人工智能第二章知识表示
一.概述
知識的定義:把有關信息關聯在一起形成的信息結構稱為知識。
?
知識的特性:①相對正確性 ②不確定性 ③可表示性 ④可利用性
知識的分類:
?
1.按知識的作用范圍劃分為常識性知識和領域性知識
2.按知識的作用及表示劃分為事實性知識、過程性知識和控制性知識
3.按知識的結構和表現形式劃分為邏輯性和形象性知識
4.按知識的確定性劃分為確定性知識和不確定性知識
?知識的類型
按知識的性質:概念、命題、公理、定理、規則和方法。
按知識的作用域:
常識性知識:通用通識的知識,人們普遍知道的、適用于所有領域的知識;
領域性知識:面向某個具體專業領域的知識。
按知識的作用效果:
事實性知識:用于描述事物的概念、定義、屬性等,或用于描述問題的狀態、環境、條件等的知識;
過程性知識:用于問題求解過程的操作、演算和行為的知識,或指出如何使用那些與問題有關的事實性知識的知識;
控制性知識:(元知識或超知識)。是關于如何使用過程性知識的知識。例如:推理策略、搜索策略、不確定性的傳播策略。
按知識的確定性:
?
確定性知識:可說明其真值為真或為假的知識;
不確定性知識:包括不精確、模糊、不完備知識。
1.不精確:知識本身有真假,但由于認識水平限制卻不能肯定其真假;
表示:用可信度、概率等描述
2.模糊:知識本身的邊界就是不清楚的。例如:大,小等;
表示:用可能性、隸屬度來描述
3.不完備:解決問題時不具備解決該問題的全部知識。例如:醫生看病。
知識表示
對知識的一種描述;
一種計算機可以接受的用于描述知識的數據結構;
表示方法不唯一;是人工智能的核心。
知識表示的要求
表示能力:能否正確、有效地表示問題。包括:
表達范圍的廣泛性
領域知識表示的高效性
對非確定性知識表示的支持程度
可利用性:可利用這些知識進行有效推理。包括:
對推理的適應性:推理是根據已知事實利用知識導出結果的過程
對高效算法的支持程度:知識表示要有較高的處理效率
可實現性:要便于計算機直接對其進行處理
可組織性:可以按某種方式把知識組織成某種知識結構
可維護性:便于對知識的增、刪、改等操作
自然性: 符合人們的日常習慣
知識表示存在的問題
人是如何表示知識,存儲知識的仍然是個迷;
目前用計算機來進行知識處理面臨三大難題:
1. “Clear-Cut”問題:主要處理可形式化的邊界清晰問題;
2. 知識獲取瓶頸:很難把現實中的知識轉化為計算機可理解的知識;
3. 知識窄臺階:多為專家系統知識,缺乏常識性知識。
二謂詞邏輯表示法
?一階謂詞邏輯表示法:以數理邏輯為基礎,是到目前為止能夠表達人類思維活動規律的一種最精準形式語言。
一階謂詞邏輯表示法優點:①自然性 ②精確性 ③嚴密性 ④容易實現
一階謂詞邏輯表示法局限性:①不能表示不確定的知識 ②組合爆炸 ③效率低
?四、框架表示法
定義:一個框架由若干個被稱為“槽”的結構組成的,每個槽又可根據實際情況劃分為若干個“側面”。一個槽用于描述所論對象某一方面的屬性。一個側面用于描述相應屬性的一個方面。槽和側面所具有的屬性值分別別稱為槽值和側面值。
特點:①結構性 ②繼承性性 ③自然性
?
?
五、語義網絡表示法
語義網絡是帶標識的有向圖。其中,帶有標識的結點表示問題領域中的物體、概念、事件、動作或者態勢。結點之間帶有標識的有向弧表示結點之間的語義聯系。
比較典型的語義聯系:
1.以個體為中心組織知識的語義聯系,包括實例聯系、泛化聯系、聚集聯系、屬性聯系
2.以謂詞或關系為中心組織知識的語義聯系
用途:可以表示謂詞公式中析取、合取、否定、蘊含以及存在量詞、全稱量詞等關系。
六.知識圖譜表示方法
?RDF
RDF是最常用的符號語義表示模型。 RDF的基本模型是有向標記圖 (Directed Labeled Graph) 。圖中的每一條邊對應于一個三元組(Subject-主語,Predicate-謂語,Object-賓語) 。 一個三元組對于一個邏輯表達式或關于世界的陳述 (Statement
RDFS
RDF 提供了描述客觀世界事實的基本框架,但缺少類、屬性等 Schema 層的定義手段。RDFS(RDF Schema)主要用于定義術語集、類集合和屬性集合,主要包括如下元語: Class, subClassOf, type, Property, subPropertyOf, Domain, Range等。基于這些簡單的表達構件可以構建最基本的類層次體系和屬性體系。
OWL
OWL 主要在 RDFS 基礎之上擴展了表示類和屬性約束的表示能力,這使得可以構建更為復雜而完備的本體。
基于向量的知識圖譜表示學習模型
依據知識圖譜嵌入表示模型建模原理將基于向量的知識表示模型劃分為翻譯模型、組合模型、神經網絡模型。翻譯模型的靈感來自 word2vec 中詞匯關系的平移不變性,典型的方法包括基于向量的三角形法則和范數原理的 TransE 模型, 通過超平面轉化或線性變換處理多元關系的TransH、 TransR和TransD模型,通過增加一個稀疏度參數向量解決異構多元關系的 TranSparse 模型等。
組合模型采用的是向量的線性組合和點積原理, 典型特征是將實體建模為列向量、關系建模為矩陣,然后通過頭實體向量與關系矩陣的線性組合,再與尾實體進行點積來計算打分函數。 經典成員包括采用普通矩陣的 RESCAL、 采用低秩矩陣的 LFM、 采用對角矩陣的 DistMult 和采用循環矩陣的 HolE。 神經網絡模型采用神經網絡擬合三元組,典型模型包括采用單層線性或雙線性網絡的 SME、采用單層非線性網絡的 SLM、NTN 和 MLP,以及采用多層網絡結構的 NAM 。
?
總結
以上是生活随笔為你收集整理的人工智能第二章知识表示的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 工厂模式实现多种数据库连接
- 下一篇: nodejs+mp2+mbtiles+实