24、常识推理中的推理与系统化

常识推理中的推理与系统化

1. 不确定性表示与概率方法

在推理过程中，不确定性是一个常见的问题。而概率方法在表示不确定性方面显得更为实用。因为从常识知识得出的结论往往伴随着一定程度的可信度衡量，概率度量能够突出结论的真实性。

2. 推理引擎

2.1 推理引擎的组成

对于想要构建常识推理机器的人来说，一个重要的问题是：常识知识中的推理与其他推理方法有何不同？一般而言，推理引擎围绕两个主要组件运行：一个定义明确的知识库和一个作为知识管理器的算法。知识库通常是经过整理的结构化数据与实时数据的组合。而一个具备常识的系统还必须有第三个组件，即常识知识，它可能与知识库中的对象没有直接关联。

常识知识最基本的形式是关于物理对象、它们的属性、适用于这些对象的物理定律，以及时间和空间对这些对象行为的影响的物质知识。在常识推理中得出结论以及验证结论时，很大程度上依赖于这种知识。分类法在表示这类知识时可能帮助不大，因为其中存在太多动态实体，如活动规则、实时数据和观察结果。

2.2 推理方法

常识推理不能仅依靠单一方法进行推理。单调推理方法并不理想，因为用常识知识库验证得出的结论可能会改变原有的推理过程，并引发二次推理以证实先前结论的真实性。这种推理被称为似真推理，其结果的正确性并不能得到保证。

观察性推理主要用于得出行动结论，而概率推理则必须验证该结论的真实性。虽然可以在常识推理中尝试不同的推理技术，但使用上述两种方法似乎更为现实。

在专家系统领域，有多种推理方法，但并非所有方法都适用于常识推理。目标驱动的方法或反向链推理在常识推理中并不合适，因为结论具有不确定性。同样，