知识表示方法比较
知识图谱表示学习方法比较与启示
知识图谱表示学习方法比较与启示知识图谱（Knowledge Graph）是一个以图形结构来组织和表示知识的技术，在人工智能领域得到了广泛的应用和研究。
知识图谱的表示学习方法是对知识图谱中的实体和关系进行向量化表示，以便于计算机能够理解和处理这些复杂的知识结构。
本文将对几种常见的知识图谱表示学习方法进行比较，并探讨其在实际应用中的启示。
1. 基于图卷积网络的知识图谱表示学习方法图卷积网络（Graph Convolutional Network，GCN）是一种适用于图结构数据的深度学习模型。
在知识图谱表示学习中，GCN能够通过对邻居节点的聚合操作来获取节点的向量表示。
这种方法可以较好地捕捉实体间的关系和语义信息，但对于大规模知识图谱的表示学习效果有限。
2. 基于图注意力机制的知识图谱表示学习方法图注意力机制（Graph Attention Network，GAT）是一种使用注意力机制对图结构进行建模的方法。
GAT能够根据节点之间的重要性动态地更新节点的表示，从而更好地捕捉节点的语义信息。
该方法在知识图谱表示学习中能够获得较好的性能，但计算复杂度较高。
3. 基于图自编码器的知识图谱表示学习方法图自编码器（Graph Autoencoder，GAE）是一种用于无监督学习的知识图谱表示方法。
GAE可以通过将图中的节点进行编码和解码，从而学习到节点的低维度表示。
这种方法在处理大规模知识图谱时存在信息丢失的问题，但对于小型知识图谱的表示学习效果较好。
4. 基于Transformer的知识图谱表示学习方法Transformer是一种在自然语言处理领域中广泛应用的模型，近年来也被引入到知识图谱表示学习中。
Transformer能够通过注意力机制对实体和关系之间的上下文进行建模，有效地捕捉实体之间的语义关联。
这种方法在大规模知识图谱上的表示学习效果较好，但对计算资源的要求较高。
知识图谱表示学习方法的比较与启示表明，在实际应用中，选择适合的方法要根据具体的应用场景和需求来确定。
人工智能中知识的表示法
人工智能中知识的表示法
在人工智能领域，知识的表示是将信息组织成可供计算机理解和处理的形式的过程。
不同的问题和应用需要不同的知识表示方法。
以下是一些常见的知识表示方法：
谓词逻辑：使用谓词和逻辑运算符表示事实和关系。
一阶逻辑和高阶逻辑是常见的形式。
图表示法：使用图结构表示对象和它们之间的关系。
图可以是有向图或无向图，节点表示实体，边表示关系。
框架表示法： 将知识组织成框架或者类似于面向对象编程中的类的结构。
每个框架包含关于实体或概念的属性和关系。
语义网络：与图表示法相似，语义网络使用节点表示概念，边表示关系，但通常具有更丰富的语义。
产生式系统：使用规则的集合，每个规则描述了在特定条件下执行的操作。
用于表示推理和问题解决的过程。
向量表示法： 将实体和概念表示为向量，例如词嵌入（Word Embeddings）用于表示单词，将语义相近的单词映射到相似的向量空间位置。
本体论：使用本体来描述概念、实体和它们之间的关系。
本体是一种形式化的知识表示，用于共享和集成信息。
模型表示法：使用数学模型表示知识，例如概率图模型、
贝叶斯网络等。
这些模型可以用于推理、学习和决策。
神经网络表示法：利用神经网络来学习和表示知识，例如深度学习中的各种神经网络结构。
典型的知识表示方法
典型的知识表示方法一、逻辑表示法。
1.1 这逻辑表示法呢，就像是给知识搭个框架。
把知识按照逻辑关系，什么因果啦，包含啦之类的关系，整理得明明白白。
就好比我们说“因为下雨，所以地面湿”，这就是一种简单的逻辑关系表示。
它清晰得很，让人一眼就能瞧出知识之间的联系。
这就像盖房子，一块砖一块砖按照设计好的结构码放整齐。
1.2 可是呢，这方法也有它的难处。
要是知识复杂一点，那逻辑关系就像一团乱麻，很难梳理得清清楚楚。
就像在一个大仓库里找东西，东西太多太杂，找起来就费劲。
比如说要表示一个大型企业的运营逻辑，涉及到众多部门、人员、业务流程，这逻辑表示法就有点吃力了。
二、语义网络表示法。
2.1 语义网络就有点像一张大网。
每个知识节点就像网上的一个结，节点之间的连线表示它们的关系。
比如说“猫是哺乳动物”，“猫”和“哺乳动物”就是两个节点，中间有连线表示所属关系。
这方法很直观，就像我们看人际关系图一样，谁和谁有关系，一眼就能看出来。
2.2 不过呢，语义网络也不是十全十美的。
它缺乏精确的语义定义。
有时候就像雾里看花，模模糊糊的。
就像我们说一个人“大概是好人”，这个“大概”就很模糊。
在表示精确的科学知识或者严谨的法律条文时，就可能会出问题。
2.3 还有啊，当知识规模增大的时候，这语义网络就可能变得臃肿不堪。
就像一个人穿了太多衣服，行动都不方便了。
要在这个庞大的网络里查找和更新知识，那可就不是一件轻松的事儿。
三、框架表示法。
3.1 框架表示法就像是给知识做个模板。
我们先定好一个框架结构，然后把具体的知识往里面填充。
比如说描述一个人，我们有年龄、性别、职业等框架，然后把具体某个人的这些信息填进去。
这就像我们做填空题一样，有了框架，填空就比较简单。
这种方法对于表示有固定结构的知识很方便，就像把东西分类放进不同的盒子里。
3.2 但是呢，框架表示法比较死板。
一旦框架定下来了，要是有新的知识不符合这个框架，就像硬要把一个方东西塞进圆洞里，很困难。
常用的知识表示方法
常用的知识表示方法知识表示方法是人工智能中一个非常重要的领域，其主要目的是设计一种计算机程序，使其能够利用已有的知识去推理、学习和解决新问题。
在现代人工智能系统中，有许多常用的知识表示方法，包括逻辑表示、产生式表示、框架表示、语义网络表示、神经网络表示、本体表示等等。
下面将分别对这些知识表示方法展开详细的描述。
1. 逻辑表示逻辑表示是指使用逻辑语句来描述知识的方式。
这种表示方法最早应用于人工智能领域，它使用命题逻辑、谓词逻辑、模态逻辑等形式化逻辑体系来表达知识。
逻辑表示法的优点是表达简单直观，易于推理，而且能够容易地与其它知识表示方法相结合。
该方法的主要缺点是计算复杂度较高，不适用于大规模的知识表示。
2. 产生式表示产生式表示法是一种基于规则的知识表示方法，它通过一系列的规则来描述问题解决过程。
规则通常由条件和结果两部分组成，当条件满足时，就会执行规则，得到相应的输出结果。
产生式表示法的优点是表达简单易懂，适合大规模知识的表示和处理。
该方法的主要缺点是规则的编写和管理比较困难，而且可能出现死循环等问题。
3. 框架表示框架表示法是一种以对象为中心的知识表示方法，它通过描述事物的属性、关系、功能等方面来构建一个框架模型，从而达到表示知识的目的。
框架表示法的优点是具有良好的结构、易于维护和扩展。
该方法的主要缺点是无法处理复杂的关系和不确定性，而且不适用于处理嵌套结构。
4. 语义网络表示语义网络表示法是一种以图形为基础的知识表示方法，它通过节点和边的组合来描述概念、关系和属性等知识。
语义网络表示法的优点是视觉化表达直观，易于理解和调试，适用于复杂的知识系统。
该方法的主要缺点是不适用于大量数据的处理，因为图形结构比较复杂，计算开销较大。
5. 基于案例的表示基于案例的表示法是一种通过描述已有的实例来表达知识的方法，它将具体的案例作为基本单位，通过比较和分析不同案例之间的相似性和差异性来实现知识的表示和推理。
知识图谱表示学习方法比较与改进思路
知识图谱表示学习方法比较与改进思路知识图谱表示学习是人工智能领域的一个重要研究方向，它可以帮助计算机更好地理解和组织人类知识。
在知识图谱表示学习中，研究者们提出了各种方法来将知识表示为图谱的形式，以提高计算机对知识的理解和推理能力。
本文将在比较不同的知识图谱表示学习方法的基础上，探讨其应用领域和改进思路。
一、比较不同的知识图谱表示学习方法1. 基于图结构的方法基于图结构的方法将知识表示为图谱，节点表示实体，边表示实体之间的关系。
这种方法可以很好地保留实体之间的关系信息，但对于图结构的处理和扩展存在一定的挑战。
2. 基于嵌入的方法基于嵌入的方法将实体和关系嵌入到低维向量空间中，通过学习实体和关系之间的相似性来表示知识。
这种方法在计算效率上具有优势，但可能会损失一部分图结构的信息。
3. 基于注意力机制的方法基于注意力机制的方法充分考虑了实体之间的关系权重，通过给不同的实体和关系分配不同的权重，来提高知识表示的准确性和效果。
这种方法能够适应多种关系和神经网络结构，但计算复杂度较高。
二、知识图谱表示学习方法的应用领域1. 信息检索知识图谱表示学习可以帮助改进信息检索系统，通过将知识表示为图谱，提供更准确和全面的搜索结果。
用户可以通过图谱的结构和关系来进行更精确的搜索和推荐。
2. 问答系统知识图谱表示学习可以用于问答系统中的知识表示和推理，通过建立知识图谱，系统可以更好地理解问题，查找相关实体和关系，并根据知识图谱进行推理和回答。
3. 自然语言处理知识图谱表示学习可以提供更丰富的语义信息，帮助解决自然语言处理中的歧义性和语义理解问题。
通过将文本转化为图谱表示，可以更好地进行实体识别、关系抽取和语义推理等任务。
三、改进知识图谱表示学习方法的思路1. 结合多模态信息当前的知识图谱表示学习方法主要基于文本信息，可以考虑结合图像、视频等多模态信息，通过融合不同模态的特征来提升知识表示的效果。
2. 考虑动态变化知识图谱是一种静态的表示形式，但现实世界中的知识是动态变化的。
数学知识：函数表示方法的对比分析
函数表示方法的对比分析
(1)解析法：用解析式表示函数的方法.
(2)列表法：用表格表示函数的方法.
(3)图象法：用图象表示函数的方法.
函数的三种表示方法各有优缺点，用解析式表示函数的优点是简明扼要，规范准确，不足之处是有些变量与函数关系很难或不能用解析式表示，求x与y的对应值需要逐个计算，有时比较繁杂；列表法的优点是能鲜明地显现出自变量与函数之间的数量关系，不足之处是只能列出部分自变量与函数的对应值，难以反映函数变化的全貌；用图象表示函数的优点是形象直观，清晰呈现函数的增减变化，点的对称，最大(或最小)值等性质，不足之处是所画出的图象是近似的、局部的，观察或由图象确定的函数值往往不够准确.所以，通常表示函数关系是把这三种方法结合起来运用，先确定函数解析式，即用解析式表示函数；再根据函数解析式，计算自变量与函数的各组对应值，列表；最后画出函数的图象.
1 / 1。
知识表示的方法——逻辑表示法、产生式表示法、框架表示法、语义网络表示法、面向对象表示
知识表⽰的⽅法——逻辑表⽰法、产⽣式表⽰法、框架表⽰法、语义⽹络表⽰法、⾯向对象表⽰知识表⽰的⽅法知识表⽰⽅法种类繁多，通常有直接表⽰、逻辑表⽰、产⽣式规则表⽰法、语义⽹络表⽰法、框架表⽰法、脚本表⽰⽅法、过程表⽰、混合型知识表⽰⽅法、⾯向对象的表⽰⽅法等。
在本⽂中，着重介绍⽬前使⽤较多的知识表⽰⽅法。
⽬前使⽤较多的知识表⽰⽅法主要有：逻辑表⽰法、产⽣式表⽰法、框架表⽰法、语义⽹络表⽰法、⾯向对象表⽰等等。
2.3.2.1 ⼀阶谓词逻辑表⽰法[45]通过引⼊谓词、函数来对知识加以形式化描述，获得有关的逻辑公式，进⽽以机器内部代码表⽰的⼀种⽅法。
谓词逻辑是⼀种形式语⾔，它与⼈类的⾃然语⾔⽐较接近，是⽬前能够表达⼈类思维活动的⼀种最精确的语⾔，它具有丰富的表达能⼒，因⽽可以表⽰⼤量常识知识。
它具有简单、⾃然、精确、灵活、容易实现等特点。
⼀阶谓词的⼀般形式为 P(x1, x2 (x)n)。
其中，P 是谓词，x1, x2 (x)n是常量、变元或函数。
谓词逻辑适⽤于表⽰事物的状态、属性、概念等事实性的知识，也可以⽤来表⽰事物间关系的知识，即规则。
例如：物体 A 在物体 B 的上⾯，可以表⽰为：On(A,B)；物体 A 是书，可以表⽰为：book(A);书 A 在书 B 上，可以表⽰为：On(book(A),book(B))。
⼀阶谓词逻辑表⽰法的局限性在于它难以表达不确定性知识和启发性知识，推理⽅法在事实较多时易于出现组合爆炸，且推理过程繁杂、效率低。
2.3.2.2 产⽣式表⽰法多数较为简单的专家系统（Expert System）都是以产⽣式表⽰知识，相应的系统被称作产⽣式系统。
产⽣式系统，由知识库和推理机组成。
其中知识库由事实库和规则库组成。
事实库是已知事实的集合，规则库是产⽣式规则的集合。
规则则是产⽣式规则。
规则库蕴涵着将问题从初始状态转换到解状态的那些变换规则，规则库是专家系统的核⼼部分。
规则可以表⽰成与或树的形式，基于事实库中的事实通过与或树求值的过程就是推理。
知识图谱表示学习方法比较与改进思路
知识图谱表示学习方法比较与改进思路知识图谱是一种用于存储、管理和表示知识的图形化工具。
它通过描述实体以及实体之间的关系来构建知识结构，并为知识的检索和推理提供支持。
在知识图谱中，每个实体通常以节点表示，实体之间的关系则以边的形式表示。
知识图谱的表示学习方法是研究如何将实体和关系映射到低维向量空间，从而能够有效地对实体进行表示和比较。
本文将比较不同的知识图谱表示学习方法，并提出改进的思路。
一、基础方法比较1. TransE方法TransE方法是最早提出的知识图谱表示学习方法之一。
它通过学习实体之间关系的平移向量，使得在低维向量空间中关系的表示可以用实体向量之间的差值表示。
这种表示方法简单直观，对实体和关系的建模效果较好。
然而，TransE方法难以处理多对多的复杂关系，并不适用于较复杂的知识图谱任务。
2. TransH方法TransH方法是对TransE方法的改进。
它在实体向量和关系向量上分别引入了一个超平面来进行映射，从而更好地处理多对多的复杂关系。
TransH方法通过引入超平面，将不同关系之间的嵌入向量进行分离，提高了对复杂关系的建模能力。
然而，TransH方法在处理单对单的一对多关系时效果不佳。
3. ConvE方法ConvE方法是一种基于卷积神经网络的知识图谱表示学习方法。
它通过卷积操作将实体和关系的嵌入向量进行组合，并将组合后的向量输入到全连接层中进行分类。
ConvE方法在处理复杂关系时具有较好的效果，并且可以处理一对多关系。
然而，ConvE方法对于多对多关系的建模能力相对较弱。
二、改进思路1. 结合注意力机制注意力机制是一种有效的建模方法，可以用于对知识图谱中的关系进行建模。
通过引入注意力机制，可以为每个关系分配不同的权重，从而更好地对复杂关系进行建模。
可以将注意力机制应用于现有的知识图谱表示学习方法中，提高其对复杂关系的建模能力。
2. 引入上下文信息知识图谱表示学习方法通常只考虑实体和关系本身的信息，忽略了周围上下文信息的影响。
- 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)。
⑤ 知识表示单位。不同的表示方法采用不同表示 单位。如，对象、本体、产生式、逻辑表达式等都是 知识表示单位。
244 专论·综述 Special Issue
① 自然性。即使用方便和理解方便，这些知识要 求和自然语言表示相近，使用户能够迅速理解其中的 概念。
② 可描述知识的类型。知识类型含：陈述型、规 则型、控制型、元知识型等。
③ 可表示知识的范围。不同领域的知识表示方法 要求不同，复杂的知识表示既要表示知识本身，还要 表示知识和知识的关系：如时间、空间、部分的关系 等。
命题逻辑是数理逻辑的一种，数理逻辑是用形式 化语言(逻辑符号语言)进行精确(没有歧义)的描述，用 数学的方式进行研究。我们最熟悉的是数学中的设未 知数表示。
例：用命题逻辑表示下列知识：如果 a 是偶数， 那么 a2 是偶数。
解：定义命题如下：P:a 是偶数；Q: a2 是偶数， 则：原知识表示为：P→Q
例：用语义网络表示下列知识：中南大学湘雅医 学院是一所大学，位于长沙市，建立时间是 1914 年。
解：用语义网络表示表示如下图 1：
图 1 语义网表示法示例
2.6 基于 XML 的表示法 在 XML(eXtensible Markup language，可扩展标记
语言)中，数据对象使用元素描述，而数据对象的属性 可以描述为元素的子元素或元素的属性。XML 文档由 若干个元素构成，数据间的关系通过父元素与子元素 的嵌套形式体现。在基于 XML 的知识表示过程中， 采用 XML 的 DTD(Document Type definitions，文档类 型定义)来定义一个知识表示方法的语法系统。通过定 制 XML 应用来解释实例化的知识表示文档。在知识 利用过程中，通过维护数据字典和 XML 解析程序把
2010 年 第 20 卷 第 3 期
计算机系统应用
3.2 逻辑层 介于执行层和表示应用层之间的抽象层，把执行
层中无意义的信息变为逻辑上有意义的信息，供使用 者、维护者去操作和维护。其核心思想是：对表示应 用层提供一个统一的数据模型，即提供各类知识和元 知识结构及其对此的各类维护操作和柔性扩展；对于 底层则屏蔽具体的数据库的关系模型，并利用映射原 理建立透明的知识转化机制，并对底层数据库进行 合理有效的管理。它主要涉及知识表示方法中的语 义变化和操作；是知识表示方法实现的关键步骤。 如元知识管理系统、规则库管理系统、模型库管理 系统、数据库管理系统等属于该层。该层应注意这 几方面：
将本体引入知识库的知识建模，建立领域本体知 识库，可以用概念对知识进行表示，同时揭示这些知 识之间内在的关系。领域本体知识库中的知识，不仅 通过纵向类属分类，而且通过本体的语义关联进行组 织和关联，推理机再利用这些知识进行推理，从而提 高检索的查全率和查准率[3]。
上面简要介绍分析了常见的知识表示方法，此 外，还有适合特殊领域的一些知识表示方法，如： 概念图、Petri、基于网格的知识表示方法、粗糙集、 基于云理论的知识表示方法等，在此不做详细介绍。 在实际应用过程中，一个智能系统往往包含了多种 表示方法。
计算机系统应用
ht第 3 期
知识表示方法比较①
刘建炜，燕路峰
(中南大学湘雅医学院 医药信息系，长沙 410013)
摘 要：阐述知识表示的概念，介绍各种知识表示方法。通过讨论知识表示的执行层、逻辑层、表示应用层三个 层面，构建比较和评估各种知识表示方法在智能系统中的指标框架，并且进行简单的比较。最后，通过比较认 为该框架可以指导我们选择合适的知识表示方法解决实际问题。 关键词：知识表示；知识组织；比较研究
方法的表示充分性方面的指标，逻辑层主要参照的是 各方法的推理充分性和软件本身的操作方便性指标， 执行层主要参照的是计算机可实现性和实现的高效性 指标。
图 2 DSS 的三部件结构
3.1 表示应用层 表示应用层，是知识库的基础，是系统开发之前
由领域业务专家制定出来的知识标准，包括知识、元 知识等；是抽象的知识的集合；是解决实际问题的基 础模型。如：要表示的知识的内容和范围，知识表示 的单位(框架、产生式、类等)，用户界面等，该层应该 考虑以下几个方面 ：
谓词逻辑相当于数学中的函数表示。例：用谓词 逻辑表示知识：自然数都是大于等于零的整数
解：定义谓词如下：N(x):x 是自然数；I(x):x 是整 数；GZ(x):x 是大于等于零的数。所以原知识表示为：
① 收稿时间:2010-07-05;收到修改稿时间:2010-08-03
242 专论·综述 Special Issue
本体是一个形式化的、共享的、明确化的、概念 化规范。本体论能够以一种显式、形式化的方式来表 示语义，提高异构系统之间的互操作性，促进知识共 享。因此，最近几年，本体论被广泛用于知识表示领 域。用本体来表示知识的目的是统一应用领域的概念， 并构建本体层级体系表示概念之间的语义关系，实现 人类、计算机对知识的共享和重用。五个基本的建模 元语是本体层级体系的基本组成部分，这些元语分别 为: 类、关系、函数、公理和实例。通常也把 Classes(类) 写成 Concepts。
Special Issue 专论·综述 243
计算机系统应用
2010 年 第 20 卷 第 3 期
特定标签所标注的内容解析出来，以“标签”+“内容” 的格式表示出具体的知识内容。知识表示是构建知识 库的关键，知识表示方法选取得合适与否不仅关系到 知识库中知识的有效存贮，而且也直接影响着系统的 知识推理效率和对新知识的获取能力。 2.7 本体表示法
2 常用知识表示方法介绍
2.1 逻辑表示法 逻辑表示法以谓词形式来表示动作的主体、客体，
是一种叙述性知识表示方法。利用逻辑公式，人们能 描述对象、性质、状况和关系。它主要用于自动定理
的证明。逻辑表示法主要分为命题逻辑和谓词逻辑。 逻辑表示研究的是假设与结论之间的蕴涵关系，即用 逻辑方法推理的规律。它可以看成自然语言的一种简 化形式，由于它精确、无二义性，容易为计算机理解 和操作，同时又与自然语言相似[2]。
例：MYCIN 系统中有下列产生式知识(其中，置 信度称为规则强度)：
IF 本生物的染色斑是革兰性阴性，本微生物的形 状呈杆状，病人是中间宿主
THEN 该微生物是绿脓杆菌，置信度为 0.6 2.3 框架表示
框架(Frame)是把某一特殊事件或对象的所有知 识储存在一起的一种复杂的数据结构[3]。其主体是固 定的，表示某个固定的概念、对象或事件，其下层由 一些槽(Slot)组成，表示主体每个方面的属性。框架是 一种层次的数据结构，框架下层的槽可以看成一种子 框架，子框架本身还可以进一步分层次为侧面。槽和 侧面所具有的属性值分别称为槽值和侧面值。槽值可 以是逻辑型或数字型的，具体的值可以是程序、条件、 默认值或是一个子框架。相互关联的框架连接起来组 成框架系统，或称框架网络。
Comparative Study of Knowledge Representation
LIU Jian-Wei, YAN Lu-Feng
(Central South University, Changsha 410013, China)
Abstract: Firstly, the paper describes the concept of knowledge representation and a variety of knowledge representation. Secondly, it discusses tree levels of knowledge representation: implementational level, logical level and epistemological level. For each level, it sets a framework for comparing and evaluating intelligent knowledge representation. Then commonly-used knowledge representation schemes are compared with this framework. It is believed that this framewok can be efficiently used for comparsion and selection of nowledge representation scheme in spromblem solving. Keywords: knowledge; representation; knowledge organizing; comparative study
1 知识表示的概念
知识表示是知识工程的关键技术之一，主要研究 用什么样的方法将解决问题所需的知识存储在计算机 中，并便于计算机处理。
从一般意义上讲，所谓知识表示是为描述世界所 作的一组约定，是知识的符号化、形式化或模型化。 从计算机科学的角度来看，知识表示是研究计算机表 示知识的可行性、有效性的一般方法，是把人类知识 表示成机器能处理的数据结构和系统控制结构的策 略。知识表示的研究既要考虑知识的表示与存储，又 要考虑知识的使用[1]。
语义网络是知识表示中最重要的方法之一，是一 种表达能力强而且灵活的知识表示方法。它通过概念 及其语义关系来表达知识的一种网络图。从图论的观 点看，它是一个“带标识的有向图”。语义网络利用节 点和带标记的边构成的有向图描述事件、概念、状况、 动作及客体之间的关系。带标记的有向图能十分自然 的描述客体之间的关系。
3 构建比较和评估的框架指标
知识表示方法在人工智能领域的应用最终体现为 软件产品，如决策支持系统(Decision Support System， DSS)。DSS 三部件结构如图 2。根据此结构我们自上 到下将该系统分为三个层面：表示应用层、逻辑层、 执行层。根据软件的特性和知识表示方法的实际应用， 再在每个层面针对性的构建一些可取的指标用来比较 和评价各种知识表示的方法，最终得到知识表示方法 评价的框架体系。表示应用层的指标主要参考的是各