《数据挖掘技术》语义网络挖掘及其应用
相关主题
- 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3章 语义网络挖掘及其应用
语义网络表示
2．用语义网络表示事物间的关系
语义网络可以方便地描述事物之间的多种语义关系，下 面给出常用的几种关系。
• 1) • 2) 分类关系 聚集关系
第3章 语义网络挖掘及其应用
语义网络表示
教学
部分
部分
部分
学生
教师
课程
饥饿
推出
需进食
图3-7 聚集关系示例
图3-8 推论关系示例
人工智能将问题求解作为人类思维活动的最主要的内容加以 研究和模拟。 人工智能采用推理的方法进行问题求解，具体地，是在问题 的解空间中进行最优解的搜索。
第3章 语义网络挖掘及其应用
3.1.2知识的表示
人工智能中常用的知识表示方法有状态空间法、问题归约 法、谓词逻辑法、产生式法、语义网络法、框架法、脚本 法等。知识表示方法优劣，对问题求解结果及计算量的影 响极大。而表示方法优劣的评价往往以求解（搜索）空间 的大小为标准。 状态空间法 问题归约法 谓词逻辑法 产生式法 语义网络法
第3章 语义网络挖掘及其应用
3.1.3搜索原理
• • • 盲目搜索:盲目搜索是在没有任何引导信息的条件下所采 用的搜索策略，通常采用图搜索方法。 启发式搜索:具体问题领域的信息常常可以用来简化搜索， 利用启发信息的搜索方法称为启发式搜索方法。 归结推理方法:在谓词逻辑中，可以利用等价关系、置换 操作以及合一的概念进行归结推理，这就是基于谓词逻辑 知识表示的问题求解方法，也被称为归结推理方法。 不确定性推理方法:知识的不确定性 、基于概率增量的可 信度、结论的可信度、可信度的其他描述方法 非单调推理方法:常识推理的特征 、非单调推理
A
RAB
B
是一种
猎狗A
狗
图3-2 基本网元
图3-3 猎狗与狗的语义网络
第3章 语义网络挖掘及其应用
语义网络
当把多个基本网元用相应语义联系关联在一起时，就得到 一个语义网络。 下面给出语义网络的BNF描述 <语义网络>=（<基本网元><基本网元>，） 基本网元=<节点><语义联系><节点> 节点=（<属性-值>，） <属性-值>=<属性名><属性值> <语义联系>=<系统预定义的语义联系>︱<用户自定义 的语义联系> 其中，︱是一个合并过程，它把括号中的所有基本网元 关联在一起，即把相同的节点合并为一个节点，从而构 成一个语义网络。例如，如图3-4所示的三个基本网元，
第3章 语义网络挖掘及其应用
• •
3.1.4语义网络及其特性
• 什么是语义网络呢？
语义网络是通过概念及其语义关系来表示知识的一种网络 图。一个语义网络是一个带标识的有向图，其中，有向图的 节点表示各种事物、概念、属性、动作、状态等，有向孤表 示它所连接的节点间的某种语义联系，每个节点可以带有若 干属性，可以用框架或元组来表示一个节点的若干属性。一 个节点还可以是一个语义子网络，从而形成一个多层次嵌套 结构的语义网络 。
经合并后构成一个语义网络。
第3章 语义网络挖掘及其应用
语义网络
R AB
A
B
B
R BC
C
R AC
A
C
RAB
A
RBCFra Baidu bibliotek
RAC
B
C
图3-4 基本网元的合并示例
第3章 语义网络挖掘及其应用
语义网络
1．用语义网络表示事实
吃肉
身上有毛
有生命
跑得快
猎狗
狗
动物
会吃
能狩猎
有尾巴
能运动
图3-5 狗的语义网络
第3章 语义网络挖掘及其应用
语义网络
小信使
占有者
是一只 是一种
鸽子
占有物 开始于
鸟
占有
是 一 种
窝 春天 秋天
是一种 是
鸟窝
时间
结束于
结束于
情况
(a)
小信使
是一只
鸽子 窝
是一种
鸟 鸟窝
占有物
是一种
(b)
第3章 语义网络挖掘及其应用
语义网络
在语义网络中，一个节点可以有一组向外的有向孤，用于指 出这个节点与多个节点的语义联系，这在表示稍微复杂一点的 事实性知识中是常用的，例如，我们来看如下事实 “小信使”这只鸽子从春天到秋天占有一个窝 • 在图3-6(a)中设立了一个“占有”节点，只有通过设立“占 有”节点及相应的4条有向孤才能把占有者、占有物和占有 的起止时间关联起来。 • 如果把“占有”作为一个语义关系用一条有向孤表示，即如 图3-6(b)中所示，则占有的起止时间就无法表示出来。 • 在一些事实性知识中，经常会用到“并且”和“或者”这样 的连接词。
可用如图3-9所示的语义网络表示。 其中，s是全称量词变元，表示任一个学生；r是存在量词变 元，表示某一次背诵；p也是存在量词变元，表示某一首唐 诗。用节点g表示这个子空间，用有向孤F指明节点g表示是 一个什么样的子空间。有向孤F指出子空间g中的全称量词变 元是s。若在子空间中有多个全称量词变元，则超节点g就有 多条有向孤指向子空间中的多个变元节点。节点GS表示整 个空间。
第3章 语义网络挖掘及其应用
语义网络表示
背 诵 唐 诗
GS
学 生
背 诵
唐 诗
是
GS
学 生
是
是 F 主体
是
是
是
F
客体 主体 客体
g
s
r
p
g
s
r
静夜 思
图3-9 具有全称量词的语义网络示例一
图3-10 具有全称量词的语义网络示例二
第3章 语义网络挖掘及其应用
语义网络表示
例如，对如下事实 每个学生都背诵了一首唐诗
第3章 语义网络挖掘及其应用
语义网络
一个最简单的语义网络是如下一 个三元组（节点1，孤，节点2） 它可以用一个有向图表示，如图 3-2所示，称为一个基本网元。 其中，A、B分别表示两个节点， 表示A与B之间的某种语义联系。 有向孤的方向是有意义的，由 节点间的语义关系确定。 例如在表示类属关系时，有向孤 箭头所指的节点表示上层概念， 箭尾节点表示下层概念或者一个 属于该类的具体事物。如图3-3 所示的语义网络就是一个基本网 元，其中，“猎狗”与“狗”之 间的语义联系“是一种”具体地 指出了“猎狗”与“狗”的语义 关系，即“猎狗”是“狗”的一 种，两者之间存在类属关系。
第3章 语义网络挖掘及其应用
3.1语义网络概念
3.1语义网络概念
3.2语义网络挖掘原理
3.3基于AutoCAD的注塑模架设计专家系统
3.1语义网络概念
3.1.1概述
首先要明确，本小节所讨论的人工智能是传统的符号智能， 人工智能是研究用机器模拟人脑所能从事的感觉、认知、记 忆、学习、联想、计算、推理、判断、决策、抽象、概括等 思维活动，来解决人类专家才能处理的复杂问题的理论。
语义网络表示
2．用语义网络表示事物间的关系
语义网络可以方便地描述事物之间的多种语义关系，下 面给出常用的几种关系。
• 1) • 2) 分类关系 聚集关系
第3章 语义网络挖掘及其应用
语义网络表示
教学
部分
部分
部分
学生
教师
课程
饥饿
推出
需进食
图3-7 聚集关系示例
图3-8 推论关系示例
人工智能将问题求解作为人类思维活动的最主要的内容加以 研究和模拟。 人工智能采用推理的方法进行问题求解，具体地，是在问题 的解空间中进行最优解的搜索。
第3章 语义网络挖掘及其应用
3.1.2知识的表示
人工智能中常用的知识表示方法有状态空间法、问题归约 法、谓词逻辑法、产生式法、语义网络法、框架法、脚本 法等。知识表示方法优劣，对问题求解结果及计算量的影 响极大。而表示方法优劣的评价往往以求解（搜索）空间 的大小为标准。 状态空间法 问题归约法 谓词逻辑法 产生式法 语义网络法
第3章 语义网络挖掘及其应用
3.1.3搜索原理
• • • 盲目搜索:盲目搜索是在没有任何引导信息的条件下所采 用的搜索策略，通常采用图搜索方法。 启发式搜索:具体问题领域的信息常常可以用来简化搜索， 利用启发信息的搜索方法称为启发式搜索方法。 归结推理方法:在谓词逻辑中，可以利用等价关系、置换 操作以及合一的概念进行归结推理，这就是基于谓词逻辑 知识表示的问题求解方法，也被称为归结推理方法。 不确定性推理方法:知识的不确定性 、基于概率增量的可 信度、结论的可信度、可信度的其他描述方法 非单调推理方法:常识推理的特征 、非单调推理
A
RAB
B
是一种
猎狗A
狗
图3-2 基本网元
图3-3 猎狗与狗的语义网络
第3章 语义网络挖掘及其应用
语义网络
当把多个基本网元用相应语义联系关联在一起时，就得到 一个语义网络。 下面给出语义网络的BNF描述 <语义网络>=（<基本网元><基本网元>，） 基本网元=<节点><语义联系><节点> 节点=（<属性-值>，） <属性-值>=<属性名><属性值> <语义联系>=<系统预定义的语义联系>︱<用户自定义 的语义联系> 其中，︱是一个合并过程，它把括号中的所有基本网元 关联在一起，即把相同的节点合并为一个节点，从而构 成一个语义网络。例如，如图3-4所示的三个基本网元，
第3章 语义网络挖掘及其应用
• •
3.1.4语义网络及其特性
• 什么是语义网络呢？
语义网络是通过概念及其语义关系来表示知识的一种网络 图。一个语义网络是一个带标识的有向图，其中，有向图的 节点表示各种事物、概念、属性、动作、状态等，有向孤表 示它所连接的节点间的某种语义联系，每个节点可以带有若 干属性，可以用框架或元组来表示一个节点的若干属性。一 个节点还可以是一个语义子网络，从而形成一个多层次嵌套 结构的语义网络 。
经合并后构成一个语义网络。
第3章 语义网络挖掘及其应用
语义网络
R AB
A
B
B
R BC
C
R AC
A
C
RAB
A
RBCFra Baidu bibliotek
RAC
B
C
图3-4 基本网元的合并示例
第3章 语义网络挖掘及其应用
语义网络
1．用语义网络表示事实
吃肉
身上有毛
有生命
跑得快
猎狗
狗
动物
会吃
能狩猎
有尾巴
能运动
图3-5 狗的语义网络
第3章 语义网络挖掘及其应用
语义网络
小信使
占有者
是一只 是一种
鸽子
占有物 开始于
鸟
占有
是 一 种
窝 春天 秋天
是一种 是
鸟窝
时间
结束于
结束于
情况
(a)
小信使
是一只
鸽子 窝
是一种
鸟 鸟窝
占有物
是一种
(b)
第3章 语义网络挖掘及其应用
语义网络
在语义网络中，一个节点可以有一组向外的有向孤，用于指 出这个节点与多个节点的语义联系，这在表示稍微复杂一点的 事实性知识中是常用的，例如，我们来看如下事实 “小信使”这只鸽子从春天到秋天占有一个窝 • 在图3-6(a)中设立了一个“占有”节点，只有通过设立“占 有”节点及相应的4条有向孤才能把占有者、占有物和占有 的起止时间关联起来。 • 如果把“占有”作为一个语义关系用一条有向孤表示，即如 图3-6(b)中所示，则占有的起止时间就无法表示出来。 • 在一些事实性知识中，经常会用到“并且”和“或者”这样 的连接词。
可用如图3-9所示的语义网络表示。 其中，s是全称量词变元，表示任一个学生；r是存在量词变 元，表示某一次背诵；p也是存在量词变元，表示某一首唐 诗。用节点g表示这个子空间，用有向孤F指明节点g表示是 一个什么样的子空间。有向孤F指出子空间g中的全称量词变 元是s。若在子空间中有多个全称量词变元，则超节点g就有 多条有向孤指向子空间中的多个变元节点。节点GS表示整 个空间。
第3章 语义网络挖掘及其应用
语义网络表示
背 诵 唐 诗
GS
学 生
背 诵
唐 诗
是
GS
学 生
是
是 F 主体
是
是
是
F
客体 主体 客体
g
s
r
p
g
s
r
静夜 思
图3-9 具有全称量词的语义网络示例一
图3-10 具有全称量词的语义网络示例二
第3章 语义网络挖掘及其应用
语义网络表示
例如，对如下事实 每个学生都背诵了一首唐诗
第3章 语义网络挖掘及其应用
语义网络
一个最简单的语义网络是如下一 个三元组（节点1，孤，节点2） 它可以用一个有向图表示，如图 3-2所示，称为一个基本网元。 其中，A、B分别表示两个节点， 表示A与B之间的某种语义联系。 有向孤的方向是有意义的，由 节点间的语义关系确定。 例如在表示类属关系时，有向孤 箭头所指的节点表示上层概念， 箭尾节点表示下层概念或者一个 属于该类的具体事物。如图3-3 所示的语义网络就是一个基本网 元，其中，“猎狗”与“狗”之 间的语义联系“是一种”具体地 指出了“猎狗”与“狗”的语义 关系，即“猎狗”是“狗”的一 种，两者之间存在类属关系。
第3章 语义网络挖掘及其应用
3.1语义网络概念
3.1语义网络概念
3.2语义网络挖掘原理
3.3基于AutoCAD的注塑模架设计专家系统
3.1语义网络概念
3.1.1概述
首先要明确，本小节所讨论的人工智能是传统的符号智能， 人工智能是研究用机器模拟人脑所能从事的感觉、认知、记 忆、学习、联想、计算、推理、判断、决策、抽象、概括等 思维活动，来解决人类专家才能处理的复杂问题的理论。