知识库系统的知识表示方法及其在移动学习领域的应用
智能知识库的原理与应用

智能知识库的原理与应用1. 引言随着人工智能和大数据技术的不断发展,智能知识库作为一种强大的知识管理工具,被广泛应用于各个领域。
智能知识库利用自然语言处理、机器学习、数据挖掘等技术,实现对大量结构化和非结构化数据的智能化存储、管理和检索。
本文将介绍智能知识库的原理和应用。
2. 智能知识库的原理智能知识库的原理主要包括三个方面:知识抽取、知识表示和知识推理。
2.1 知识抽取知识抽取是指从文本数据中提取有用的知识信息。
主要涉及实体识别、关系抽取和事件抽取等技术。
通过自然语言处理和机器学习算法,可以自动从大量文本中提取实体(如人物、地点、组织等)、关系(如作者与作品之间的关系)和事件(如新闻报道中的事件)等重要信息。
•实体识别:利用命名实体识别算法,从文本中识别出具有特定含义的实体。
•关系抽取:通过分析文本中的语义关系,如主谓关系、同位关系等方式,抽取出实体之间的关系。
•事件抽取:从文本中提取出具有时间、地点、参与者、动作和结果等要素的事件信息。
2.2 知识表示知识表示是将抽取的知识信息进行结构化表示和存储的过程。
常用的知识表示方式包括图谱、本体和规则库等。
•图谱:基于图论的知识表示方法,将实体、关系和属性等元素构建成节点和边的网络结构,便于对知识的存储和查询。
•本体:采用本体描述语言将抽取的知识进行定义和分类,包括概念、属性和关系等,可用于知识的共享和交流。
•规则库:基于规则的知识表示方法,通过定义一系列规则来描述实体、关系和事件等知识,便于进行推理和逻辑推断。
2.3 知识推理知识推理是对知识库中的知识进行推理和推断的过程,通过逻辑规则和规则库进行推理,以发现隐藏在知识库中的新知识。
•逻辑推理:基于逻辑规则进行推理,通过前提与推理规则进行匹配,得出新的结论。
•推理引擎:利用机器学习技术和统计分析方法,对知识进行推理和预测,以发现隐藏的知识和规律。
3. 智能知识库的应用智能知识库可以应用于多个领域,如智能客服、智能问答、知识图谱等。
人工智能与知识表示、知识库技术

人工智能与知识表示、知识库技术人工智能(AI)是当今世界最引人注目的技术之一,它的发展已经深刻地改变了我们的生活和工作方式。
人工智能的核心在于使计算机系统能够模仿人类的智能行为,其中知识表示和知识库技术起着至关重要的作用。
知识表示是指将现实世界中的知识和信息以一种计算机可以理解和处理的方式进行表达。
在人工智能领域,知识表示是实现智能决策和推理的基础。
人工智能系统需要能够理解和处理大量的信息,并从中获取知识来进行推理和决策。
因此,知识表示技术的发展对于人工智能的进步至关重要。
知识库技术是指将大量的知识和信息进行组织和存储,以便人工智能系统可以方便地获取和利用这些知识。
知识库通常采用图数据库或语义网络等技术进行构建,以便能够表示和存储各种类型的知识,并支持人工智能系统进行知识获取、推理和决策。
人工智能与知识表示、知识库技术的结合使得人工智能系统能够更好地理解和处理复杂的现实世界问题。
通过知识表示和知识库技术,人工智能系统可以从大量的数据中获取知识,并进行推理和决策,从而实现更加智能化的行为。
这种技术的应用已经在许多领域得到了广泛的应用,包括自然语言处理、智能搜索、智能推荐系统等。
然而,人工智能与知识表示、知识库技术也面临着一些挑战。
其中之一是如何将不同来源和形式的知识进行有效地整合和表示。
另外,如何将知识表示和知识库技术与其他人工智能技术结合,以实现更加智能化的系统也是一个重要的问题。
总的来说,人工智能与知识表示、知识库技术的结合为人工智能系统的发展提供了重要的支持。
随着这些技术的不断发展,人工智能系统将能够更好地理解和处理现实世界中的复杂问题,从而为人类社会的发展带来更多的机遇和挑战。
知识的表示方法

知识的表示方法
王泽阳
【期刊名称】《价值工程》
【年(卷),期】2010(029)032
【摘要】在人工智能研究的背景下,本为先对知识进行了解释,后简单论述了一些当前的知识的表示方法.
【总页数】1页(P311)
【作者】王泽阳
【作者单位】北京科技大学信息工程学院,北京100083
【正文语种】中文
【中图分类】C94
【相关文献】
1.知识线索树——智能教学系统中知识关系的表示方法 [J], 何福男;伊雯雯
2.基于多知识源的语义搭配知识获取及表示方法 [J], 王璐;张仰森;吴林
3.一种获取渔场知识的数据挖掘模型及知识表示方法研究 [J], 袁红春;汤鸿益;陈新军
4.知识库系统的知识表示方法及其在移动学习领域的应用 [J], 曲佳;王建华
5.融合知识表示和深度强化学习的知识推理方法 [J], 宋浩楠;赵刚;王兴芬
因版权原因,仅展示原文概要,查看原文内容请购买。
知识管理中的知识表示与存储技术研究

知识管理中的知识表示与存储技术研究1. 引言知识管理是指组织或个人对知识的获取、表达、共享、传递和应用的过程。
在知识管理中,知识的表示与存储技术起着至关重要的作用。
本文将研究知识表示与存储技术在知识管理中的应用与发展。
2. 知识表示的基本原理知识表示是将知识转换为计算机可处理的形式。
常用的知识表示方法包括本体论、语义网络、框架表示法等。
本体论通过定义概念、属性和关系来描述知识,语义网络则利用节点和边表示概念和关系,框架表示法使用事实和规则的集合来描述知识。
这些方法在知识管理中可以用于知识的分类、检索和推理。
3. 知识存储的技术知识存储是将知识保存在计算机系统中。
常用的知识存储技术包括数据库、文档管理系统和半结构化数据库等。
数据库使用表格和关系模型来存储和管理结构化数据,文档管理系统则将非结构化的文本数据进行索引和存储。
半结构化数据库则可以存储和管理既有结构化数据又有非结构化数据的知识。
4. 知识标记的技术知识标记是指为知识添加标签和元数据以便于其在知识管理系统中的处理和应用。
常用的知识标记技术包括标注语言、标签系统和元数据标准等。
标注语言可以用于对文本进行标记和注释,标签系统则可以为知识添加标签和关键词,元数据标准则用于定义和描述知识的属性和特征。
5. 知识表示与存储技术的应用知识表示与存储技术在知识管理中有着广泛的应用。
首先,它们可以用于知识的存储和组织。
通过合理的知识表示和存储技术,可以将不同来源和形式的知识整合在一起,形成一个统一且易于管理的知识库。
其次,它们可以用于知识的检索和搜索。
通过对知识进行标记和分类,可以提高知识的检索效率和准确性。
此外,知识表示与存储技术还可以用于知识的共享与交流,通过将知识以统一的格式保存在知识管理系统中,可以方便各种角色的用户进行知识的共享和交流。
6. 知识表示与存储技术的发展趋势随着信息技术的不断发展,知识表示与存储技术也在不断进化和演变。
首先,知识表示与存储技术将更加注重语义化和自动化。
知识图谱的表示学习方法综述

知识图谱的表示学习方法综述知识图谱是一种以语义关系为基础的知识表达方式,逐渐成为知识表示、检索和推理的重要工具。
为了有效地构建和利用知识图谱,研究者们提出了各种表示学习方法。
本文将综述知识图谱的表示学习方法,包括传统的基于规则的方法和近年来兴起的基于神经网络的方法。
一、基于规则的知识图谱表示学习方法基于规则的知识图谱表示学习方法主要通过定义和应用一系列规则来进行知识表达和推理。
这些规则通常包括三元组的逻辑关系以及运用逻辑和数学推理法则得到的推理规则。
该方法的优势在于可以通过人工定义的规则对知识进行精确的表示和推理,但是也存在着面临知识更新困难和规模扩展困难等问题。
二、基于神经网络的知识图谱表示学习方法基于神经网络的知识图谱表示学习方法主要利用神经网络模型对知识图谱进行表示和学习。
常见的神经网络模型包括图卷积网络(Graph Convolutional Networks,GCN)、知识图谱嵌入模型(Knowledge Graph Embedding,KGE)等。
这些方法通过将知识图谱中每个实体和关系映射到低维连续向量空间中,从而实现对知识的表示和推理。
1. 图卷积网络(GCN)图卷积网络是一种基于图结构的前馈神经网络模型。
它通过在图上定义卷积操作,将每个节点的特征与其邻居节点的特征进行聚合,从而实现对图结构的表示学习。
这种方法在知识图谱表示学习中被广泛应用,可以通过学习到的节点向量表达实体和关系之间的语义关系。
2. 知识图谱嵌入模型(KGE)知识图谱嵌入模型是一种将知识图谱中的实体和关系映射到低维向量空间的方法。
常见的知识图谱嵌入模型包括TransE、TransH、TransR等。
这些模型通过定义实体和关系之间的关系约束,学习得到实体和关系的低维表示,从而实现对知识的表示和推理。
三、知识图谱表示学习方法的应用知识图谱的表示学习方法在各个领域都有广泛的应用。
在自然语言处理领域,通过将文本和知识图谱结合,可以实现更加准确的实体链接和关系抽取。
知识库 模型 运用

知识库模型运用知识库模型是一种基于人工智能技术构建的知识储备系统,可以用于存储、管理和检索大量的知识和信息。
它通过将知识以结构化的形式存储在数据库中,并利用自然语言处理和机器学习技术进行信息的搜索和提取,为用户提供准确、丰富的知识服务。
知识库模型的应用非常广泛,可以用于各种领域的知识管理和智能问答系统。
在企业中,知识库模型可以用于整理和存储公司内部的知识资料,包括产品信息、操作手册、技术文档等,员工可以通过查询知识库获取所需的信息,提高工作效率和准确性。
在客户服务领域,知识库模型可以用于构建智能问答系统,帮助客户解决问题和提供相关的信息和建议。
知识库模型的核心是知识表示和检索技术。
知识表示是将知识转化为计算机可以理解和处理的形式,通常采用图谱、本体等方式进行表示。
知识检索则是根据用户的查询,从知识库中获取相关的知识和信息。
为了提高检索的准确性和效率,知识库模型通常会结合自然语言处理和机器学习技术,利用语义分析、关键词匹配等方法进行信息的提取和匹配。
在知识库模型中,知识的组织和分类也非常重要。
知识库可以通过多层次的分类体系将知识进行组织,使得用户可以更加方便地浏览和检索相关的知识。
同时,知识库还可以利用标签、关键词等方式对知识进行标注,提供更加精细化的检索和推荐服务。
除了存储和检索知识,知识库模型还可以进行知识的更新和维护。
随着时间的推移,知识库中的知识会不断更新和演化,需要及时进行维护和更新。
知识库模型可以通过监控和分析用户的查询和反馈信息,自动更新和完善知识库中的知识内容,保证知识的时效性和准确性。
知识库模型是一种重要的人工智能技术,可以帮助人们更好地管理和利用知识。
它可以用于各种领域的知识管理和智能问答系统,提高工作效率和准确性。
随着人工智能技术的不断发展和进步,相信知识库模型将在未来发挥更加重要的作用,为人们提供更加智能化的知识服务。
人工智能的研究内容

人工智能的研究内容人工智能的研究内容人工智能的研究是高度技术性和专业的,各分支领域都是深入且各不相通的,因而涉及范围极广。
人工智能学科研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。
1)知识表示是人工智能的基本问题之一,推理和搜索都与表示方法密切相关。
常用的知识表示方法有:逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。
2)常识,自然为人们所关注,已提出多种方法,如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。
3)问题求解中的自动推理是知识的使用过程,由于有多种知识表示方法,相应地有多种推理方法。
推理过程一般可分为演绎推理和非演绎推理。
谓词逻辑是演绎推理的基础。
结构化表示下的继承性能推理是非演绎性的。
由于知识处理的需要,近几年来提出了多种非演泽的推理方法,如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。
4)搜索是人工智能的一种问题求解方法,搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。
可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。
启发式知识常由启发式函数来表示,启发式知识利用得越充分,求解问题的搜索空间就越小。
典型的启发式搜索方法有A*、AO*算法等。
近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。
5)机器学习是人工智能的另一重要课题。
机器学习是指在一定的知识表示意义下获取新知识的过程,按照学习机制的不同,主要有归纳学习、分析学习、连接机制学习和遗传学习等。
6)知识处理系统主要由知识库和推理机组成。
知识库存储系统所需要的知识,当知识量较大而又有多种表示方法时,知识的合理组织与管理是重要的。
推理机在问题求解时,规定使用知识的基本方法和策略,推理过程中为记录结果或通信需设数据库或采用黑板机制。
如果在知识库中存储的是某一领域(如医疗诊断)的专家知识,则这样的知识系统称为专家系统。
知识库系统的应用

1知识库系统的应用:研发,基于互联网架构,快速分析企业知识结构、分类存储知识数据、共享知识应用、提升企业管理效率,增值企业知识资产,提升企业核心竞争力的软件系统。
2知识库系统:(Knowledge Base System)知识库系统是一种资源的集成,它包括硬件、软件、信息以及有关的人员,具体有如下内容:知识库及相应的存储机构。
知识库管理系统及相应的机制。
知识获取机构及相应的人员(包括知识工程师等)。
知识库管理人员。
其中,知识库及相应的存储机构是知识库系统的基础,它给出了知识库系统管理的知识集合以及在计算机中的存储实体;知识库管理系统及相应的机器是一组在计算机上运行的软件,用它以管理知识库中知识;知识获取机构及相应的人员给出了知识库中知识的入口及来源,这就是知识获取机构,但是目前常见的还是通过人-机对话方式获取;最后,知识库系统还需要有管理人员的不断维护,以保证其正常的运行与使用。
3知识库系统(Knowledge Base System)知识库系统是一种资源的集成,它包括硬件、软件、信息以及有关的人员,具体有如下内容:知识库及相应的存储机构。
知识库管理系统及相应的机制。
知识获取机构及相应的人员(包括知识工程师等)。
知识库管理人员。
其中,知识库及相应的存储机构是知识库系统的基础,它给出了知识库系统管理的知识集合以及在计算机中的存储实体;知识库管理系统及相应的机器是一组在计算机上运行的软件,用它以管理知识库中知识;知识获取机构及相应的人员给出了知识库中知识的入口及来源,这就是知识获取机构,但是 目前常见的还是通过人-机对话方式获取;最后,知识库系统还需要有管理人员的不断维护,以保证其正常的运行与使用。
思维科学与知识库按照钱学森教授的观点思想科学专们研维—逻辑思维、形象思维和灵感。
从不历 史, 但只有当社会发展到面临信息化和整、系统 地研究思维机制的现象的需要并使计算最充 分地保存、调动和利用起来的目的, 为建立知识库系统的基本任务, 可以概括机上建立知识库以及其于知识的各种智翻译系 统、智能机器人等。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第23卷哈尔滨师范大学自然科学学报Vol .23,No .22007第2期NAT URAL SC I E NCES JOURNAL OF HARB I N NOR MAL UN I V ERSI TY知识库系统的知识表示方法及其在移动学习领域的应用曲 佳 王建华(哈尔滨师范大学)【摘要】 本文主要讨论的问题是知识表示,探讨关于不同知识类型、知识表示发展的不同阶段,所运用的知识表示方式.以及联系现在与计算机技术相关的无线通讯技术,来探讨知识库系统在教育领域发展趋势.关键词:知识库系统;知识表示;移动学习收稿日期:2006-12-210 引言“知识库系统”是人工智能的一个重要分支,是近年来发展起来的一门综合性的新兴学科.随着计算机科学技术和人工智能技术的迅速发展,基于知识的智能系统已在工业、农业、军事和科教等国民经济领域得到广泛的应用.知识库系统是由知识库、推理机、工作存储区、知识获取子系统和解释界面等五部分组成.其中知识库和推理机是知识库系统的核心部分.知识库主要是用来存放领域专家所提供的专业知识,又分为事实库和规则库两部分.推理机则负责按照一定的规则,从已知的事实中推导出新的事实.另外,知识获取子系统也是知识库系统研究的一个重要部分,是建立知识库的关键环节,一直被公认为是知识库系统的“瓶颈”问题.1 知识表示的分类知识表示是指知识在机器内部的存储和组织,是数据结构和解释过程的结合.数据结构用于知识的形式化描述,而解释过程则用来说明知识的现实含义.知识表示往往与知识的分类有密切关系,不同类型的知识常有不同的有效表达方法.对此,我们使用基于关系的知识表示、面向对象的知识表示、基于规则的知识表示、基于模型的知识表示和不确定知识的表示,等不同的知识表示方式来构建知识库.1.1 基于关系的知识表示我们用一个四元组来构建关系结构:U =<E,N ,H,H >其中:E —关系结构U 中所有实体的集合{e 1,e 2,…};N —关系结构U 种特定实体的集合{n 1,n 2,…};R —关系的集合{r 1,r 2,…},每一关系r i 都定义在集合E 上;H —函数的集合{h 1,h 2,…},每一函数h i 都定义在集合E 上.在关系知识表示中,各实体之间,我们通过一些相互关联的表来表示他们的二元关系,其关系模型可以表示为一个二元表格(见表1):表1 二元关系模型A B C D E A 1B 1C 1D 1E 1A 2B 2C 2D 2E 2A 3B 3C 3D 3E 3A 4B 4C 4D 4E 41.2 基于规则的知识表示基于规则或称产生式规则的知识表示方法是目前最广泛的方法之一.它的基本结构包括前提和结论两部分:前提(IF 部分)描述状态,结论(THEN 部分)描述在状态存在的条件下所做的某些动作: 前提状态结论动作或 IF 状态 THEN 动作人类在问题求解时,应用了一组存储在大脑长期记忆区的产生式,并将它们应用于存储在短期记忆区的给定状态.该状态引起某些产生式被触发,相应的动作被作用于短期记忆区.这就是从已知信息推理出新的信息的过程,随着新的信息加入短期记忆区,状态发生了改变,这又可能引起新的规则被触发.这种人类的问题求解的模型称为产生式系统.基于规则的值时表示就是在这个基础上发展起来的.我们可以通过人类的思考模型得到我们所需要的基于规则的模型(如图1、2所示):图1 产生式系统模型图2 基于规则知识表示的模型1.3 面向对象的知识表示面向对象的观点,或者面向对象的方法学的基础认为世界作为我们的研究领域,是由各种对象(objects )组成,任何实体都是对象,复杂的对象可由相对比较简单的对象以某种方法组成.同时,所有对象被划分成各种对象类.对象类是具有某些共性的对象的抽象概念,对象则是对象类的例示.因此,面向对象的知识表示方法认为,整个世界是一个最复杂的对象,它由各种相对简单的对象组成.以此类推,经过层层组合,最终都由若干最基本的对象组成.(1)定义一个对象类包括:类名、属性名、函数及与其它对象的关系.如下所示:C lass <类名>[:<超类名>] A ttribute <对象的静态结构描述> M ethod <对于对象操作方法的定义>(2)面向对象知识表示的特性:继承性(inheritance )是面向对象知识表示方法的最重要特征,用于表示对象类之间的属性继承关系.它分为单继承和多继承两种方式,被继承的类叫做继承其属性子类的超类.面向对象的知识表示方法,正是通过继承,来构造实体之间的层层组合,来模拟整个世界的.封装性(encap sulation )是用于定义一个对象的实例属性和方法,仅仅属于该对象,对其他对象来说是不可见的.换而言之,对象的属性和方法是私有的,或被封装于该对象内.封装性体现了对象类定义的模块化特性.多态性,是为了克服冗余度高,以及在增加新的子类时,避免修改它的超类的方法描述而具备的特性.对象名和实际类的联结工作不是在编译时进行,而是推迟到运行时完成.继承性和多态性的组合,可以轻易地生成一系列虽类似但独一无二的对象.由于继承性,这些对象共享许多相似的特征,但由于多态性,一个对象可以有独特的表现方式.1.4 基于模型的知识表示我们把知识库看作为外部世界的一个模型,模型中的事实、事实间的联系和彼此因果关系对应了外部世界的结构和特征.基于规则的系统中存储的是大量的以规则形式表示的“征兆———原因”关系对,而在基于模型的系统中存储的是与模型有关的物理原理,在推理过程中,通过把物理原理应用于模型来产生“征兆———原因”关系对.专家的知识可分为两大类:(1)面向特定问题的经验;(2)特定领域的基本原理.利用第一类知识所建的模型称为“浅层”知识模型,这类知识具有很强的针对性、应用范围小.而利用第二类知识所的模型称为“深层”知识76第2期 知识库系统的知识表示方法及其在移动学习领域的应用模型,它具有推理机制,能够对自己的推理过程给出有意义的解释,真正理解自己的知识.在实际应用中,两种知识模型都各有长处,两种模型应结合使用.通常,将系统控制权首先交给浅层知识库,只有当浅层知识库的推理失败时,才将控制权交给深层知识库.并把成功求解的案例记录下来,以不断扩充浅层知识库,以备遇到类似的问题时使用.在有些情况下,一个问题是由多个原因引起的,单纯的产生式罗列,在检索中效率就会很低,因此我们可以建立显示的故障模型,并使用问题树表示.这一方法的优点是在推理过程的每一阶段都形成了局部解,即使在知识和数据知识不足时,该局部解同样能生成.问题树模型如图3所示:图3 问题树模型1.5 不确定知识的表示在大量的实际问题中,我们获得的知识往往是不精确或不确定的,即它们一般不能简单地用“真”或“假”来表示,而是“可能为真”或“可能为假”.我们采取的一般方法是在“真”和“假”之间引入某些中间值,若我们以“1”代表“肯定真”,以“0”代表“肯定假”,而在“0”与“1”之间的值表示事实的“真”的程度.概率论是处理随机事件的最基本方法,也是表示和处理不确定知识的各种方法的基础.我们给出贝叶斯(B ayes )规则,来表示不确定知识的真的程度P .令:(1)P (E /H i )—假设H i 为真时,观察到证据E 的概率.(2)P (H i )—假设H i 为真的先验概率,即根据过去的经验,无论有否支持它的证据,P (H i )简单地表示H i 为真的概率.(3)K —所有可能显示出某种证据的假设的个数.贝叶斯规则指出,在具有证据E 时,假设H i为真的概率为:P (H i /E )=P (E /H i )・P (H i )∑K n =1P (E /Hn)・P (H n )在计算过程中,表示不确定知识的真的程度的P 值会随着推理的深入不断变化,它或者不断接近“1”,也就是接近“真”,或者不断接近“0”,也就是接近“假”.当P 的值在给定的范围τ内接近1,我们则认为这条知识为真;当P 的值在给定的范围τ内接近0,我们则认为这条知识为假.2 知识库系统在移动学习领域的应用随着时代的进步,科学的发展,尤其是当移动数字设备、计算机技术以及移动通讯技术的不断发展,人们对教育的需求也在不断改变,人们越来越渴望能够做到随时随地的学习.随着移动通讯技术的不断成熟,满足人们这种对学习的需求已经成为可能.2.1 m -learning 的基本形式(1)基于短消息的移动学习GS M (Global Syste m for Mobile Communication )网络除了提供话音服务外,还提供面向字符的短消息服务(Sho rtM essage Service ).S M S 占用通道的时间短、费用小,可使得两个GS M 用户方便地进行点对点通信.E M S 能够将简单音调、图片、声音、动画、文本集成到一起,然后在E M S 手机上显示,E M S 是S M S 的增强版本,无须对基础网络进行升级,而且实施E M S 对现有的短消息中心几乎没有任何影响.一条E M S 消息的容量可能是S M S 的好几倍,这样就给我们提供大容量的信息传输带来了方便.通过MM S,手机可以收发多媒体消息,包括文本、声音、图像、视频等,这些技术的实现,将能够使传输的学习文件更加丰富.无线通讯技术发展到这里已经给我们实现m -learning 提供充分的技术支持.但是,短消息作为一种非实时的消息传输方式,仍然有弊端,人对人的个人通信仍将占主导地位.(2)实时连接的移动学习WAP (无线应用协议),是移动通信设备实现接入Internet 的一组通信协议,它使移动用户可以不受网络种类、网络结构、运营商的承载业务以及终端设备的限制,充分利用自己的手机,随时随地接入互连网和企业内部网.但GS M 网络的数据传输速率仅为9.6kbp s,不能满足实时通讯的流量要求.2000年,出现了GPRS (通用分组无线业86哈尔滨师范大学自然科学学报 2007年务)技术,提供了115kbp s 的传输速率,2001~2002年中,ED GE 技术提供了384kbp s 的速率的数据服务与应用.现在中国联通的CDMA 业务带我们步入了3D (W -CDMA 、CDMA2000和T D S -CDMA 三大主流无线接口标准)时代,实现了最高达2M bp s 的数据传输速率.随着无线通讯协议的不断推出,以及个人数字化设备功能的不断完善,教学活动将不受时间空间和地域的限制,并将得到高质量的保证.2.2 m -learning 需要实现的教学功能●通知教师学校活动●教师通知学生学校活动和布置作业●能够通过移动网络模拟教师引导学生思考问题,并指导学生完成阶段性的实验,或者是阶段性的学习●为学生自动编排学习小组,小组内共同探讨,在集体中共同进步●查询作业提交情况、成绩以及考试成绩●增强教师于学生之间的交流3 结论移动学习系统将首先作为传统学习方式的有益补充,走进学习者的生活中,并将从一个辅助学习的工具,逐渐体现出它的主导性.学习是人一生都不会停止的事情,而对于在工作岗位上的成年人,使用这种移动学习终端进行学习将会使他们最好的选择.知识库系统技术随着计算机技术在不断进步,如今计算机人工智能领域的神经网络以及进化算法.知识库技术作为人工智能领域的一个重要应用,将会随着移动通讯技术的加入,渗透到人们生活的每一个细节中去.参 考 文 献1 孔繁胜.知识库系统原理.浙江大学出版社,2000.2 曹广平,杨浩雄.工程专家系统模型与开发方法的研究.高技术通讯,2000.9.3 郭茂祖,孙华梅,黄梯云.专家系统中知识库组织与维护技术的研究.高技术通讯,2002,2.4 朱斌,张丽萍,李延珩.知识工程基本技术.大连海事大学学报,2002,3.5 移动教育.全球化学习的新方式.中国远程教育,2003,6.6 黄想亮.移动教育,前景无限.计算机世界网,2003.7.7 李军怀,周明全,耿国华,张景.文物复原中的知识库模型研究.工程图学学报,2001.THE KN OWLE DGE EXPRESSI ON I N THEKN OWLE DGE -BASE D S YSTE MAN D THE APP L I CATI ON I N THE M -LEARNI NGQu J ia W ang J ianhua(Harbin Nor mal University )ABSTRACTThe maj or p r oble m in this paper is the knowledge exp ressi on in the knowledge -based syste m ,t o know about that ,in different type of knowledge ,peri od of knowledge exp ressi on devel opment ,which exp ressi on of knowledge will be used.And relating now the computer technol ogy with the wireless communicati on technol ogy ,W e exp l ore the future of the knowledge -based syste m in the educati on.Keywords:Knowledge -based syste m;Knowledge exp ressi on;M -learning(责任编辑:王丹红)96第2期 知识库系统的知识表示方法及其在移动学习领域的应用。