知识表示方法

知识的特性

相对正确性：所有的知识只在一定的范围内有 效性； 不确定性：现实生活中的信息具有模糊性； 可表示性：可以将知识数据化用于存储和处理； 可利用性：知识是可以利用的；
知识的分类
以知识的作用范围划分：常识性知识和领域性 知识； 以知识的作用及表示来划分：事实性知识；规 则性知识；控制性知识；元知识； 以知识的确定性划分：确定性知识和不确定性 知识； 按照人类的思维及认识方法划分：逻辑性知识 和形象性知识；

一阶谓词逻辑表示举例

谓词比命题更加细致地刻画知识：
– 表达能力强
• 如：北京是个城市， City(x) 把城市这个概念分割出来。把“城市” 与“北京” 两个概念连接在一起，而且说明“北京”是“城市” 的子概念。
– 谓词可以精确的表示逻辑结果
• 如：City(间建立联系：使用联结词，进 而组成公式表示事实性知识和规则性知识：
过程描述
AT(robot,c) EMPTY(robot) GOTO(x,y) TABLE(a) {c/x a/y} TABLE(b) ON(box,a) AT(robot,a) AT(robot,a) EMPTY(robot) PICK_UP(x) TABLE(a) TABLE(a) TABLE(b) {a/x} TABLE(b) HOLDS(robot,box) ON(box,a)
过程描述
AT(monkey,a) GOTO(x,y) EMPTY(monkey) BOX(c) {a/x c/y} AT(banana,b)
GOTO(x,y) {c/x b/y}
AT(monkey,c) PICK_UP(x) AT(monkey,c) EMPTY(monkey) HOLDS(monkey,box) BOX(c) {c/x} AT(banana,b) AT(banana,b) AT(monkey,b) AT(monkey,b) SET_DOWN(x) AT(box,b) HOLDS(monkey,box) EMPTY(monkey) AT(banana,b) {b/x} AT(banana,b) AT(monkey,b) AT(box,b) EMPTY(monkey) ON(monkey,bo x)
AT(robot,c) EMPTY(robot) TABLE(a) TABLE(b) ON(box,b)
书上的例子：梵塔问题
问题中包含的事物：disk(x),pee(p,w)。 两个盘子之间的关系： smaller(x,y),ON(x,y,S)。 盘子是否能够移动：free(x,S)。 盘子移动的合理性：legal(x,y,S)。 移动，改变状态：函词S’=move(x,y,S)。 强调：本例只是说明了推理的思想，本身并不 完备，P23。

知识的分类（续）
实例性知识：只给出一些实例，知识蕴含在实 例中。 类比性知识: 即不给出外延，也不给出内涵， 只给出它与其它事物的某些相似之处 ；如： 比喻、谜语。

使用知识

获取：不是简单的叠加，要与已知的知识进行连接，调整新 老知识之间的关系。 检索：从已知知识到给定问题的匹配。 推理：从已知知识推出新知识的过程。 1 形式推理：从已知知识(事实和规则) 演绎出新知识；数 字逻辑。 2 过程性推理：调用过程模拟方法来求解问题。 3 类比推理：通过类比方法推理，人类重要思维方法,AI难 于实现。 4 概括与抽象：总结的过程，人类容易实现，AI难于完成。 5 元推理：自我意识。
完整的例子
机器人在c处,a,b处各有一张桌子，a
的上面有一个积木，问题：让机器人 从c处出发把积木从a处拿到b处的桌子 上，自己再回到c处。请为机器人制定 行动策略。
问题描述
box a b
c 初始状态如图。机器人在c处，然后机器人直接到达a处。 相应的状态发生变化。
问题描述
box a b
c 机器人在a处，检测到机器人没有负载物体，那么机器人直 接拿起box。同样，相应的状态发生变化。

知识表示综述


一阶谓词逻辑表示 语义网络 产生式系统 框架 面向对象的表示法 脚本表示法 过程表示法

状态空间表示法 与/或图表示法
一阶谓词逻辑表示
一种重要的知识表示方法以数理逻辑为 基础。 表示知识的步骤： 1、定义谓词：确定谓词语义； 2、对每个谓词中的变元赋以待定的值； 3、由谓词、联结词组成公式表示事实性 知识和规则性知识。
逻辑表示
TABLE(x):x是桌子。 EMPTY(y):y手中是空的。 ON(w,x):w在x的上面。 AT(y,z):y在z处。 HOLDS(y,w):y拿着w。 GOTO(x,y):从x走到y。 PICK_UP(x):在x处拾起积木。SET_DOWN(x):在x处放下积木。 初始状态描述： AT(robot,c),EMPTY(robot),TABLE(a),TABLE(b),ON(box,a) 目标状态描述： AT(robot,c),EMPTY(robot),TABLE(a),TABLE(b),ON(box,b)
规则：




GOTO(x,y) 条件：AT(monkey,x) 动作：删除 AT(robot,x)， 增加 AT(robot,y) PICK_UP(x) 条件：AT(monkey,x)∧EMPTY(monkey)∧BOX(x) 动作：删除 EMPTY(monkey),AT(box,x) 增加 HOLDS(monkey,box) SET_DOWN(x) 条件：AT(monkey,x)∧HOLDS(monkey,box) 动作：删除 HOLDS(monkey,box) 增加 EMPTY(robot) AT(box,x) CLIMB(x,y) 条件：AT(monkey,x)∧AT(box,x) 动作：增加 ON(monkey,box)
第二章 知识表示方法
概述
什么是知识 知识的类型
使用知识
几个问题
什么是知识

知识就是人类在长期生活及社会实践、科学研究和现 实实践中认识和经验的总和，在计算机科学中研究的 知识只是现实世界的一部分。 现实世界中的知识是以信息的形式表示的，知识需要 在计算机中以数据的形式进行描述和存储。 数据和信息是密切相关的概念，数据是记录信息的符 号，是信息的载体和表示方法，在特定的条件下，只 有将数据和信息结合才能表示知识。 知识、信息和数据是3个层次的概念。有格式的数据 经过处理、解释过程会形成信息，把相关的信息关联 在一起，经过处理过程形成了知识。知识用信息表达， 信息用数据表达。
知识表示方法
确定性规则知识的产生式表示 if p then Q 非确定性规则知识的产生式表示 if p then q (可信度) 确定性事实性知识的产生式表示 （对象，属性，值） 非确定性事实性知识的产生式表示 （对象，属性，值，可信度）

问题求解方法
计算可用规则，即可用于数据库的规则； 2. 如果无可用规则，失败；否则选取一个可用 规则作用于数据库，产生新结果加入D； 3. 达到目标状态，终止；否则转1； 步骤2中，对于规则的选取的依据就是控制策略， 随机选取是非启发性方法，方法简单，容易 实现，但是效率低下。

一阶谓词逻辑表示举例
一阶谓词逻辑是谓词逻辑中最直观的一种逻辑。 它以谓词形式来表示动作的主体、客体。 如：张三与李四打网球（Zhang and Li play tennis），可写为：play (Zhang, Li, tennis) 这里谓词是play，动词主体是Zhang和 Li，而客 体是tennis。 谓词逻辑规范表达式： P ( x1, x2, x3, …)， 这里P是谓词, xi是主体与客 体。
1.
正向推理
以事实为初始状态，以目标状态为终止状 态，正向运用产生是规则的系统。 正向：将R的条件部分与数据库匹配。

初始状态集合
正向运用产生式规则
目标状态集合
例子
Start:{N%12=0, N%20=0} R:{R1:X%12=0->X%6=0 R2:X%20=0->X%10=0 R3:X%6=0->X%2=0 R4:X%10=0->X%5=0} Target:{N%5=0}

知识表示
知识表示：研究机器表示知识的可行性、有效性的 一般方法，是一种数据结构与控制结构的统一体， 既要考虑存储又要考虑到知识的使用。 陈述性知识表示：主要用来描述事实性知识，将知 识的表示和推理分开处理；优点：简单灵活；缺点： 推理效率低，推理过程不透明，不易理解。 过程性知识表示：主要用来描述规则性知识和控制 结构知识，将知识的表示和推理相结合；优点：推 理过程直接、清晰；缺点：知识重叠，灵活性差知 识库不易更新。
规则：



GOTO(x,y) 条件：AT(robot,x) 动作：删除 AT(robot,x)，增加 AT(robot,y) PICK_UP(x) 条件：AT(robot,x)∧EMPTY(robot)∧TABLE(x)∧ON(box,x) 动作：删除 EMPTY(robot) ON(box,x) 增加 HOLDS(robot,box) SET_DOWN(x) 条件：AT(robot,x)∧HOLDS(robot,box)∧TABLE(x) 动作：删除 HOLDS(robot,box) 增加 EMPTY(robot) ON(box,x)
GOTO(x,y) {a/x b/y}
AT(robot,b) TABLE(a) SET_DOWN(x) TABLE(b) {b/x} HOLDS(robot,box)
AT(robot,b) EMPTY(robot)GOTO(x,y) TABLE(a) {b/x c/y} TABLE(b) ON(box,b)

逻辑表示的特点
优点：类似自然语言，精确性，推理
过程严密，模块化。 不能表示不确定知识，组合爆炸问题， 过程复杂，效率低下。
BOX(x):x处是箱子。 EMPTY(y):y手中是空的。 ON(w,x):w在x的上面。 AT(y,z):y在z处。 HOLDS(y,w):y拿着w。 GOTO(x,y):从x走到y。 PICK_UP(x):在x处抬起箱子。SET_DOWN(x):在x处放下箱子。 CLIMB(x,y):x爬上y。 初始状态描述： AT(monkey,a),EMPTY(monkey),BOX(c),AT(banana,b) 目标状态描述： BOX(b),ON(monkey,b)
一阶谓词逻辑表示举例
– 在不同的知识之间建立联系
• 如：Human(x) → Lawed(x)， 人人都受法律 管制，x是同一个人。 Commit(x) → Punished(x)， x不一定是人也 可以是动物。 而，{[Human(x) → Lawed(x)]→[commit(x) → Punished(x)]}， 意为如果由于某个x是人而受法律管制，则这个 人犯了罪就一定要受到惩罚。
问题描述
box a b
c 机器人在a处，机器人拿着box，现在，机器人可以移动到 b处，同样，相应的状态发生变化。
问题描述
box a b
c 机器人在b处，机器人拿着box，机器人将box放到b处的桌 子上，相应的状态发生变化。
问题描述
box a b
c 机器人在b处，box已经移动到了b处的桌子上了，动作结 束。
CLIMB(x,y) {monkey/x box/y}
基于规则的产生式系统


构成：数据库： 存放于求解问题相关的数据，动态的，D。 规则库： 存放规则，也叫产生式，表达知识，R。 推理机：对规则的选择使用，其结果是造成对 数据库的修改，C。 过程：初始化数据库，可以将初始条件作为初始数据加入D 利用C搜索R,选择能够使用的规则，使用R作用于D, 产生新结果加入D中产生新的数据库。直到到达 目标。
强调三个问题
获取知识不是简单的叠加，系统要让知识与如 何检索和推理中如何使用建立关系。 效率问题：不能证明一个表达方式比另一个表 达方式能更好的获得人类联想记忆的效果。 人工智能问题的求解是以知识表示为基础的。 如何将已获得的有关知识以计算机内部代码形 式加以合理地描述、存储、有效地利用是知识 表示必须解决的问题。