人工智能第二章知识表示

一.概述

知识的定义：把有关信息关联在一起形成的信息结构称为知识。

 

知识的特性：①相对正确性 ②不确定性 ③可表示性 ④可利用性

知识的分类：

 

1.按知识的作用范围划分为常识性知识和领域性知识

2.按知识的作用及表示划分为事实性知识、过程性知识和控制性知识

3.按知识的结构和表现形式划分为逻辑性和形象性知识

4.按知识的确定性划分为确定性知识和不确定性知识

 知识的类型

按知识的性质：概念、命题、公理、定理、规则和方法。

按知识的作用域：

常识性知识：通用通识的知识，人们普遍知道的、适用于所有领域的知识；

领域性知识：面向某个具体专业领域的知识。

按知识的作用效果：

事实性知识：用于描述事物的概念、定义、属性等，或用于描述问题的状态、环境、条件等的知识；

过程性知识：用于问题求解过程的操作、演算和行为的知识，或指出如何使用那些与问题有关的事实性知识的知识；

控制性知识：(元知识或超知识)。是关于如何使用过程性知识的知识。例如：推理策略、搜索策略、不确定性的传播策略。

按知识的确定性：

 

确定性知识：可说明其真值为真或为假的知识；

不确定性知识：包括不精确、模糊、不完备知识。

1.不精确：知识本身有真假，但由于认识水平限制却不能肯定其真假；

表示：用可信度、概率等描述

2.模糊：知识本身的边界就是不清楚的。例如：大，小等；

表示：用可能性、隶属度来描述

3.不完备：解决问题时不具备解决该问题的全部知识。例如：医生看病。

知识表示

对知识的一种描述；

一种计算机可以接受的用于描述知识的数据结构；

表示方法不唯一；是人工智能的核心。

知识表示的要求

表示能力：能否正确、有效地表示问题。包括：

表达范围的广泛性

领域知识表示的高效性

对非确定性知识表示的支持程度

可利用性：可利用这些知识进行有效推理。包括：

对推理的适应性：推理是根据已知事实利用知识导出结果的过程

对高效算法的支持程度：知识表示要有较高的处理效率

可实现性：要便于计算机直接对其进行处理

可组织性：可以按某种方式把知识组织成某种知识结构

可维护性：便于对知识的增、删、改等操作

自然性： 符合人们的日常习惯

知识表示存在的问题

人是如何表示知识，存储知识的仍然是个迷；

目前用计算机来进行知识处理面临三大难题：

1. “Clear-Cut”问题：主要处理可形式化的边界清晰问题；

2. 知识获取瓶颈：很难把现实中的知识转化为计算机可理解的知识；

3. 知识窄台阶：多为专家系统知识，缺乏常识性知识。

二谓词逻辑表示法

 一阶谓词逻辑表示法：以数理逻辑为基础，是到目前为止能够表达人类思维活动规律的一种最精准形式语言。

一阶谓词逻辑表示法优点：①自然性 ②精确性 ③严密性 ④容易实现

一阶谓词逻辑表示法局限性：①不能表示不确定的知识 ②组合爆炸 ③效率低

 四、框架表示法

定义：一个框架由若干个被称为“槽”的结构组成的，每个槽又可根据实际情况划分为若干个“侧面”。一个槽用于描述所论对象某一方面的属性。一个侧面用于描述相应属性的一个方面。槽和侧面所具有的属性值分别别称为槽值和侧面值。

特点：①结构性 ②继承性性 ③自然性

 

 

五、语义网络表示法

语义网络是带标识的有向图。其中，带有标识的结点表示问题领域中的物体、概念、事件、动作或者态势。结点之间带有标识的有向弧表示结点之间的语义联系。

比较典型的语义联系：

1.以个体为中心组织知识的语义联系，包括实例联系、泛化联系、聚集联系、属性联系

2.以谓词或关系为中心组织知识的语义联系

用途：可以表示谓词公式中析取、合取、否定、蕴含以及存在量词、全称量词等关系。

六.知识图谱表示方法

 RDF

RDF是最常用的符号语义表示模型。 RDF的基本模型是有向标记图 （Directed Labeled Graph） 。图中的每一条边对应于一个三元组（Subject-主语,Predicate-谓语,Object-宾语） 。 一个三元组对于一个逻辑表达式或关于世界的陈述 （Statement

RDFS

RDF 提供了描述客观世界事实的基本框架，但缺少类、属性等 Schema 层的定义手段。RDFS（RDF Schema）主要用于定义术语集、类集合和属性集合，主要包括如下元语： Class, subClassOf, type, Property, subPropertyOf, Domain, Range等。基于这些简单的表达构件可以构建最基本的类层次体系和属性体系。

OWL

OWL 主要在 RDFS 基础之上扩展了表示类和属性约束的表示能力，这使得可以构建更为复杂而完备的本体。

基于向量的知识图谱表示学习模型

依据知识图谱嵌入表示模型建模原理将基于向量的知识表示模型划分为翻译模型、组合模型、神经网络模型。翻译模型的灵感来自 word2vec 中词汇关系的平移不变性，典型的方法包括基于向量的三角形法则和范数原理的 TransE 模型， 通过超平面转化或线性变换处理多元关系的TransH、 TransR和TransD模型，通过增加一个稀疏度参数向量解决异构多元关系的 TranSparse 模型等。

组合模型采用的是向量的线性组合和点积原理， 典型特征是将实体建模为列向量、关系建模为矩阵，然后通过头实体向量与关系矩阵的线性组合，再与尾实体进行点积来计算打分函数。 经典成员包括采用普通矩阵的 RESCAL、 采用低秩矩阵的 LFM、 采用对角矩阵的 DistMult 和采用循环矩阵的 HolE。 神经网络模型采用神经网络拟合三元组，典型模型包括采用单层线性或双线性网络的 SME、采用单层非线性网络的 SLM、NTN 和 MLP，以及采用多层网络结构的 NAM 。