语义网络表示法:从1968年论文到现代AI应用的演变

语义网络表示法:从1968年论文到现代AI应用的演变历程 本文追溯了语义网络表示法从1968年心理学论文到现代AI应用的演变历程。最初由Ross Quillian提出的语义网络,如今已成为人工智能领域的核心技术之一,广泛应用于知识图谱、智能推荐和医疗诊断等领域。文章详细介绍了语义网络的形式化发展、互联网时代的转型以及与深度学习的融合,展现了其在现代AI系统中的重要地位。 阅读详情

语义网络:从心理学模型到现代AI的认知桥梁

记得几年前,我在一个知识图谱项目的初期,团队里一位资深工程师在白板上画了一个简单的图:几个圆圈,用箭头连接,标注着“属于”、“具有”、“位于”这样的关系。他指着那个图说:“这就是我们系统的‘大脑’——一个非常古老的想法的现代版本。” 他说的那个“古老的想法”,正是1968年由奎廉(M. Ross Quillian)在其博士论文中首次系统阐述的语义网络。当时我们大多数人只熟悉最新的深度学习框架,对这个看似基础的图形化表示法不以为意。然而,随着项目深入,我逐渐意识到,这个诞生于半个多世纪前的思想,并非历史的尘埃,而是贯穿人工智能发展的一条坚韧脉络,它塑造了我们今天处理语言、知识和推理的根本方式。对于任何希望理解AI如何“思考”,而不仅仅是“计算”的技术爱好者、研究者或学生而言,梳理这条脉络至关重要。它关乎AI如何从处理符号,到理解意义,再到构建真正的认知。

本文将从这段被忽视的“前深度学习”时代讲起,追溯语义网络如何从一个认知心理学模型,演变为知识表示的核心范式,并最终融入现代AI的血液,成为大语言模型“常识”背后不可或缺的骨架。我们将避开枯燥的理论复述,聚焦于其思想内核的演变关键点、克服的核心挑战,以及在现代系统(如搜索引擎、推荐系统、智能助手)中那些“看不见却至关重要”的实际应用案例。你会发现,最强大的技术,往往源于最朴素而深刻的人类思维模拟。

1. 起源:1968年的心理学灵感与最初的蓝图

要理解语义网络为何重要,必须回到它的起点——一个并非纯粹为计算机科学而生的地方。1968年,奎廉在博士论文《人类联想记忆的一个显示心理学模型》中,目标并非设计一个算法,而是解释人类大脑如何存储和关联概念。他的核心洞察是:我们的知识不是孤立的词汇表,而是一张巨大的、相互连接的网。想到“苹果”,你的大脑不会只激活这一个词,而是会瞬间关联到“红色”(可能)、“水果”、“甜”、“牛顿”、“公司”等一系列节点。这种联想记忆模型,是语义网络最原初的驱动力。

奎廉最初的语义网络结构相当直观,却蕴含着革命性的思想:

  • 节点代表概念或对象:如“鸟”、“翅膀”、“飞翔”。
  • 带标签的边(弧)代表语义关系:如“具有”、“是一种”、“可以”。这就构成了一个带标识的有向图。

这种表示法的魅力在于其自然性。它用一种近乎图示化的方式,将我们对世界的认知片段直接编码出来。例如,用简单的网络就能表达“知更鸟是一种鸟,鸟有翅膀,能飞翔”这一系列知识。这与当时主流的、基于逻辑谓词(如IsA(robin, bird))的表示法相比,更贴近人类的思维模式,也天然支持了属性的继承推理(知更鸟继承鸟的所有属性,如“有翅膀”)。

然而,这颗种子在当时的计算土壤中发芽,立刻遇到了严峻挑战:

  1. 形式化与非严格性:作为心理学模型,它强调联想,但缺乏严格的数学或逻辑基础。关系“是一种”到底意味着什么?继承属性时遇到冲突怎么办?(比如,“鸵鸟是一种鸟,但鸵鸟不能飞”)这种模糊性使得基于它的自动推理异常困难。
  2. 计算复杂性:在大规模网络上进行高效的匹配、搜索和推理,需要复杂的图算法支持,而60年代末的计算能力对此望尘莫及。

注意:奎廉的工作价值不在于提供了一个即用的工程解决方案,而在于指明了方向——人工智能的知识表示应当模拟人类认知的关联结构。这个方向,影响了之后数十年的研究。

人工智能——语义网络表示法 1968年奎廉提出的博士论文《人类联想记忆的一个显示心理学模型》中最先提出来的。来表达知识的一种网络图(“带标识的有向图”(图论))。2) 语义网络表示事实之间的关系。图2合取、析取关系语义网络示例。图3动作作为节点的语义网络示例。图4事件作为节点的语义网络示例。图1用语义网络表示事实示例。表2 语义网络表示法的特点。1) 用语义网络表示事实。图8 时间、位置关系示例。事物之间的相似和接近关系。1) 语义网络系统的组成。事件之间的时间先后关系。个体与集体之间的关系。表1 常用的语义联系。 阅读详情

相关推荐

知识表示方法之四:语义网络表示法(Semantic Network Representation)

表示这些实体之间的各种语义联系,指明它连接的节点间的某种语义关系,节点和弧都必须带有标识(标签),以便区分各种不同的对象以及对象间各种不同的语义联系,每个节点可以带有若干属性,一般用框架或元组标识,标签(Label)进一步明确关系的类型。节点表示事务、概念、情况、属性、动作、状态、对象或实体,有向边表示这些实体之间的关系(语义联系),边上的标签(Label)进一步明确关系的类型。尽管面临知识动态性、推理效率等挑战,但。句子“苹果发布了新款手机”中,“苹果”通过语义网络关联到“公司”而非“水果”。

搏博的专栏 1874

从心理学到AI:语义网络的起源与现代应用全解析

本文深入解析了语义网络从心理学概念到人工智能核心技术的演进历程。从罗斯·奎廉的心理学模型到现代知识图谱和语义搜索系统,语义网络已成为支撑AI应用的关键基础设施。文章详细介绍了其在医疗健康、金融风控等领域的实践案例,并探讨了神经符号系统等前沿发展方向。

weixin_28684497的博客 390

知识图谱的起源与发展

知识图谱(Knowledge Graph)以结构化的形式描述客观世界中概念、实体及其关系,将互联网的信息表达成更接近人类认知世界的形式,提供了一种更好地组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活力,同时也在智能问答中显示出强大威力,已经成为互联网知识驱动的智能应用的基础设施。知识图谱与大数据和深度学习一起,成为推动互联网和人工智能发展的核心驱动力之一。

weixin_43961909的博客 5360

【知识图谱 Knowledge Graph】从它的起源看未来的研究方向。知识图谱——科普篇

【知识图谱 Knowledge Graph】从它的起源看未来的研究方向。知识图谱——科普篇

追光者♂:记录、分享、总结、提升,现象级专栏《Python从入门到人工智能》作者,无惧黑暗,坚信曙光 1061

39、知识表示:原理、发展与应用

本文全面探讨了知识表示在人工智能领域的发展历程、核心概念与关键技术,涵盖从古代分类体系到现代本体项目(如OPENCYC、DBPEDIA、SUMO)的演进。文章深入分析了语义网络、描述逻辑、非单调推理与真值维护系统的理论基础,并介绍了时间、物质与心理对象的表示方法。同时,探讨了定性物理学、空间推理和心理推理等未充分研究的领域,总结了知识表示在专家系统、教育、设计和地理信息等领域的应用案例。最后,文章展望了未来趋势,包括神经网络与逻辑语义融合、大规模本体建设、跨领域拓展与动态知识处理,为知识表示的进一步发展提供

rust6ferris的博客 65

光学仿真案例(4) 基于纳米微粒激发平面波的米氏散射FDTD仿真模拟

本案例展示了一个基于纳米粒子激发平面波的米氏散射仿真模型(mie scattering),计算其散射和吸收截面、局域场增强和远场散射分布,同时将截面和远场结果与解析解进行了比较,验证了仿真模拟的准确性。

q895235273的博客 3593

小案例:利用图床自动化批量上传图片并获取图片链接

用python爬虫写了一个小脚本,用来自动上传图片到图床,然后返回链接,我们只需直接复制链接就可以。(需要安装Requests库) 因为不同图床需要提交的POST表单不一致,所以在这里我用ImgURL图床做示范,如果大家有需求,可自行修改代码。使用脚本的时候,我们只需把需要上传的图片和这个脚本放在同一个文件夹中,然后运行脚本,稍作等待,看到提示时就可以在脚本运行文件夹中发现一个名为“图片链接地址.txt”的文件,里面就是图片链接啦! 四、图片链接地址.txt(单张图片):...

采菊东篱下,Python满乾坤! 4416

R以及Rstudio超详细安装教程(包括安装过程中出现的问题)

R安装及Rstudio安装,以及安装中出现的问题

2301_76908257的博客 1万+

微信小程序消息推送全攻略:从模板消息到订阅消息的实战避坑指南

本文深入解析微信小程序消息推送机制,对比模板消息、订阅消息与客服消息的核心差异与适用场景。重点提供订阅消息从用户授权设计、前端代码实现到后端稳定发送的完整实战指南,并分享提升消息点击率的文案与运营技巧,帮助开发者构建高效、用户友好的消息推送体系。

b3n4m5q6w7的博客 340

基于STM32与OV7670的嵌入式视频监控系统设计与实现

本文详细介绍了基于STM32单片机与OV7670摄像头的嵌入式视频监控系统设计与实现。从硬件选型、电路设计到软件开发,涵盖了摄像头驱动、TFT显示优化及图像处理等关键技术,提供了实用的调试技巧和性能优化方案,为低成本、高效率的视频监控系统开发提供完整解决方案。

desk3的博客 805

【YoloV8改进策略】上采样改进|EUCB,轻量高效的上采样模块|即插即用

YOLOv8作为当前最先进的实时目标检测与实例分割模型之一,其在速度与精度之间取得了出色的平衡。然而,在资源受限的边缘设备或对实时性要求极高的应用场景中,YOLOv8的计算开销,尤其是在特征金字塔网络(FPN)和路径聚合网络(PAN)中用于特征融合的上采样操作,仍然是一个瓶颈。YOLOv8的颈部(Neck)结构中广泛使用nn.Upsample进行上采样,该操作虽然简单,但缺乏对特征内容的感知能力,且后续通常需要标准卷积来修复因插值带来的伪影,这增加了不必要的计算负担。

m0_47867638的博客 757

大数据利器Hadoop:从基础到实战,一篇文章掌握大数据处理精髓!

在当今大数据时代,数据量的爆炸式增长对企业和技术提出了前所未有的挑战。如何高效地存储、处理和分析这些庞大的数据集,成为了亟待解决的问题。Hadoop作为一种分布式计算框架,应运而生,为大数据处理提供了有效的解决方案。Hadoop是一个由Apache软件基金会维护的开源项目,它基于Google的分布式文件系统(Google File System,GFS)和MapReduce计算模型设计。Hadoop的主要目标是处理大规模数据集,它可以在普通硬件集群上运行,从而降低了大数据处理的成本。

邓邓子的博客 8289

回归预测 | MATLAB实现MPR多元多项式回归

回归预测 | MATLAB实现MPR多元多项式回归

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 1645

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: Axure表格交互设计避坑指南:中继器新增数据的常见问题与解决方案
下一篇: 如何用隐空间扩散模型(LDM)在低显存设备上生成高质量图像?
linux6sysadmin
博客等级 码龄4年 59粉丝 1615原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值