人工智能知识表示课件.ppt

第四章 知识表示,概述 表示方法,第四章 知识表示,概述 表示方法,,概述 --- 4.1 基本概念,人工智能研究中最基本的问题之一 在知识处理中总要问到：“如何表示知识？”，“知识是用什么来表示的?”。怎样使机器能懂，能对之进行处理，并能以一种人类能理解的方式将处理结果告诉人们。 在AI系统中，给出一个清晰简洁的描述是很困难的。有研究报道认为。严格地说AI对知识表示的认真、系统的研究才刚刚开始。,概述,知识的定义（难以给出明确的定义只能从不同侧面加以理解） Feigenbaum：知识是经过削减、塑造、解释和转换 的信息。 Bernstein：知识是由特定领域的描述、关系和过程 组成的。 Hayes-roth：知识是事实、信念和启发式规则。 >>> 知识库的观点：知识是某领域中所涉及的各有关方 面的一种符号表示。,概述,知识的定义,Hayes-roth：知识的三维空间表示,概述,知识的分类 事实性知识：采用直接表示的形式 如：凡是猴子都有尾巴 过程性知识：描述做某件事的过程 如：电视维修法 行为性知识：不直接给出事实本身，只给出它在某方面的行为 如：微分方程、（事物的内涵） ……..,概述,知识的分类 …….. 实例性知识：只给出一些实例，知识藏在实例中。 类比性知识: 即不给出外延，也不给出内涵，只给出它与其它事物的某些相似之处 如：比喻、谜语 元知识：有关知识的知识。最重要的元知识是如何使用知识的知识，如何从知识库中找到想要的知识。,概述,知识的要素 事实：事物的分类、属性、事物间关系、科学事实、客观事实等。（最低层的知识） 规则：与事物的行动、动作相联系的因果关系知识。（启发式规则）。 控制：当有多个动作同时被激活时，选择哪一个动作来执行的知识。（技巧性） 元知识：高层知识。怎样使用规则、解释规则、校验规则、解释程序结构等知识。,概述,知识表示的定义 知识表示是研究用机器表示知识的可行性、有效性的一般方法，是数据结构与系统控制结构的统一。 知识表示是理智推理的部分理论。 知识表示是有效计算的载体 知识表示是交流的媒介（如语义网络）,概述,知识表示的定义 知识表示是对知识的一种描述、一组约定、一种计算机可以接受的数据结构；是知识的符号化过程。 知识表示的主要问题是：设计各种数据结构，研究表示与控制的关系、表示与推理的关系；表示与所表示领域的关系。,概述,选取知识表示的因素 表示范围是否广泛 是否适于推理 是否适于计算机处理 是否有高效的算法 能否表示不精确知识 能否模块化 总之 ………,知识和元知识能否用统一 的形式表示 是否加入启发信息 过程性表示还是说明性表示 表示方法是否自然,概述,选取知识表示的因素 ……….. 总之，人工智能问题的求解是以知识表示为基础的。如何将已获得的有关知识以计算机内部代码形式加以合理地描述、存储、有效地利用便是表示应解决的问题。,概述,研究内容 表示观的研究： 认识论、本体论、知识工程 表示方法的研究： 直接法、代替法(局部、分布，…….),概述,知识表示研究的特点 智能行为特有的灵活性。“常识问题”不能概括为一类简洁的理论，是大量小理论的集合。 AI的任务受到计算装置的约束。这导致了所采用的“表示”必须同时满足“刻画智能现象”与“计算装置可以接受”，这两个有时是矛盾的条件。,第四章 知识表示,概述 表示方法,,第四章 知识表示,概述 表示方法,,,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 >> 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法 —概述,表示方法可以分成2类 替代表示法 局部表示类：最充分也是正统AI最经常使用的 分布表示法：对局部表示法在智能行为表述尚不够充分而作的补充。 直接表示法： 正在引起越来越多AI研究者的注意。不可完全独立：考虑到“任何表示方法必须被计算机所接受” 这个先决条件，直接表示需要借助局部或部分表示形式。,表示方法 —概述,表示方法,分布表示,局部表示,陈述性表示,过程性表示,语义网络表示,产生式表示,逻辑表示,框架表示,脚本表示,替代表示,,直接表示,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法 —直接表示,1963年由Gelernter提出的。用于基于传统欧氏几何证明的几何定理证明器。 它的输入是对前提和目标的陈述以及图示（图示是用一系列坐标来表示的）。 在证明过程中，证明器把图示作为启发式信息，排除在图示中不正确的子目标。从而大大地减少了搜索空间。 但……..,表示方法 —直接表示,1963年由Gelernter提出的。用于基于传统欧氏几何证明的几何定理证明器。 它的输入是对前提和目标的陈述以及图示（图示是用一系列坐标来表示的）。 在证明过程中，证明器把图示作为启发式信息，排除在图示中不正确的子目标。从而大大地减少了搜索空间。 但……..,表示方法 —直接表示,但，长期以来直接表示没有得到长足发展。原因如下： 计算机对直接表示的信息难以处理。 直接表示难以表示定量信息（语言设计失败） 直接表示不能描述自然世界的全部信息 这两年直接表示有所发展，因为，现在认识到，可以用其它媒体表示的方法去补充直接表示的不足。——将被发展成多媒体。 引申的研究是临场AI与临境技术。近几年AI对自主智能系统研究（完全机器做人不干预）的失望，导致对建立人机一体智能系统的尝试。这样系统所需环境的要求是直接表示兴起的原因之一。,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法 — 一阶谓词逻辑表示法,一阶谓词逻辑是谓词逻辑中最直观的一种逻辑。它以谓词形式来表示动作的主体、客体。客体可以多个。 谓词逻辑规范表达式： P ( x1, x2, x3, …)， 这里P是谓词, xi是主体与客体。,表示方法 — 一阶谓词逻辑表示法,例： 王的职业为教师。 设谓词P(x,a) P(Wang,Teacher) 所有男性年龄大于60岁则退休。 设谓词A(y,b) , G(x,y) , S(z,c) ,R(t) (u){S(u,male)(x)[A(u,x)G(x,60)]  R(u)},表示方法 —逻辑表示法,例： 兔子F(x)比乌龟G(y)跑得快H(x,y) (x)(y)(F(x) G(y) H(x,y)) 有的兔子比所有乌龟跑得快 (x)F(x)  (y)(G(y)  H(x,y)) 并不是所有的兔子都比乌龟跑得快 (x)(y)(F(x) G(y) H(x,y)) 不存在跑得一样快L(x,y)的两子兔子 (x)(y)(F(x) G(y)  L(x,y)),表示方法 —逻辑表示法,谓词逻辑法是应用最广的方法之一，其原因是： 谓词逻辑与数据库，特别是关系数据库就有密切的关系。 一阶谓词逻辑具有完备的逻辑推理算法。 谓词逻辑本身具有比较扎实的数学基础，知识的表达方式决定了系统的主要结构。 逻辑推理是公理集合中演绎而得出结论的过程。,表示方法 —逻辑表示法,存在问题： 谓词表示越细，推理越慢、效率越低，但表示清楚。实际中是要折衷的。,<<<,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法— 4.2 产生式规则表示法,美国数学家Post，1943年提出了一种计算形式体系里所使用的术语。主要是使用类似文法的规则，对符号串做替换运算。这就是最早的一个产生式系统。 到了60年代，产生式系统成为认知心理学研究人类心理活动中信息加工过程的基础，由此心理学家认为，人脑对知识的存储就是产生式形式。因此，用它来建立人类认知模型。 到目前为止，产生式系统已发展成为人工智能系统中最典型最普遍的一种结构。产生式表示方法是专家系统的第一选择的知识表达方式。,表示方法—产生式规则表示法,表示形式（事实） 一般用三元组（对象，属性，值）或 （关系，对象1，对象2） 例：（Lee, Age, 35）, (Friend, Lee, Chang),表示方法—产生式规则表示法,表示形式（规则）：每个规则分左边右边。 If 条件 then 结论/动作 如：天上下雨 → 地上湿 该动物有毛发 → 该动物是哺乳动物 一般左边表示情况，即什么条件。发生时产生式被调用。通常用匹配方法和式情况。匹配成功时，执行右边规定的动作。 蕴含式与产生式的区别： ……,表示方法—产生式规则表示法,蕴含式与产生式的区别： 蕴含式只能表示精确知识，而产生式不仅可以表示精确知识，而且还可以表示不精确知识。 用产生式表示知识的系统中，决定一条知识是否可用是匹配，且匹配可以是精确的，也可以是不精确的；但对谓词逻辑的蕴含式匹配总要求是精确的。 蕴含式是产生式的一种特殊情况,表示方法—产生式规则表示法,产生式系统的基本特征： 知识库：一组规则，即产生式本身，包括事实和启发式知识。 推理机：一组程序，控制、协调整个系统。利用知识库中的知识，按一定的推理策略去解决问题。 构成产生式系统基本结构,表示方法—产生式规则表示法,产生式系统的基本结构：,,产生式系统一般结构 …………,知识库,,推理机,,,,,知识工程师 领域专家,用户,表示方法—产生式规则表示法,产生式系统的一般结构：,知识库,推理机,知识工程师 领域专家,用户,解释器,知识获取,黑 板,,,,,,人 机 接 口,,,,,,,,,表示方法 —产生式规则表示法,产生式系统的基本特征： ………… 数据库（黑板、中间数据库）：系统在执行与推理过程中用来存放中间结果或证据。 一个解释程序：一组程序，负责对推理给出必要的解释。 知识获取：为修改和扩充知识库的知识提供手段。 人机接口：友好的用户界面。,表示方法—产生式规则表示法,推理方法 正向：由原始数据出发寻找可用的知识得出结论。自底向上（bottom-up） ，事实驱动方式。 反向：先提出假设，进一步寻找支持假设的证据。自顶向下（top-down），目标驱动方式。 双向：通过正向推理提出假设，用反向推理寻找支持。既自底向上、又自顶向下作双向推理，直至某个中间界面上两方向结果相符便成功结束。,表示方法—产生式规则表示法,正向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B D,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B D,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B D F,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B D F,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B D F Z,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,正向推理方法,A E H G C B D F Z,F∧B  Z C∧D  F A  D,表示方法—产生式规则表示法,反向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,目标为 Z,表示方法—产生式规则表示法,反向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,目标为F,表示方法—产生式规则表示法,反向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,目标为D,表示方法—产生式规则表示法,反向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,目标为A,表示方法—产生式规则表示法,反向推理方法,A E H G C B,F∧B  Z C∧D  F A  D,目标Z确定,例：P.157动物识别,表示方法—产生式规则表示法,动物识别 规则库:15条规则 产生式系统求解过程举例: 正向推理:有已知事实,该动物有暗斑点、有长脖子、有长腿、有奶、有蹄。 反向推理：以虎为假设目标进行推理。,表示方法—产生式规则表示法,推理策略 推理的控制策略，即求解问题的策略。有推理方向、搜索策略、冲突消解策略、求解策略及限制策略等。 推理方向 正向推理：由原始数据出发寻找可用的知识得出新事实，如此继续直至得到结论。自底向上（bottom-up） ，事实驱动方式。 反向推理：先提出假设，由此出发，进一步寻找支持假设的证据，当所需证据与用户提供原始数据相匹配则成功。自顶向下（top-down），目标驱动方式。,表示方法—产生式规则表示法,正向推理过程 规则集中的规则与数据库中的事实进行匹配，得到匹配的规则集合。 从匹配的规则集合中选择一条规则作为使用规则。 执行使用规则的后件。将该使用规则的后件输入数据库。 重复进行，直到达到目标。,表示方法—产生式规则表示法,正向推理算法（产生式系统） 断言一个事实 使事实与某个规则的前提相匹配 完成事实和前提的合一代换 把代换应用于规则的结论 断言结果，并把它应用于进一步的推理 重复1）~ 5）,表示方法—产生式规则表示法,,正向推理算法流程,表示方法—产生式规则表示法,设计一正向推理系统 能用数据库（黑板）中的事实去匹配规则的前提，若匹配不成功，能自动地进行下一条规则的匹配，在匹配时，采用什么策略等问题应考虑周到。 若某条规则匹配成功了，系统能将此规则的结论部分自动加入数据库。 能判断什么时候结束推理。 能将匹配成功的规则记录下来。,表示方法—产生式规则表示法,反向推理过程 用规则集中的规则后件与目标事实进行匹配，得到匹配的规则集合。 从匹配的规则集合中选择一条规则作为使用规则。 把执行的使用规则的前件作为下一个循环的目标事实 。 重复进行，直到达到目标。,表示方法—产生式规则表示法,反向推理算法（产生式系统） 提出获取事实（目标）的请求 目标和任何已知的事实都不匹配 目标和一条规则的结论匹配 进行目标和结论的合一代换 将代换应用于规则的前提 这个结论成为系统的新目标 新目标将执行动作,重复1）~ 7）,表示方法—产生式规则表示法,反向推理算法流程,表示方法—产生式规则表示法,设计一反向推理系统 能根据用户要求或情况提出假设。 能验证此假设是否在数据库中。 能从知识库中将结论部分包含此假设的规则都找出来。 能将找出来的规则的前提部分取出并作为新假设逐条验证。 能判断假设是否是证据节点，若是，能向用户提出相应问题并记录结果。 能将匹配成功的规则记录下来。 能判断何时应结束推理。,表示方法—产生式规则表示法,推理方法的选择 推理方法的选择取决于推理的目标和搜索空间的形状。 如果目标是从一组给定事实出发，找出所有可能的结论，那么，通常使用正向推理。 如果目标是证实或否定某一特定结论，那么，通常使用反向推理，否则，从一组初始事实出发盲目地正向推理，可能得出许多和所要证实的结论无关的结论。,表示方法—产生式规则表示法,推理策略 冲突消解策略1 规则排序：规则的编排顺序就是规则启用的优先级。 专一性排序：若某一规则的条件部分规定的情况比另一条规则的条件部分所规定的情况更专门，则这条规则有较高的优先级。 就近排序：把最近使用的规则放在最优先的位置。 规模排序：按规则条件部分复杂程度排序，越复杂越优先。,表示方法—产生式规则表示法,推理策略 冲突消解策略2 数据排序：把规则条件部分的所有条件项按优先级次序组织，可用知识的次序由这些知识所含条件按字典排序方法进行选择。 上下文限制：按问题求解状态或新描述的上下文分块组织知识库，在某一求解状态，只能使用相对应组中的知识。 数据冗余限制：若知识的操作产生上下文冗余项时，则降低该知识的优先级。,表示方法—产生式规则表示法,特点 用产生式系统结构求解问题的过程和人类求解问题时的思维很相像。因而可以用它来模拟人类求解问题的思维过程。 可以把产生式系统作为人工智能系统的基本结构单元或基本模型看待。就好像是积木世界中的积木块一样。因而研究产生式系统的基本问题就具有一般意义。 表示的格式固定、形式单一、规则间相互独立。所以建立容易；推理方式单纯、知识库与推理机分离，修改方便、容易理解。,表示方法—产生式规则表示法,优点 模块性。 规则与规则之间相互独立 灵活性。 知识库易于增加、修改、删除 自然性。 方便地表示专家的启发性知识与经验 透明性。 易于保留动作所产生的变化、轨迹,表示方法—产生式规则表示法,缺点： 知识库维护难。 效率低。为了模块一致性 理解难。由于规则一致性彼此之间不能调用。 应用实例： 用于化工工业测定分子结构的DENDRAL 用于诊断脑膜炎和血液病毒感染的MYCIN 估计矿藏的PROSPECTOR,<<<,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法— 4.3 语义网络表示法,概述 1968年Quillian的博士论文建议用一种语义网络来描述人对事物的认知，实际上是对人脑功能的模拟。 逻辑和产生式表示方法常用于表示有关领域中各个不同状态间的关系。然而用于表示一个事物同其各个部分间的分类知识就不方便了。 槽和填槽表示方法便于表示这种分类知识。这种表示方法包括语义网络、框架、概念从属和脚本。语义网络方法的特点就在于提出了槽和填槽的结构。 语义网络同一阶逻辑有相同的能力。多用于自然语言处理。,表示方法— 语义网络表示法,定义 现实世界中，为描述概念、事物或知识之间错综复杂的相互关系，还存在着各种含义的联系，把较简单的概念、事物或知识之间的联系称为“语义联系”。 一个“语义网络”被定义为由节点和弧（链）组成，其中节点表示各种事物、概念属性及知识实体等；弧表示各种语义联系，指明其所连接的节点之间的某种联系。,表示方法—语义网络表示法,表示形式 每一个要表达的事实用一个“节点”表示，而事实之间的关系用“弧线”表示。即，有向图表示的三元组，（节点1， 弧，节点2）连接而成。,表示方法—语义网络表示法,举例 表示事实 所有的知更鸟（robin）是鸟（bird）。 Clyde是一只知更鸟。 鸟有翅膀（wings）。 Clyde有一个巢（nest）。,表示方法—语义网络表示法,举例,Robin,Bird,Clyde,nest,Nest-1,Wings,所有的知更鸟（robin）是鸟（bird）。 Clyde是一只知更鸟。 鸟有翅膀（wings）。 Clyde有一个巢（nest）。,如何表示”Clyde从春天到秋天占有一个巢”?,表示方法—语义网络表示法,表示事件: Clyde从春天（spring）到秋天（fall）占有一个巢。,Clyde,Nest-1,nest,Own-1,Situation,Ownership,>>>,表示方法—语义网络表示法,举例 表示多元关系 AC米兰与国际米兰之间的一场球赛比分 0:1。 解决方法：将多元关系转换成一组二元关系的组合（合取）。即 R(x1,x2, … ,xn) 转换为 R1(x11,x12)R2(x21,x22)  R3(x31,x32)  ……  Rk(xk1,xk2),表示方法—语义网络表示法,AC米兰与国际米兰之间的一场球赛比分 0:1。,,,,,Isa,Score,Host,Guest,表示方法—语义网络表示法,举例(表示连接词、量词) 合取：不加注任何标志。 析取：加注析取界限，并记DIS标志。 否定：直接加注 或～标志。 例:  ISA(A,B) ∨ PART_OF(B,C),表示方法—语义网络表示法,举例(表示连接词、量词) 蕴涵：用标志ANTE和CONSE界限来表示蕴涵关系的前提和结论部分。 Every one who lives at 37 Maple street is programmer.,Y,X,O(X,Y),表示特定地址事件,表示与此事件相关的人,变量,函数形式,为一个特定职业事件,,表示方法—语义网络表示法,举例(表示连接词、量词) 存在量词：直接用ISA链。 全称量词：采用分块语义网络。 例: 每一个教师均掌握一门语言. (x) ( teacher (x)  (y) ( languages (y) ∧know (x,y) )),表示方法—语义网络表示法,每一个教师均掌握一门语言. (x) ( teacher (x)  (y) ( languages (y) ∧know (x,y) )),Teacher,Know,Languages,L,K,T,G,GS,,,agent,object,,概念节点,表示具有全称量化的一般事件(陈述句),整个陈述句,断言一个实例,表示方法—语义网络表示法,推理特点 不十分明了，有继承规则。可以用关系如：成员联系、特征联系、相互作用联系、集合联系、合成联系、因果联系、活动方式联式、活动目标联系、蕴含联系等。还可以将语义网络引入逻辑含义。表示∧，∨，～关系，是用归结推理法。,表示方法—语义网络表示法,推理方式：继承和匹配 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。通过继承可以得到所需节点的一些属性值，它通常是沿着Is－a，A－Kind－of等继承弧进行的。 值继承 如果需要继承 默认继承,表示方法—语义网络表示法,继承（例）,length,3,,表示方法—语义网络表示法,值继承算法（ 求给定节点F的S链的值） 建立一个由F以及所有和F以ISA链相连的类节点的表，在表中F节点排在第一个位置。 检查表中第一个元素的S链中是否有值，直到表为空或找到一个值。 若表中第一个元素在S链中有值，就认为找到了一个值。 否则，从表中删除第一个元素，并把以AKO链和此第一个元素相连的节点加入到这个表的末尾。 若找到一个值，就说找到的这个值是F节点的S链的值，否则宣布失败。,表示方法—语义网络表示法,推理方式：继承和匹配 匹配：根据待求解问题或询问，构造一个语义网络片断，然后查找语义网络的知识库，在匹配过程中，只有当片断中的变量节点能使得匹配完全成功，它们的值才能被约束。 有时匹配是不精确的或不能匹配 匹配的盲目搜索是费时的，应采用控制策略,表示方法—语义网络表示法,推理方式：继承和匹配 匹配的主要过程： ◇ 根据问题的要求构造网络片断，该网络片断中有些结点或弧为空，标记待求解的问题。 ◇ 根据该语义片断在知识库中寻找相应的信息。 ◇当待求解的语义网络片断和知识库中的语义网络片断相匹配时，则与询问处（也就是待求解的地方）相匹配的事实就是问题的解。,表示方法—语义网络表示法,推理方式：继承和匹配 匹配举例 问: Clyde拥有什么? 构造语义网络片段 与知识库中的语义网络匹配 得到结论,表示方法—语义网络表示法,结论 语义网络图的好处是直观、清晰 缺点是表达范围有限。如，一旦有十个结点，而且各结点之间又有联系，则这个网络就很难辨请了。,<<<,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法 — 4.4 框架表示法,概述 1975年 Minsky在论文中提出了框架理论。他从心理学的证据出发，认为人的知识以框架结构记存在人脑中。当人们面临新的情况，或对问题的看法有重要变化时，总是从自己的记忆中找出一个合适的框架，然后根据细节加以修改补充，从而形成对新观察到的事物的认识。 人类对于一件事的了解，表现在对于这件事物的诸方面，即属性的了解。掌握了事物的属性，也就有了关于事物的知识，知识表示是从属性描述开始的。,表示方法—框架表示法,定义： 框架是一种描述对象属性的数据结构。是由若干个结点和关系（统称为槽）构成的网络。 是语义网络的一般化形式的一种结构。同语义网络没有本质的区别。如书上的所示如将语义网络结点间弧上的标注也放到槽内就成了框架表示形式。 组成： 由框架(Frame)名、槽(Slot)名、侧面(Aspect)、值(Value)组成,表示方法—框架表示法,表示形式： …… 槽名i：侧面名i1 值i11，值i12 ，… ，default: value 侧面名i2 值i21，值i22 ，… ，default: value …… …… 槽名j：,值类型：逻辑型、实数型、字符、子程序、框架,表示方法—框架表示法,三个特殊的侧面： default：（默认值）记载类的个体相应属性的公共值或典型值，作为缺省值。 if-needed： （如果需要）在不可能提供统一缺省值的情况下，提供计算函数或推理知识去产生相应属性的一个值。 if-added： （如果加入、附加）当给类的某个体的一个属性赋值或修改时，提供计算函数或推理知识去作必要的后继处理，包括对其他相关槽的赋值和修改处理，以及任何需要的附加处理。,表示方法—框架表示法,举例 汽车 教职员工、教师 事件（灾害）>> 框架中槽的设置与组织,表示方法—框架表示法,例:关于汽车的框架 Name : Super_class : 运载工具 Sub_class : 轿车，面包车，客车，货车 Wheel_Number : Value_class int Value ( default=4 ) Length : Value_class int Value,表示方法—框架表示法,例1:关于教职工的框架 AGE: int [18,60] HEALTH: one of (E,G,N,P) (default=N) RETIRE: if-needed ( if sex=m and age>60 or sex=w and age>55 then R),表示方法—框架表示法,例2:关于教师的框架 ISA: AGE: if-needed (age>=w_year+23) LAN:RANGE A SUBSET OF(E,J,F,G,R) (default=E) LEVEL one of (E,G,N,P) ADD: an address (default=……),表示方法—框架表示法,例3:关于具体教师的框架 ISA: NAME: Li-Ming SEX: male AGE: W_YEAR: 20 LAN: RANGE (E,J) LEVEL (G) WORK: teaching ADD: RELATION: ,表示方法—框架表示法,事件（灾害）用框架表示下述报道的风灾事件 【虚拟新华社6月24日电】国家气象局命名的“2001年2号”台风于昨晚10时20分在福建福清市登陆。据专家经验，风力达到12级以上。但中心风力的准确值，有待数据处理，目前尚未发布。此次台风造成的损失，尚未得到报告。若需详细的损失数据，可电询自然灾害统计中心。另据介绍，事前曾得到国际气象组织预报，昨天上午有高压气旋将于福建登陆。依照国际惯例将其命名为“飞燕”，我国也予以承认。至于“飞燕”是否就是登陆的“2001年2号”，尚须另外加以核查。 （提示：分析、概括用下划线标出的要点，经过概念化形成槽、侧面值）,表示方法—框架表示法, ISA: 台风名: value 2001年2号台风 if-added 飞燕 时间: 年 2001 月 6 日 23 时 22 分 20 地点: 风力: value NIL default >=12 损失: value NIL if-needed ASK,表示方法—框架表示法,推理方法： 没有固定的推理机理。遵循匹配和继承的原理。 推理活动： 填槽：框架中未知的内容的槽需要填写。 匹配：根据已知的事实寻找合适的框架，并将该内容填入槽中。,推理形式： 默认推理：子框架的槽继承父框架相应槽的槽值。 匹配：根据已知信息，与预先存储的框架进行匹配，形成假设，寻找进一步的支持。逐槽比较的过程。,表示方法—框架表示法,性质 对事物进行描述。而且对其中某些细节做进一步描述。则可将其扩充为另外一些框架。 如：汽车载货或人 可以通过它对一些从感官中没有直接得到的信息进行预测，对于人来说这种功能是很强的。如：一想到桌子就可以想到它腿的形状与位置。 可以在它基础上进行判断推理。 可通过它来认识某一类事物。 可以通过一系列实例来修正框架对某些事物的不完整描述。（填充空的框架，修改默认值）,<<<,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法—脚本表示法,脚本方式是采用一个专用的框架，用来表示特定领域的知识。 脚本通过一些元语作为槽名来代表要表示的对象的基本行为。 脚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，就像电影剧本中的事件序列一样，故称为脚本。,表示方法—脚本表示法,一个脚本一般由以下各部分组成： 开场条件 给出在剧本中描述的事件发生的前提条件。 角色 用来表示在剧本所描述的事件中可能出现的有关人物的一些槽。 道具 这是用来表示在剧本所描述的事件中可能出现的有关物体的一些槽。 场景 描述事件发生的真实顺序，可以由多个场景组成，每个场景又可以是其它的剧本。 结果 给出在剧本所描述的事件发生以后通常所产生的结果。,表示方法—脚本表示法,例子 -- 关于餐厅的脚本：,表示方法—脚本表示法,一旦脚本被启用，则可以应用它来进行推理。其中最重要的是运用剧本可以预测没有明显提及的事件的发生。 脚本结构，比起框架这样的一些通用结构来，要呆板得多，知识表达的范围也很窄，因此不适用于表达各种知识，但对于表达预先构思好的特定知识，如理解故事情节等，是非常有效的。,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法—过程表示法,前面的几种知识表示方法均是知识和事实的一种静止的表示方法。我们称这类知识表示方式为陈述式表达。它所强调的是事物所涉及的对象是什么，是对事物有关知识的静态描述，是知识的一种显式、说明性知识表达形式。 说明性表示知识给出事物本身的属性及事物之间的相互关系。对问题的解答就隐含在这些知识之中。而过程性知识则给出解决一个问题的具体过程。,表示方法—过程表示法,过程性知识 举例： BR ( Uncle ? y ? z ) GOAL ( Brother ? x y ) GOAL ( Father x z ) INSERT ( Uncle y z ) RETURN 对应的说明性知识 (x)(y) (z)( Brother ( x, y )  Father ( x, z )  Uncle ( y, z ) ),表示方法—过程表示法,说明性知识和过程性知识相比： 说明性知识比较简要、清晰、可靠、便于修改。但往往效率低。 过程性知识比较直截了当，效率高。但由于详细地给出了解决过程，使这种知识表示显得复杂、不直观、容易出错、不便于修改。 实际上，说明性表示和过程性表示实际上没有绝对的分界线。因此，任何说明性知识如果要被实际使用，必须有一个相应的过程去解释执行它。对于一个以使用说明性表示为主的系统来说，这种过程往往是隐含在系统之中，而不是面向用户。,表示方法—过程表示法,知识过程性的两个含义： 含义1：把解决一个问题的过程描述出来。可以称它为解题知识的过程表示。 含义2：把客观事物的发展过程用某种方式表示出来。 在某些情况下，这两种含义是很难决然分开的。如，任何一个解题系统的基本构成都是一个数据集，一组运算符和一个解释程序。过程性知识使用状态来表示，在状态空间运作。,表示方法—过程表示法,过程式表示定义： 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过程。 它所给出的是事物的一些客观规律，表达的是如何求解问题，知识的描述形式就是程序。所有信息均隐含在程序中——效率高、没有固定形式。 如何描述知识完全取决定于具体的问题。,实际上的系统都是陈述与过程观点的结合。陈述之中多少包含了过程方法。,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法,概述 直接表示 逻辑表示 产生式规则表示法 语义网络表示法,框架表示法 脚本方法 过程表示 混合型知识表示方法 面向对象的表示方法,表示方法—混合型知识表示法,上述的知识表示虽各有特点，而且适用的领域也不同。如： 谓词逻辑方法只适用于确定性、陈述性、静态性知识，而对动态的、变化性、模糊性知识则很难表示。 产生式规则方法推理方法太单一，如果前提条件太多，或规则条数太多，则推理的速度将慢得惊人。 框架方法表示的知识横向关系不太明确。（纵向从属继承关系很明确） 语义网络方法表达的知识面比较窄。 对于复杂的、深层次的知识，就很难用一种知识表示来解决问题。,