《人工智能导论》第三章 知识表示

本文是中国人工智能学会编著的《人工智能导论（面向非计算机专业）》第三章的摘要与笔记，仅供个人学习之用。其它章节请访问下列相应 URL。
第一章 绪论
第二章 概念表示
第三章 知识表示（本章）

---

---

第三章

  人类的智能活动主要是获得并运用知识。知识是智能的基础。为了使计算机具有智能，能模拟人类的智能行为，就必须使它具有知识。但人类的知识需要用适当的模式表示出来，才能存储到计算机中并能够被运用。因此，知识的表示称为人工智能中一个十分重要的研究课题。

3.1 知识与知识表示的概念

3.1.1 知识的概念

  知识是人们在长期的生活及社会实践中、在科学研究及实验中积累起来的对客观世界的认识与经验。人们把实践中获得的信息关联在一起，就形成了知识。一般来说，把有关信息关联在一起所形成的信息结构称为知识。（知识是一种信息结构。作为一种结构，很容易联想到能否用某种数据结构来表示知识。这个问题在以下“知识表示”部分探讨）
  信息之间有多种关联形式，其中用得最多的是一种用“如果……，则……”表示的关联形式。在人工智能中，这种知识被称为“规则”，它反映了信息之间的某种因果关系。

  例如，我国北方的人们经过多年的观察发现，每当冬天即将来临，就会看到一批批的大雁向南方飞去，于是把“大雁向南飞”与“冬天就要来临了”这两个信息关联在一起，得到了如下知识：如果大雁向南飞，则冬天就要来临了。
  又如，“雪是白色的”也是一条知识，它反映了“雪”与“白色”之间的一种关系。在人工智能中，这种知识被称为“事实”。

3.1.2 知识的特性

1. 相对正确性

  知识是人类对客观世界认识的结晶，并且受到长期实践的检验。因此，在一定的条件及环境下，知识是正确的。*这里，“一定的条件及环境”是必不可少的，它是知识正确性的前提。因为任何知识都是在一定的条件及环境下产生的，因而也就只有在这种条件及环境下才是正确的。*知识的这一特性称为相对正确性。

  例如，1+1=2，这是一条妇孺皆知的正确知识，但它也只是在十进制的前提下才是正确的；如果是二进制，它就不正确了。

  在人工智能中，知识的相对正确性更加突出。除了人类知识本身的相对正确性外，在建造专家系统时，为了减少知识库的规模，通常将知识限制在所求解问题的范围内。也就是说，只要这些知识对所求解的问题是正确的就行。

  例如，在后面介绍的动物识别系统中，因为仅仅识别虎、金钱豹、斑马、长颈鹿、企鹅、鸵鸟、信天翁七种动物，所以知识“IF 该动物是鸟 AND 善飞，则该动物是信天翁”就是正确的。

2. 不确定性

  由于现实世界的复杂性，信息可能是精确的，也可能是不精确的、模糊的；关联可能是确定的，也可能是不确定的。这就使知识并不总是只有“真”与“假”两种状态，而是在“真”与“假”之间存在许多中间状态，即存在为“真”的程度问题。知识的这一特性称为不确定性。

  造成知识具有不确定性的原因是多方面的，主要有：

  ①由随机性引起的不确定性。 由随机事件所形成的知识不能简单地用“真”或“假”来刻画，它是不确定的。

  例如，“如果头痛且流涕，则有可能患了感冒”这条知识，虽然大部分情况是患了感冒，但有时候具有“头痛且流涕”的人不一定都是“患了感冒”。其中的“有可能”实际上就是反映了“头痛且流涕”与“患了感冒”之间的一种不确定的因果关系。因此，它是一条具有不确定性的知识。

  ②由模糊性引起的不确定性。 由于某些事物客观上存在的模糊性，使得人们无法把两个类似的事物严格区分开来，不能明确地判定一个对象是否符合一个模糊概念；又由于某些事物之间存在着模糊关系，使得我们不能准确地判定它们之间地关系究竟是“真”还是“假”。像这样由模糊概念、模糊关系所形成的知识显然是不确定的。

  例如，“如果张三长得很帅，那么他一定很受欢迎”，这里的“长得很帅”“很受欢迎”都是模糊的。

  ③由经验引起的不确定性。 人们对客观世界的认识是逐步提高的，只有在积累了大量的感性认识后才能升华到理性认识的高度，形成某种知识。因此，知识有一个逐步完善的过程。在此过程中，或者由于客观事物表露得不够充分，致使人们对它的认识不够全面；或者对充分表露的事物一时抓不住本质，使人们对它的认识不够准确。这种认识上的不完全、不准确必然导致相应的知识是不准确的、不确定的。不完全性是使知识具有不确定性的一个重要原因。

3. 可表示性与可利用性

  知识的可表示性是指知识可以用适当的形式表示出来，如用语言、文字、图形、神经网络等，这样才能被存储、传播。知识的可利用性是指知识可以被利用。这是不言而喻的，我们每个人天天都在利用自己掌握的知识来解决各种问题。

3.1.3 知识表示的概念

  知识表示（knowledge representation）就是将人类知识形式化或者模型化。
  知识表示的目的是能够让计算机存贮和运用人类的知识。下面先介绍常用的产生式、框架、状态空间知识表示方法，其他（如神经网络等）几种知识表示方法将在后面章节结合其应用再介绍。

3.2 产生式表示法

  产生式表示法又称产生式规则（production rule）表示法。“产生式”这一术语是由美国数学家波斯特（E.Post）在 1943 年首先提出来的，如今已经被应用于多领域，成为人工智能中应用最多的一种知识表示方法。

3.2.1 产生式

  产生式通常用于表示事实、规则以及它们的不确定性度量，适合于表示事实性知识和规则性知识。

1. 确定性规则的产生式表示
  确定性规则的产生式表示的基本形式是
$$IFPTHENQ$$
  或者
$$P\to Q$$
  其中，$P$ 是产生式的前提，用于指出该产生式是否可用的条件；$Q$ 是一组结论或操作，用于指出当前提 $P$ 所指示的条件满足时，应该得出的结论或者应该执行的操作。整个产生式的含义是：如果前提 $P$ 被满足，则结论 $Q$ 成立或执行所规定的操作。

  例如：$r_4:IF动物会飞AND会下蛋THEN该动物是鸟$
  就是一个产生式。其中 $r_4$ 是该产生式的编号；“动物会飞 AND 会下蛋”是前提 $P$；“该动物是鸟”是结论 $Q$。

2. 不确定性规则的产生式表示
  不确定性规则的产生式表示的基本形式是
$$IFPTHENQ(置信度)$$
  或者
$$P\to Q(置信度)$$

  例如，在专家系统 MYCIN 中有这样一条产生式：
I F     本微生物的染色斑是革兰氏阴性     A N D     本微生物的形状呈杆状     A N D     病人是中间宿主     T H E N     该微生物是绿脓杆菌     ( 0.6 ) IF\ \ \ \ 本微生物的染色斑是革兰氏阴性\ \ \ \ AND\ \ \ \ 本微生物的形状呈杆状\ \ \ \ AND\ \ \ \ 病人是中间宿主\ \ \ \ THEN\ \ \ \ 该微生物是绿脓杆菌\ \ \ \ (0.6)