综合数据库恢复到先前的状态，然后选择别的规则 继续求解。1.1.4 产生式系统的优缺点1、产生式系统的优点(1)自然性：由于产生式系统采用了人类常用的表达因果关系的知识表示形式，既直观、自然，又便于进行 推理。(2)模块性：产生式是规则库中的最基本的知识单元，形式相同，易于模块化管理。(3)有效性：能表示确定性知识、不确定性知识、启发性知识、过程性知识等。(4)清晰性：产生式有固定的格式，既便于规则设计，又易于对规则库中的知识进
12、行一致性、完整性检测。2、产生式系统的缺点(1)效率不高产生式系统求解问题的过程是一个反复进行匹配一冲突消解一执行”的过程。由于规则库一般都比较庞大，而匹配又是一件十分费时的工作，因此，其工作效率不高。此外，在求解复杂问题时容易引起组合爆炸。(2)不能表达具有结构性的知识产生式系统对具有结构关系的知识无能为力，它不能把具有结构关系的事物间的区别与联系表示出来，因此， 人们经常将它与其它知识表示方法(如框架表示法、语义网络表示法)相结合。1.1.5 产生式系统的适用领域(1)由许多相对独立的知识元组成的领域知识，彼此之间关系不密切，不存在结构关系。如：化学反应方面 的知识。(2)具有经验性及不确
13、定性的知识，而且相关领域中对这些知识没有严格、统一的理论。如：医疗诊断、故 障诊断等方面的知识。(3)领域问题的求解过程可被表示为一系列相对独立的操作，而且每个操作可被表示为一条或多条产生式规则。2.4 框架表示法2.4.1 框架理论1975年美国著名 AI学者 Minsky在其论文“A framework for representing knowledge 中提出了框架理论，并把它 作为理解视觉、自然语言对话及其它复杂行为的基础。框架理论的基本思想：认为人们对现实世界中各种事物的认识都是以一种类似于框架的结构存储在记忆中的， 当面临一个新事物时，就从记忆中找出一个合适的框架，并根据实际情况
14、对其细节加以修改、补充，从而形成对当 前事物的认识。2.4.2 框架的定义及表示形式1、定义框架：是一种描述对象（事物、事件或概念等）属性的数据结构，在框架理论中，框架是知识表示的基本单位。一个框架由若干个 槽”（Slot）结构组成，每个槽又可分为若干个恻面”。一个槽：用于描述所论对象某一方面的属性；一个侧面：用于描述相应数学的一个方面。槽和侧面所具有的属性值分别称为槽值和侧面值。2、框架的一般表示形式框架名槽名1 :侧面名1值1 ,值2,，值pl侧面名2值1 ,值2,，值p2侧面名m1 值1,值2,，值pm1槽名n：侧面名1值1,值2,，值门约束：约束条件1约束条件n3、框架及其实例在聊斋志
15、异中有个胭脂的故事，开始时邑宰判错了案，就是因为他头脑里有个破案的框架：框架名：tx未遂杀人案犯罪意图：x犯罪结果：杀人被杀者：y杀人动机：x未遂被y发现知情人： Zi | i I罪犯：t条件一：若x为强奸，则t必须是男性条件二：有某个Zi指控t条件三：t招认邑宰用上述框架去套胭脂一案，结果得到了该框架的一个实例：框架实例：鄂秋津强奸未遂杀人案犯罪意图：强奸犯罪结果：杀人被杀者：卞牛医杀人动机：理工未遂被卞牛医发现知情人：卞妻，胭脂罪犯：鄂秋津条件一：鄂秋津 为男性，成立条件二：胭眶指控鄂秋津,成立条件三：鄂秋津 招认，成立4、框架的BNF描述框架 :=框架头 槽部分 约束部分框架头 :=框架
16、名框架名的值槽部分 ：= 槽,槽约束部分 :=约束约束条件 ,约束条件框架名的值 :尸符号名|符号名 （参数，卜参数）t :=槽名 槽值|侧面部分槽名:= 系统预定义槽名|用户自定义槽名槽彳1 := 静态描述|过程|谓词|框架名的值|空侧面部分 :=侧面 ,侧面侧面 := 侧面名 侧面值侧面名 :尸系统预定义侧面名|用户自定义侧面名侧面值 := 静态描述|过程|谓词|框架名的值|空静态描述 :尸数彳1 |字符串|布尔值|其它值过程 :尸动作|动作 ,动作参数 := 符号名【注】：关于框架的BNF描述的说明：(1)框架名的值允许带参数，当别的框架调用它时需要提供相应的实在参数。(2)当槽值或侧面
17、值是一个过程时，它既可以是一个动作串，也可以是对某个过程的调用。(3)当槽值或侧面值是谓词时，其真值由当时谓词中变元的取值确定。(4)槽值或侧面值为 空时，表示当时未能确定该值，待以后填入。(5)约束条件 是任选的，当不指出时，表示无约束。5、框架的主要特征(1)每个框架有一个框架名(可带参数)。(2)每个框架有一组属性，每个属性称为一个槽，里面可以存放属性值。(3)每个属性对它的值有一定的类型要求，不同属性的类型要求可以不一样。(4)有些属性值可以是子框架调用，子框架调用可以带参数。(5)有些属性值是事先确定的，而有些属性值需在生成实例时代入。(6)有些属性值在代入时需满足一定的条件。有时，
18、在不同属性的属性值之间有一些条件需要满足。2.4.3 框架网络框架网络：是指具有横向联系及纵向联系的一组框架。横向联系：一个框架中的槽值或侧面值可以是另一个框架的名字，即通过一个框架可以找到另一个框架， 这样就在两个框架之间建立起横向联系。纵向联系：由于属性的继承性，故可把共同属性抽取出来，构成一个上层框架，然而再对专有属性分别构成下层框架，并在下层设立一个专用的槽(一般称为 继承”槽)。这样不仅在框架间建立了纵向联系，而且建立了上下层框架的属性及值的继承关系，避免了重复描述，节约了时间和空间开销。7X r教师框槊 员工框架学生框架教网U .教眄J I学生】I u框架网络竣例2.4.4 框架中
19、槽的设置与组织EE*学生框架 /框架是一种集事物各方面属性的描述为一体，并反映相关事物间各种关系的数据结构。在此结构中槽”起着至关重要的作用，因为它起到如下两个方面的作用：(1)描述事物各有关方面的属性；(2)指出相关事物间的复杂关系。因此，在用框架作为知识的表示模式时，对槽的设置与组织给给以足够的重视。在设置与组织框架中 槽”的时候，应注意：(1)充分表达事物各有关方面的属性(2)充分表达相关事物间的各种关系(3)对槽及侧面进行合理的组织(4)有利于进行框架推理框架表示知识的系统由两大部分构成：(1)由框架及其相互关联构成的知识库(2)由一组解释程序构成的框架推理机框架推理是一个反复进行框架
20、匹配的过程，且大部分匹配都具有不确定性，为了推理得以进行，通常都需 要设置相应的槽来配合。2.4.5 框架系统中求解问题的基本过程框架系统中的问题求解过程与人类求解问题的思维过程有许多相似之处：当人们对某事物不完全了解时， 往往先根据当前已掌握的情况着手工作，然后在工作过程中不断发现、掌握新情况、新线索，使工作向纵深发展， 直到达到最终目标。框架系统在求解问题时，系统首先根据当前已知条件对知识库中的框架进行部分匹配，找出预选框架，并 且由这些框架中其它槽的内容以及框架间的联系得到启发，提出进一步的要求，使问题的求解向前推进一步。重复 上述过程，直至问题得到解决为止。2.4.6 框架表示法的特点
22、识的有向图。由于所有的概念节点均通过联想弧彼 此相连，Quillian希望他的语义网络能用于知识推导。2.5.2 语义网络的概念语义网络中的节点：表示各种事物、概念、情况、属性、动作、状态等，每个节点可以带有若干属性，一 般用框架或元组表示。此外，节点还可以是一个语义子网络，形成一个多层次的嵌套结构。语义网络中的弧：表示各种语义联系，指明它所连接的节点间某种语义关系。节点和弧都必须带有标识，以便区分各种不同对象以及对象间各种不同的语义联系。最简单的语义网络是 一个三元组：(节点1 ,弧，节点2)1、简单语义网络举例【例如】：试将歌曲军港之夜中的歌词海浪把战舰轻轻地摇”表示成语义网络的形式。【解
23、】：第一步：将上述歌词(即命题)表示成二元谓词的形式：轻轻摇(海浪，战舰)显然，它可表示成如下的语义网络：好轻提【注意】：上述语义网络太过简单，没有告诉人们多少东西，故需要进一步改进。第二步：把理解这句歌词时所使用的语法知识加进去，即可将一个谓词拆成如下三个谓词: 动作主体（海浪，摇）动作对象（战舰，摇）动作方式（轻轻，摇）可得如下改进后的较为详细的语义网络：【分析I :在上述改进的语义网络中，海浪、战舰、摇、轻轻等概念之间的相互关系均已给出，且这种关系是命题本 身所包括的。可以说，到此为止，我们已经穷尽了命题本身包含的知识。但是，海浪、战舰、摇、轻轻等概念本身 究竟有什么含义，在这个语义网络
24、中并未体现出来，因为命题中也没有这样的知识。因此，为了进一步描述，就必须加入该命题以外的知识，包括我们对世界上各种事物的范畴及其属性的认 识，已经军港之夜这首歌曲的上下文信息。第三步：再添上我对海港中各种事物的范畴及其属性的认知，以及军港之夜的上下文信息，可得如下 更为详细的语义网络：动作主体2、语义网络的BNF描述语义网络 :尸基本网元|Merge（基本网元,.）基本网元 :尸节点 印义联系 节点节点 :广 （属性一值对,.）属性一值对：尸 属性名 :属性值语义联系 :=系统预定义的语义联系 |用户自定义的语义联系Hendrix 在2.5.3 分块（复合）语义网络若要处理一般的谓词公式，即命
25、题中包含变量和量词，则上述简单的语义网络就不能应付了。1975年提出了 网络分块化技术”，可以解决该问题。网络分块化技术的基本原理：在用语义网络表示一个复杂命题时，可将其拆成许多子命题，每个子命题用一个小的语义网络表示，称为一个空间”。复杂命题构成大空间，子命题构成子空间，它本身又可看作是大空间中的一个节点。子空间可以层层嵌套，也可以用弧相互连接。实践证明，这种复合网络的表达能力是很强的。1、分块语义网络举例【例1】：试将命题每个学生都读过一本书”表示成分块语义网络的形式。【解】：先将上述命题表示成谓词公式：(守s)学生(s)(?)书(b)读过(s,b)其分块语义网络如下：学生【说明】：(1)
26、命题 学生读书”构成一个空间，节点 g是其代表，节点 GS是全体命题的集合；(2)通向g的两条弧，F弧指示它代表的命题是什么，V.弧指示s是一个全称变量，若有多个全称变量，就要有多个V弧。(3)在上图中，只有 s是全称变量，r,b都是存在变量，它们都是全称变量s的函数。【注意】：(1)从上图可知，语义网络表示法和谓词表示法的不同：在谓词公式中，读”作为一个谓词出现，而在这里，它作为一个事件(动作 r)和 学生”、书”等统一处理。(2)分块语义网络表示法要求，子空间中的所有非全称变量的节点都是全称变量节点的函数，那些不是全 称变量节点函数的其它节点，应该拉到空间之外去。【例2】：命题 每个学生都
27、读过红楼梦 ”，就应该表示成如下形式的语义网络：【例3】：试将命题 每个学生都读过所有的书”表示成分块语义网络的形式。【解】：先将上述命题表示成谓词公式：(市)学生 "b)书(b)读过(s,b)其分块语义网络如下：2.5.4 常用的语义联系(1) A-Member-of联系:表示个体与集体(类或集合)之间的关系，它们之间有属性继承性和属性更改权。例如，张三是工会会员(2) Composed-of联系：表示 构成”联系，是一种一对多的联系，被它联系的节点间不具有属性继承性。例 如，整数由正整数、0及负整数组成”。(3) Have联系：表示属性或事物的占有”关系。例如， 鸟有翅膀(4)
28、Before, After, At联系：表示事件之间的时间先后关系。其中，Before表示一个事件在另一个事件之前发生；After表示一个事件在另一个事件之后发生；At表示一事件发生的时间。例如，唐朝在宋朝之前”就用Before。(5) Located-on(-at,-under,-inside,-outside)联系：表示事物之间的位置关系。例如，书放在桌子上”。(6) Similar-to, Near-to联系：表示事物之间的相似和接近关系。例如，猫与虎相似”。2.5.5 语义网络的分类(1)命题语义网络上述例子均为此类网络。(2)数据语义网络以数据为中心的语义网络。提出该类网络的理由：在
29、数据库中，单纯的数据存储、检索已不能满足要求， 要求存储数据的语义及数据间的关系，并支持用户对数据实行推理的功能。于是，数据库逐渐向知表示方法知识库 方向变化。作为适于知识型数据库的一种知识表示方法，语义网络的形式已越来越多地被采用。【说明】：关于数据语义网络的详细论述，请参见陆汝铃人工智能(上册)PP117-130。(3)语言语义网络语言语义网络就是用于自然语言的分析和理解的语义网络。关于其详细论述，请参见陆汝铃人工智能 (上册)PP130-136。(4)结构网络：用于描述客观事物的结构，常见于模式识别、机器学习等应用领域。(5)分类网络：倾向于描述抽象的概念，并对它们按层次分类。常见于专家
30、系统。(6)推理网络：它本质上是一种命题网络，只是在某种程度上规范化，更适于进行专家系统中的推理。推 理网络的基本节点是事实或概念，而节点间的关系则表示推理规则。(7)框架网络：是语义网络和框架的联合使用。包含两方面的含义：第一种含义：网络中的节点是框架，相当于基本事实或假设，利用节点之间的关系可由某些框架推论出另一些框架。例如，医学专家系统IRIS就是利用框架网络实现的，每个节点代表一个症状或一个判断。第二种含义：网络中的节点既可代表框架，也可代表框架中的槽，每条弧的一头联着某个框架的一个槽， 另一头联着另一个框架。表示后面的框架是前面的槽所代表的子框架。以此方式就可实现框架的任意深度的嵌套
31、调 用。【注】详细论述请参见陆汝铃人工智能(上册)PP141-144。2.5.6 语义网络系统求解问题的基本过程(1)语义网络系统 是指用语义网络表示知识的问题求解系统。(2)语义网络系统的两大组成部分a)由语义网络构成的知识库；b)语义网络推理机，即用于求解问题的解释程序。(3)语义网络系统求解问题的基本方法在语义网络系统中，问题的求解一般是通过匹配实现的。(4)语义网络系统求解问题的主要过程a)根据待求解问题的要求构造一个网络片断，其中有些节点或弧的标识是空的，反映待求解的问题。b)依此网络片断到知识库中去寻找可匹配的网络，以找出所需要的信息。当然，这种匹配一般不是完全的，具有不确定性，因
32、此需要解决不确定性匹配问题。c)当问题的语义网络片断与知识库中的某语义网络片断匹配时，则与询问处匹配的事实就是问题的解。【注】详细论述请参见陆汝铃人工智能(上册)PP144-150。2.5.7 语义网络表示法的特点1、语义网络表示法的优点(1)结构性：因为语义网络是一种结构化的知识表示方法，它能把事物的属性以及事物间的各种语义联想 显式地表不'出来。(2)联想性：它最初是作为人类联想记忆模型提出来的。(3)自然性：直观地把事物的属性及其语义联系表示出来，便于理解，自然语言与语义网络的转换比较容 易实现，故语义网络表示法在自然语言理解系统中的应用最为广泛。2、语义网络表示法的缺点(1)非
33、严格性：与一阶谓词逻辑相比，语义网络没有公认的形式表示体系。一个给定的语义网络所表达的 含义完全依赖于处理程序如何对它进行解释。通过推理网络而实现的推理不能保证其正确性。此外，目前采用的表 示量词(包括全称量词和存在量词)的语义网络表示法在逻辑上是不充分的，不能保证不存在二义性。(2)处理上的复杂性：语义网络表示知识的手段多种多样，虽然灵活性很高，但同时也由于表示形式的不 一致使得对其处理的复杂性提高，对知识的检索也就相对复杂，要求对网络的搜索要有强有力的组织原则。2.6 剧本(脚本)表示法剧本表示法是1975年R.C. Schank依据他的概念依赖理论而提出的一种知识表示方法。脚本与框架类似
34、, 由一组槽组成，用来表示特定领域内一些事件的发生序列。2.6.1 概念依赖理论【难点】在人类的各种知识中，常识性知识是数量最多、涉及面最宽、关系最复杂的知识，很难把它们形 式化地表示出来交给计算机处理。概念依赖理论的基本思想：把人类生活中各类故事情节的基本概念抽取出来，构成一组原子概念，确定这 些原子概念间的相互依赖关系，然后把所有故事情节都用这组原子概念及其依赖关系表示出来。1、抽取原子概念应遵循的基本原则(1)所有原子概念表示的意思必须是无二义性的。即使用来表示此原子概念的词原来就有二义性，在使用 时也必须把这种二义性除掉。如运动”一词。(2)所有相同意思的概念必须用同一个原子概念来表示
35、，即表示的唯一性。否则，本来是相同的概念会导 致不同的理解。(3)各原子概念之间，它们的表达范围不应该重复，即原子概念的正交性。(4)各原子概念之间应该互相独立。一个原子概念不应该用另一个原子概念来定义，即原子概念的不可再 分性。(5)原子概念的数目要尽量少。数量少而表达的东西多，说明其概括性强。2、Schank对11种动作(ACT)的原子化(1) PROPELS用物理力量(推、拉、打等)于一对象。(2) GRASP 一个演员抓起一个物理对象。(3) MOVE:演员身体的一部分变换空间位置，如抬手等。(4) PTRANS物理对象变换位置，如走进、跑出等。(5) ATRANa由象关系的改变，如传
36、递、赠送、革命等。(6) ATTEND用某个感官获取信息，如用目光搜索等。(7) ingest：(员把某个东西吸入体内，如吃、喝等。(8) EXPELK员把某个东西送出体外，如呕吐、落泪等。(9) SPEA侬员产生一种声音，如唱歌、尖叫等。(10) MTRANS信息的传递，如读报、看信、看电视等。(11) MBUILD:由旧信息形成新信息，如“眉头一皱，计上心来”。3、基于概念依赖关系的故事情节理解(1) Schank定义上述11中动作的主要意图：上述原子概念主要不是用于表示动作本身，而是表示动作的结 果，并且是本质的结果，因此也可以认为是这些概念的推理。(2)基于概念依赖关系的故事情节理解办
37、法：事先编好许多剧本，每个剧本代表日常生活中发生的一种事 件，它把这种事件的典型情节规范化，编成一种程式。(3) Schank实现了 SAM(Script Applier Mechanism)系统。其功能是：接受一个故事后，首先做语法分解工作,按照概念依赖关系的模式化成内部表示，然后从库中取出相应的剧本进行匹配，根据事先确定的剧本情节来理解故 事。2.6.2 剧本(脚本)及其实例1、剧本：描述特定范围内原型事件的结构。2、剧本的组成(1)进入条件：指出剧本所描述的事件可能发生的先决条件，即事件发生的前提条件。(2)角色：描述事件中可能出现的人物。(3)道具：描述事件中可能出现的有关物体。(4)
38、场景：描述事件序列，可以有多个场景。(5)结局：给出剧本所描述的事件发生以后必须满足的条件。3、Schank餐馆剧本剧本：就餐进入条件：顾客饿了，品尝佳肴，招待亲友，顾客有钱角色：顾客、服务员、厨师、经理、老板道具：食品、桌子、菜单、钱场景：第三幕：吃饭ATRANS服务员上菜INGEST吃饭第四幕：离开MOVE:站起身来PTRANS步出餐馆PP97-98。第一幕：进入餐馆PTRANS步入餐馆ATTEND用目光寻找空桌MBUILD:选定桌子MOVE:坐下第二幕：定菜ATRANS服务员送菜单MTRANS:读菜单MBUILD:选定所要的菜MTRANS:告诉服务员ATRANS付钱结局：顾客吃了饭；顾客
39、花了钱；老板挣了钱；餐厅食品减少了。【注】：关于该剧本的更详细介绍，请参见王永庆人工智能原理与方法由上述剧本实例可知，剧本就像电影剧本一样，一场一场地表示一些特定事件的序列。利用上述剧本可理解如下 老王吃烤鸭”故事：老王来到全聚德烤鸭店。他冲进去抢到了一个位置，服务员拿来菜单。老王要了两只烤鸭，八个菜。菜很快上齐了。老王又吃又喝，两个小时后他醉醺醺地离开了烤鸭店。”利用Schank餐馆剧本可对上述故事进行提问和回答。详细过程请参见陆汝铃人工智能册)pp164-165。2.6.3利用剧本进行故事理解时应注意的问题实际故事和剧本完全一致的情况是很少的，故每个剧本应该有适应临时出现的新情况的能力。这
40、些能力包括：1、子剧本调用。这往往是由意外情况引起。例如：“老王正在吃烤鸭时，忽然在鸭肉里咬到一根铁钉”此时，正常的剧情就不能演下去了。可能需要调用名为“交涉”的子剧本。2、排除故障。由于剧本的“进入条件”往往是隐含的，有时可能因某个条件不成而ACT无法进行，这时要求剧本备有变通动作来排除这种障碍。例如：老王找不到空位置，今日烤鸭已售完，身上带的钱不够等，这些都 是障碍。相应的变通动作可以是：站在别人桌旁，甚至换一家烤鸭店等。3、调用剧本以外的知识应该有许多备用知识（即额外知识）存在库中供剧本调用。例如：在上面 老王吃烤鸭”的故事中，可预备如下额外知识：（1）利用 四个人吃一只烤鸭”知识估计用
41、餐的人数；（2）醉醺醺的原因是酒喝多了。此外，额外知识还可以用来排除障碍和调用子框架。4、提炼、忘却和想象（1）为理解故事的核心，一个剧本系统应该能提炼出最主要的情节，为此就要忘掉许多次要的情节， 即故事情节收缩。（2）还应该能通过想象、子剧本调用、插入障碍、设置变通等方式使得故事情节膨胀。2.6.4 关于剧本表示法的说明1、剧本表示法的局限性。与框架表示法相比，剧本比较呆板，能力也有限。另外，人类日常的行为千变 万化，很难用一个剧本就能理解各种各样的故事情节。2、剧本表示的其它可能用途。目前，剧本表示法注意用于自然语言理解方面。我们可以设想将剧本与计 算机动画进行结合，即根据一段故事情节，利
42、用剧本理解其情节和含义，然后，通过图形学、动画等技术，绘制出 该故事的场景、角色、道具，并根据理解的故事发展过程，进行动画情节的演进。陆汝铃等人在20世纪90年代做过尝试，他们曾经研发了一套基于故事情节理解的动画一一天鹅。2.7过程表示法在AI界关于知识表示方法有两种不同的观点：第一种观点：认为知识主要是陈述性的， 其表示方法应着重将其静态特性（即事物的属性及事物间的关系）表示出来。人们称以这种观点表示知识的方法为陈述式或说明性表示方法。如前面所述的产生式系统，规则库只用 来表示并存储领域内的过程性知识，而把控制性知识隐含在控制系统中，两者是分离的。第二种观点：认为知识主要是过程性的，其表示方
43、法应将知识及如何使用这些知识的控制策略均表示为求 解问题的过程，称以这种观点表示知识的方法为过程性表示方法，或过程表示法。2.7.1 过程表示法的基本思想过程性表示方法侧重于对知识的利用，它把与问题有关的知识以及如何运用这些知识求解问题的控制策略都表述为一个或多个求解问题的过程，每个过程就是一段程序，用于完成对一个具体事件或情况的处理。在问题求解过程中，当需要使用某个过程时就调用相应的程序并执行之。在以这种方法表示知识的系统中，知识库是一组过程的集合，当需要对知识库进行增、删、改时，则相应地增加、删除或修改有关的过程。2.7.2 过程规则的组成一般地，一个过程规则包括如下四个部分：1、激发条件
44、：由两部分组成：a）推理方向：指出是前向推理（ FR）还是后向推理（BR）。 b）调用模式。2、演绎操作：由一系列的子目标构成。3、状态转换：用于对数据库进行增、删、改。4、返回：过程规则的最后一个语句是RETURN用于指出将控制权返回到调用该过程规则的上级过程规则那里去。激发条件推理.方向调用模式演绎操作子目标序列状态转换数据扉刷新RKTIRX过程规则的结构示意图2.7.4 过程表示法的优缺点1、优点(1)效率较高；(2)控制系统容易设计。2、缺点不易修改、添加新的知识，而且当对某一过程进行修改时，有可能影响到其它过程，对系统的维护带来 诸多不便。2.7.5 过程表示法的发展趋势探讨说明性与
45、过程性相结合的知识表示方法，以便在可维护性、可理解性，以及运行效率等方面寻求一种 比较合理的解决办法。2.7.6 利用过程表示法实现的系统(1) Raphael 研制的语义信息重现系统SIR (Semantic Information Retriever)。(2) Woods研制的航班系统。2.9 Petri网表示法Petri网的概念是德国学者 Cah Abam Petri于1962年首先提出的，用于构造系统模型及进行动态特性分析, 后来逐渐被用作知识表示方法。2.9.1 Petri网原理及其表示知识的方法1、Petri网的基本原理Pertri网的三个基本元素：位置、转换、标记。CT=iij上
46、述Petri网中的符号说明如下：(1) P与Pk分别代表第j个和第k个位置；(2) yj与yk分别是这两个位置的标记；(3) ti是某个转换；(4)产生式规则的前提 dj和结论dk分别对应于Pj与Pk；(5) ui是规则强度。上述Petri网与如下产生式有相同的含义：IF dj THENdk (CF = u)2、基于Petri网的知识表示方法对于比较复杂的知识，Pertri网通常用一个八元组来表示知识间的因果关系，具体形式是:(P T, D, I, O,皿6其中，P是位置的有限集，记为P=Pi, P2,，pn；T是转换的有限集，记为 t=tl, t2,，tn；D是命题的有限集，记为D=di,
47、d2,dn;I为输入函数，表示从位置到转换的映射；O为输出函数，表示从转换到位置的映射；f为相关函数，表示规则强度，取值范围0,1;a为相关函数，表示位置对应命题的可信度0,1;P为相关函数，表示从位置到命题的映射。3、基于Petri网的知识表示方法举例(1)设有如下产生式规则：IF dj THENdk (CF = u)若dj的可信度为0.8,规则强度ui=0.9,则Petri网中各元素的内容分别是:P = pj, PkT = tiI = PjO(ti) = Pk：(Pj) = 0.8-(Pj) = dj(2)设有如下产生式规则集：D = dj, dk f(t i) = Ui= 0.9：(Pk
48、) = dk:2:r3:4：5：6：7：8：IFd1 THENd2(CF=0.85)IFd2THENd3(CF =0.80)IFd2THENd4(CF=0.80)IFd4THENd5(CF=0.90)IFd1THENd6(CF=0.90)IFd6THENd9(CF=0.93)IFd1 AND d8 THENd7 (CF = 0.90)IFd7THENd4(CF=0.90)试画出上述规则集的Petri网。k述X条产工弋规则里的Pelri网2.9.2 Petri网表示法的特点(1)便于描述系统状态的变化及对系统特性进行分析(2)可在不同层次上变换描述，而不必注意细节及相应的物理表示，这样就可把注意
49、力集中到某个层次的研究上。2.10 贝叶斯信念网(信念网络)2.10.1 贝叶斯信念网的基本概念1、概述贝叶斯信念网(Bayesian Belief Networks)也称贝叶斯网络(Bayesian Networks)、信念网络(Belief Networks )。 它是在朴素Bayesian分类器的基础上发展而成的一种比较新的知识表示方法。由于贝叶斯信念网具有一个非常吸引人的特性，即提供了一种方便的途径以表示因果知识，目前它已成为 人工智能领域中的一个研究热点，而且人们已经提出学习它和用它进行推理的多种行之有效的方法。2、贝叶斯信念网与朴素贝叶斯分类器的比较(1)朴素贝叶斯分类器的缺点：它
50、要求所有变量在给定目标变量值时是条件独立的，当此条件成立时，朴 素贝叶斯分类器可得到最优贝叶斯分类。然而，在许多情况下，这一条件独立假定明显过于严格。(2)贝叶斯信念网的基本思路：它描述的是一组变量所遵从的概率分布，它通过一组条件概率来指定一组 条件独立性假定。与朴素贝叶斯分类器不同的是，贝叶斯网络可表述变量的一个子集上的条件独立性假定。因此，贝叶斯信念网提供了一种中间的方法，它比朴素贝叶斯分类器中条件独立性的全局假定的限制更少，又比在所有变量中计算条件依赖更可行。2.10.2 贝叶斯信念网的表示贝叶斯信念网表示一组变量的联合概率分布。其表示形式如下图所示：S, BSrB-S, BC000.8
51、0.2供60,91),20.8【说明】：(1)上页所示的贝叶斯网络实例表示了一组条件独立性假定，每个节点在给定其父节点时，意味着它独立 于其非后代节点。(2)每个节点关联一个条件概率表，它指定了该变量在给定其父节点时的条件概率分布。(3)本页所示的 Campfire节点的条件概率表中，C, S, B分别是Campfire, Storm, BusTourGroup的英文缩写。对上面给出的贝叶斯信念网实例图而言，它表示了布尔变量Storm, Lighting, Thunder, ForestFire, Campfire,以及BusTourGroup上的联合概率分布。针对节点 Campfire而言，
52、网络节点和弧表示了断言："Campfire在给定其父节点 Storm和BusTourGroup时条件独立于其非后继 Lighting和Thunder"。这意味着一旦我们知道了变量Storm和BusTourGroup的值，变量Lighting和Thunder不会提供关于 Campfire的更多的信息。1、贝叶斯网表示联合概率分布的方法贝叶斯网表示联合概率分布的方法是：指定一组条件独立性假定(它表示为一有向无环图)以及一组局部 条件概率集合。联合空间中的每个变量在贝叶斯网中表示为一个“节点对每一个变量需要两种类型的信息：(1)网络中的 弧”表示断言 此变量在给定其直接前驱时条件
53、独立于其非后继(2)对每个变量有一个条件概率表，它描述了该变量在给定其直接前驱时的概率分布。2、联合概率分布的计算公式对于网络变量的元组Yi,.,Y赋以所希望的值(yi, ., yn)的联合概率的计算公式为：,%) = n 尸尸e*(匕)i-i【说明】(1) Parents(Yi底示网络中Yi的直接前驱的集合；(2) P(yi | Parents(Yi)的值等于与节点 Yi关联的条件概率表中的值。2.10.3 基于贝叶斯网的推理在实际应用中，由于客观条件的限制，人们不可能预先知道贝叶斯网络中所有变量的概率分布，希望在知道一 部分变量的值(比如仅有 Thunder和BusTourGroup可被观
54、察到)时获得某变量(如ForestFire)的概率分布。一般来说，贝叶斯网络可用于在知道某些变量的值或分布时计算网络中另一部分变量的概率分布。由于我们所要处理的随机变量，所以一般不会赋予目标变量一个确切的值，事实上，真正需要推理的是目标变 量的概率分布，它指定了在给出其它变量的观察值条件下，目标变量取每一个可能值的概率。2.10.4 贝叶斯网络的当前研究热点(1)贝叶斯网络中的近似推理方法研究。由于对任意贝叶斯网络的概率的确切推理已经证明是一个NP完全问题，目前比较流行的研究策略是：牺牲精度换取效率”的近似推理方法。当然，从理论上说，即使是贝叶斯网络中的近似推理也可能是 NP难题，好在实践中的很多情况下这类近似推理方法还是非常有效的。(2)从训练数据(样本)中学到贝叶斯信念网络的有效算法研究。这是目前研究中的一个焦点、难点问题。解决“学习贝叶斯信念网络”问题的两
0/150
联系客服
本站为文档C2C交易模式，即用户上传的文档直接被用户下载，本站只是中间服务平台，本站所有文档下载所得的收益归上传人(含作者)所有。人人文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私，请立即通知人人文库网，我们立即给予删除！