知识与知识表示
第3章 知识与知识表示
定义表示动作的谓词
GOTO(x,y) AT(robot, x) -AT(robot, x) +AT(robot, y) PICK-UP(x) ON(box, x) ∧TABLE(x) ∧AT(robot, x) ∧EMPTY(robot) -EMPTY(robot) ∧ON(box, x) +HOLDS(robot, box) SET-DOWN(x) AT(robot, x) ∧TABLE(x) ∧HOLDS(robot, box) -HOLDS(robot, box) +EMPTY(robot) ∧ON(box, x)
一阶谓词逻辑表示法
• 谓词公式（定义） 可按下述规则得到谓词演算的合式公式： （1）单个谓词是合式公式，成为原子谓词公式； （2）若A是合式公式，则┐A也是合式公式； （3）若A,B是合式公式，则A∧B, A∨B, A→B, A↔B也都是合式公式； （4）若A是合式公式，x是任一个体变元，则 (∀x)A和(∃x)A也都是合式公式。
TABLE(a) TABLE(b)
GOTO(x,y)
AT(robot, b) HOLDS(robot, box)
TABLE(a) TABLE(b)
SET-DOWN(x)
AT(robot, b) EMPTY(robot)
ON(box, b) TABLE(a) TABLE(b)
GOTO(x, y)
AT(robot, c) EMPTY(robot)
• 在谓词中，如果每个个体都是常量，变 元或者函数，则称为一阶谓词。如果变 元本身又是一阶谓词，则称为二阶谓 词。…
人工智能基础 第二章 知识表示与知识图谱
• 2.产生式表示法 • 产生式表示法又称规则表示法，表示一种“条件—结果”形式，是
目前应用最多的一种知识表示方法，也是一种比较成熟的表示方法。 • 产生式表示法适用于表示具有因果关系的知识，其一般形式为：前
件→后件，前件为条件，后件为结果，由逻辑运算符AND、OR、 NOT组成表达式。
图2-5 经典图结构和多关系图
知识图谱里，我们通常用“实体（Entity）”来表达图里的节点、用“关 系（Relation）”来表达图里的“边”。实体指的是现实世界中的事物， 比如人、地名、概念、药物、公司等，关系则用来表达不同实体之间的某 种联系，比如人—“居住在”—北京、张三和李四是“朋友”、逻辑回归 是深度学习的“先导知识”等等。
属性值主要指对象指定属性的值。如 “面积”、“人口”、“首都”是几 种不同的属性， 960万平方公里是“面积”的属性值等。
现实世界中的很多场景非常适合用知识图谱来表达。比如一个社交网络图 谱里，如图2-6(a)所示，我们既可以有“人”的实体，也可以包含“公司” 实体。人和人之间的关系可以是“朋友”，也可以是“同事”关系。人和 公司之间的关系可以是“现任职”或者“曾任职”的关系。 类似的，一个 风控知识图谱可以包含“电话”、“公司”的实体，电话和电话之间的关 系可以是“通话”关系，而且每个公司它也会有固定的电话，
2.1 知识与知识表示
2.1.1 知识 2.1.2 知识表示 2.1.3 常用的知识表示方法
2.1.1 知识
• 机器可以模仿人类的视觉、听觉等感知能力，但这种感知能力不 是人类的专属，动物也具备感知能力，甚至某些感知能力比人类 更强，比如狗的嗅觉，机器一定程度也可以比人类更强。但认知 是人类的专属能力，也是机器实现人工智能的核心所在，知识的 价值就在于可以让机器在感知能力的基础上形成认知能力。
人工智能中对知识与知识表示的理解
人工智能中对知识与知识表示的理解在人工智能领域中，知识是指对现实世界和问题领域的认识和理解，可以采用各种形式进行表示和表示，如数学模型、语言描述、图形和图像等。
知识表示则是将现实世界和问题领域的知识抽象成计算机能理解的形式，以便于计算机运用和推理。
下面将从以下几个方面探讨知识和知识表示的理解：1. 知识表示的种类简单来说，知识表示的种类大致可以分为数学表示、逻辑表示、产生式表示、面向对象表示、语义网络表示和本体论表示等。
每种表示都有其特点和适用范围，需要根据具体的应用场景来选择。
2. 知识表示的重要性知识表示是人工智能中的核心问题之一，它直接关系到人工智能的应用和效果。
好的知识表示可以提高计算机的智能水平和问题求解能力，有助于开发更加高效和智能的人工智能应用。
3. 知识表示的挑战虽然知识表示在人工智能领域中十分关键，但实现起来却十分困难。
其中最大的挑战来自于人类的语言和思维方式过于复杂，计算机难以真正理解语言中的含义和上下文信息。
因此，有效的知识表示需要处理多模态、多源、多语言等复杂场景的挑战。
4. 知识表示的实现知识表示的实现需要考虑到多方面的因素，如知识表示的形式、知识的来源、知识的获取和更新等方面。
同时，建立知识库还需要利用自然语言处理、机器学习和图像处理等多种技术手段来辅助实现。
5. 知识表示在人工智能中的应用知识表示在人工智能中有着广泛的应用，涵盖了自然语言处理、信息检索、智能问答、推荐系统、智能对话等方面。
在这些应用中，知识表示可以根据实际情况进行选择和组合，以达到最优的效果。
总之，通过对知识和知识表示的理解，可以更好地把握人工智能技术的核心要素，为不同领域的应用提供更加有效和高质量的解决方案。
第二章知识和知识表示
12
知识的表示（续）
• 几点注意 –同一个知识有多种表示方法，不同的方法其效果 不一样 • 不同领域的知识具有不同的特点 • 各种表示方法各有优缺点，适用的情况不同 • 选择知识表示方法，要因问题而异 –一般，在选用知识表示方法时，应从以下几个方 面考虑 • 1.充分表示领域知识 • 2.有利于知识的利用 • 3.便于知识的组织、维护与管理 13 • 4.便于理解和实现
各种不同的方式和次序组合起来表示知识
– 连接机制表示法：用神经网络技术表示知识的
一种方法，相对于符号表示法而言是一种隐式
表示法
11
常用知识表示方法
–状态空间法
–脚本表示法
–过程表示法
–问题归约法
–谓词逻辑表示法 –产生式表示法 –框架表示法 –语义网络表示法
–Petri网表示法
–面向对象的表示法
–本体表示法
（122）（322）
（322）（333）
（111）（113）
（113）（123）
（123）（122）
（322）（321）
（321）（331）
（331）（333）
34
问题归约的描述
• 问题归约方法应用算符把问题描述转化为子问题描述，可 以采用各种数据结构：表列、树、字符串、矢量、数组等； – 例如梵塔问题的表示：包含两个数列的表列： [(113),(333)] • 也可以用状态空间表示法的三元组（S，F，G）表示；其 子问题描述规定了最后解答路径将要通过的中间状态；
解答的任一旅程,必须是具有最短距离的旅程。
28
B
A
E
D
(A)起始节点
推销员旅行问 题状态空间图
(ACDEBA)
29
xiao知识表示2
2.4.1谓词逻辑表示的逻辑基础（续）
定义2.2 设D是个体域，P: Dn→{ T, F }是一 个映射，其中 D n＝{(x1, x2,…,xn )| x1, x2,…,xn∈ D} 则称P是一个n元谓词(n=1,2,…),记为: P (x1 , x2 , …, xn ) 其中x1 , x2 , …, xn称为客体变量或个体变元。 谓词中的个体可以是常量，变元或函数。 如果xi (i=1,2, …,n)都是个体常量、变元或函 数，称为一阶谓词。如果xi 又是一个一阶谓 词，则称它为二阶谓词。 7
2.4.1谓词逻辑表示的逻辑基础(续)
定义2.5 原子谓词公式的含义为：若t1 ,t2 , …,tn是项， Ｐ是谓词符号，则称：Ｐ(t1 ,t2 , …,tn)原子谓词公式。 定义2.6 满足如下规则的谓词演算可得到合式公式 （谓词公式）： 1. 单个原子谓词公式是合式公式； 2. 若A是合式公式，则￢A也是合式公式； 3. 若A、B都是合式公式，则A∨B，A∧B，A→B， A↔B也都是合式公式； 4. 若A是合式公式，x是项，则(∀x)Ａ和(∃x)Ａ也都是 合式公式。
13
2.4.1谓词逻辑表示的逻辑基础(续)
量词： ∀x（全称量词）：对于所有的x，任意的x ∃x（存在量词）：存在x 例1 所有的机器人都是灰色的 (∀x) (ROBOT (x) →COLOR (x, GRAY)) 例2 1号房间内有个物体 (∃x)INROOM(x, r1) 例3 每个人都有父亲 (∀x)(∃y)( PERSON (x) →FATHER (x, y))
9
2.4.1谓词逻辑表示的逻辑基础(续)
函数与谓词的区别： 谓词是个体域某些个体到T或F的映射， 其值是真值T或F。 函数是个体域某些个体到个体域中某个 个体的映射，其值是论域D中的某个个 体。
1.2知识表示
例1：Intelligent(human),值为”T”
例2：当现实世界中，盒子在桌子上时，公式 ON （BOX,TABLE）为真。
例3：1+1=2,真值为T or F?
2、知识表示
5、基本的知识表示方式 一阶谓词逻辑（First order predicate logic）
但是对于P(A),虽然不存在变量，但是谓词”P”和项常量“A”不具 有具体含义，所以需要建立一种解释。 对一个原子公式，可以规定其中的谓词、常量和函数与论域中的关 系、实体与函数的关系，从而建立起一个解释。在每一种解释 下，根据论域，原子公式有不同的真值。 对于 P(A,x) ，当定义 P 为” Schoolmate”,A 为” zhangxiao“ 时， 则建立了一个解释，在该解释下，若x的论域为 {zhanghua}, 如果现实世界中， zhangxiao 和 zhanghua 为同班同学，则在 该解释下， P(A,x)为”T“, 否则为 ”F”，
2、知识表示
3、知识表示的性能
要兼顾概念效率和计算效率往往是困难的，因为前者要求表示知识的符号结 构与知识的获取和知识库维护相容，而后者则要求与推理机相容。换言 之，为促进知识获取的有效性，知识应以接近人思维的方式表示；但要 提高推理效率，知识应以接近计算机目标代码的方式表示。为解决矛盾， 一种可取的方法是提供两套符号结构，分别面向知识获取和机器推理， 并设计自动转变程序来实现两者间的映射。
2、知识表示
5、基本的知识表示方式 一阶谓词逻辑（First order predicate logic）
存在量词：(x)P(x)：它表示“在个体域中存在个体 x” ，读为” 存在x“，对”某个x“或”至少存在一个x“。 在某一个解释下，对于变量x至少存在一个可能值使P（x）为真， (x)P(x)在该解释下为真。如“有一件东西在桌子上”可以表 示为(x)ON(x, TABLE)
知识与知识表示
如：人的为人处事的经验与风格
（2）形象性知识：通过事物的形象建立起来的知识。
如:什么是牛？
7
知识的分类
5 知识的获取方式来分：
（1）显性知识：指可通过文字、语言、图形、声音等形式编 码记录和传播的知识； 如：教材、音视频光盘。 （2）隐性知识：指人们长期实践中积累获得的知识，不易用 显性知识表达的知识。
11
人工智能研究学派
（3）行为主义认为智能取决于感知和行动，不需要知识、 不需要表示、不需要推理。认为人的智能行为是在与现实世界 的环境交互作用下表现出来的，这种观点的核心是用控制取代 知识表示，从而获得概念、模型以及显式表示的知识。这一观 点还没有形成完善的理论体系。
12
知识表示入门—用实例说明知识表示的过程
13
知识表示入门—自然语言描述
1）老农携带羊羔过河，把狐狸和白菜留在南岸；
2）老农到达北岸，把羊羔留在北岸，并独自回到南岸；
3）老农携带狐狸过河，把白菜留在南岸； 4）老农到达北岸，把狐狸留下，并带上羊羔回到南岸； 5）老农把羊羔留在南岸，携带白菜过河； 6）老农到达北岸，把白菜和狐狸留在北岸，独自回到南岸； 7）老农最后携带羊羔过河，到达北岸。问题就此解决。
4
知识的分类
2 按知识的作用及表示划分：
（1）事实性知识：用于描述领域内的有关概念、 事实、事物的属性及状态； 如：太阳从东方升起 （2）过程性知识：与领域相关的、用于指出如何 处理与问题相关的信息以及求得问题的解； 如：如果信道畅通，请发绿色信号 （3）控制性知识：又称为深层知识及元知识，是 关于如何运用已有的知识进行问题求解的知识， 也称为关于知识的知识。 如： 问题求解过程中的处理方法、搜索策略、 控制结构
人工智能第三章知识与知识表示
人类的智能活动过程主要是一个获得并运用知识 的过程，知识是智能的基础。为了使计算机具有 智能，使它能模拟人类的智能行为，就必须使它 具有知识。但知识是需要用适当的模式表示出来 才能存储到计算机中去的，因此关于知识的表示 问题就成为人工智能中一个十分重要的研究课题。
第3章 知识与知识表示
第3章 知识与知识表示
第3章 知识与知识表示
第3章 知识与知识表示
第3章 知识与知识表示
二、一阶谓词逻辑表示法的特点
第3章 知识与知识表示
第3章 知识与知识表示 3.3 产生式表示法
“产生式”这一术语是由美国数学家波斯特（E.POST） 在1943年首先提出来的，他根据串代替规则提出了一 种称为波斯特机的计算机模型，模型中的每条规则称 为一个产生式。 1972年纽厄尔和西蒙在研究人类知识模型中开发了基 于规则的产生式系统。
第3章 知识与知识表示
一般来说，在选择知识表示方法时，应从以下几个方面进行考虑： 1 ．充分表示领域知识 确定一个知识表示模式时，首先应该考虑的是它能否充分地表示 我们所要解决的问题所在领域的知识。为此，需要深入地了解领 域知识的特点以及每一种表示模式的特征，以便做到“对症下 药”。例如，在医疗诊断领域中，其知识一般具有经验性、因果 性的特点，适合于用产生式表示法进行表示；而在设计类（如机 械产品设计）领域中，由于一个部件一般由多个子部件组成，部 件与子部件既有相同的属性又有不同的属性，即它们既有共性又 有个性，因而在进行知识表示时，应该把这个特点反映出来，此 时单用产生式模式来表示就不能反映出知识间的这种结构关系， 这就需要把框架表示法与产生式表示法结合起来。
第3章 知识与知识表示 3.2 一阶谓词逻辑表示法
一、表示知识的方法
- 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)。
知识表示：从人类知识到计算机可处理的形式
知识表示是人工智能和认知科学中的一个重要概念，涉及将知识以计算机可处理的形式表示的过程。
知识表示在许多领域都有应用，如专家系统、机器学习、自然语言处理等。
知识表示的主要目标是捕获和表示现实世界中的知识，以便能够被机器理解和使用。
这涉及到对知识的建模、组织和表述，以及将其转换为计算机可以理解的格式。
知识表示的范围很广，包括各种不同类型的表示方法和模型，如语义网络、逻辑谓词、本体等。
知识表示通常包括以下三个主要步骤：
1.知识获取：从各种来源收集和整理知识，这可能包括专家经验、书本、互
联网等。
2.知识建模：将获取到的知识以某种方式组织成模型或网络，以便后续的处
理和使用。
3.知识转换：将建立好的知识模型或网络转换成计算机可以处理的格式，这
通常涉及数据结构和算法的设计和使用。
在知识表示的实际应用中，还需要考虑以下问题：
1.知识的精度和完整性：如何确保所表示的知识是准确的、全面的，以便能
够满足特定的应用需求？
2.知识的可扩展性：如何设计一个可扩展的知识表示系统，以便能够适应不
断增长和变化的知识库？
3.知识的可解释性：如何保证所表示的知识是可以理解的，以便能够促进人
机交互和知识推理？
4.知识的可维护性：如何确保所表示的知识是易于维护的，以便能够进行知
识的更新和修订？
基于以上问题，我们可以得出，知识表示是一种具有挑战性的任务，需要不断的研究和实践。
同时，由于现实世界中知识的复杂性和多样性，知识表示
的方法和模型也在不断地发展和演变。
目前，知识表示已经成为了人工智能和认知科学研究中的重要领域之一，相关的技术和方法也在不断地改进和创新。
总之，知识表示是将人类知识以计算机可处理的形式表示出来的过程。
这需要我们对知识进行建模、组织和表述，并选择合适的表示方法和模型来实现对知识的表达。
同时，还需要考虑所表示知识的精度、完整性、可扩展性、可解释性和可维护性等因素，以便设计一个健壮、可用、可靠和高效的知识表示系统。
这些都需要我们进行深入的研究和实践。