26、规则推理与自然语言推理的深入探索

规则推理与自然语言推理的深入探索

1. 规则推理的统计模型

在推理过程中，归纳任务可能在计算上具有挑战性，因此可能需要将编程规则集成到推理流程中。通常，会在学习规则阶段之前的某个特定阶段应用这些编程规则。

可以证明，分多个阶段应用规则是有益的。这一结论的成立无需依赖任何统计、计算或表示方面的假设，并且与规则是通过学习获得还是编程设定无关。

当在概率分布 (D) 和感知过程 (sense) 下，对于目标属性集 (A_t \subseteq A)，若对于每个 ((1 - \varepsilon)) 可靠且 ((1 - \omega)) 完备的知识库（KB），都存在一个 ((1 - \varepsilon’)) 可靠且 ((1 - \omega’)) 完备的单阶段知识库，使得 (\varepsilon’ + \omega’ \leq \varepsilon + \omega)，则称推理会“坍塌”。也就是说，如果能够找到一个知识库，在可靠性和完备性方面严格优于所有并行应用规则的知识库，那么推理就不会出现问题。例如，分两个阶段链接以下两条规则的知识库就具有这样的特性：
- 第一阶段规则：(中午时间) ≡ 抗生素注射
- 第一层级规则：(抗生素注射且体温 > 37.5) ≡ 抗生素注射且阿司匹林

对于规则 ((\phi) \equiv x_t) 以及在 (T) 中被屏蔽的属性 (x_i)，若改变 (x_i) 的值为 0 或 1 会使规则做出不同的 ({0, 1}) 预测，则称 (x_i) 对于规则 ((\phi) \equiv x_t) 相对于 (T) 是关键的。由此可得唯一关键属性定理：对于任何规则 ((\phi) \equiv x_i) 相对于任何