语义网络及其应用实例浅析
网络语义分析技术研究与应用分析

网络语义分析技术研究与应用分析随着互联网的迅速发展和普及,大量的数据被不断地生成和存储,网络化的信息资源也呈现出爆炸式的增长。
如何有效利用这些数据,挖掘出其中有价值的信息,成为当前信息技术领域研究的热点。
语义分析技术在信息处理中扮演着重要的角色,近年来,随着对网络语义分析技术的深入研究和应用,网络信息处理的效率和准确性得到了极大的提升。
一、网络语义分析技术的基本概念网络语义分析是一种利用自然语言处理和机器学习等技术,对大量的网络文本进行处理和分析的方法。
它可以通过对文本中的词汇、句法结构等进行分析,获取文本的深层次含义和信息。
例如,对于一个句子“小张去了北京”,网络语义分析可以通过分析其中的名词“小张”、“北京”,并结合动词“去了”的时态和语气等,推断出这个句子的含义是“小张已经到达北京”。
网络语义分析技术在自然语言处理、信息检索、情感分析和舆情监测等领域具有广泛的应用价值。
二、网络语义分析技术的研究现状目前,网络语义分析技术的研究主要分为两种方法:基于规则的方法和基于统计的方法。
基于规则的方法主要是通过建立一套严格的规则,对文本进行解析和分析。
这种方法通常需要大量领域知识和专业知识的支持,且规则的有效性和完整性对结果的影响较大。
基于统计的方法则是通过对大量的训练数据进行机器学习,从而对网络文本的语义进行分析。
这种方法相对来说更加直观,且只要有足够的训练数据,就可以得到较为准确的结果。
此外,网络语义分析技术的研究还和多个领域相结合,如心理学、社会学等,以应用和深化研究成果。
例如,在情感分析领域,基于网络语义分析技术的情感分析模型可以通过对文本中的情感成分进行分析,判断文章的情感倾向,并且可以在商业、娱乐等多个领域中得到应用。
三、网络语义分析技术的应用前景随着互联网时代的到来,网络语义分析技术在舆情监测、自然语言处理等领域的应用已逐渐深入到社会生活的方方面面。
其中,对于商业领域的应用,网络语义分析技术可以通过对用户评论、意见反馈等进行分析,挖掘出消费者的需求、疑虑等信息,为企业提供更加精细化的服务。
人工智能教案04章 4.5 语义网络表示法

4.5语义网络表示法4.5.1 语义网络语义网络是一种用实体及其语义关系来表达知识的有向图。
结点:代表实体,表示各种事物、概念、情况、属性、状态、事件、动作等;弧:代表语义关系,表示它所连接的两个实体之间的语义联系。
在语义网络中,每一个结点和弧都必须带有标识,这些标识用来说明它所代表的实体或语义。
语义网络是J.R.Quillian 1968年在研究人类联想记忆时提出的一种心理学模型,他认为记忆是由概念间的联系实现的。
随后,J.R.Quillian又把它用作知识表示。
1972年,西蒙在他的自然语言理解系统中也采用了语义网络表示法。
1975年,G .G .Hendrix 又对全称量词的表示提出了语义网络分区技术。
目前,语义网络已经成为人工智能中应用较多的一种知识表示方法,尤其是在自然语言处理方面的应用。
从结构上来看,语义网络一般由一些最基本的语义单元组成。
这些最基本的语义单元被称为语义基元。
可用如下三元组来表示:(结点1,弧,结点2)t4-结点1_swf.htm当把多个语义基元用相应的语义联系关联在一起的时候,就形成了一个语义网络。
注意:在语义网络中,弧是有向弧,方向不能随意调换。
语义网络表示法和产生式表示法及谓词逻辑表示法之间有着对应的表示能力。
思考题:语义网络t4-banana_swf.htm对应的产生式表示法及逻辑表示法是什么?对比谓词逻辑表示法,Relation(Object1,Object2),语义网络表示法为(Object1,Relation,Object2)。
可以认为,语义网络中连接弧上的语义关系对应于逻辑表示法中的谓词关系。
4.5.2 基本的语义关系从功能上说,语义网络可以描述任何事物间的任意复杂关系。
从一些基本的语义关系组合成任意复杂的语义关系是可行的。
下面的例子可以表明一些复杂的语义关系。
图4-3 语义网络图t4-3图_swf.htm◇类属关系类属关系是指具体有共同属性的不同事物间的分类关系、成员关系或实例关系。
1.-概述-语义网络1968年由J.R.Quillian提出,开始是作为人类课件

精品文档
另一种观点认为知识主要是过程性的,其表示 方法应将知识及如何使用这些知识的控制策略 均表示为求解问题的过程,称以这种观点表示 知识的方法为过程性表示法,或过程表示法。
部分
部分
学生
教师
课程
Ⅲ. 推论关系:如果一个概念可由另一个概念推出,则称它们之间存在推论关系。 饥饿
推出
需进食
Ⅳ. 时间、位置关系: 朱雀大街
位于
思远公司
精品文档
. 多元关系: 在语义网络中,一条弧只能从一个节点指向另一个节点,适合
于表示一个二元关系。但在许多情况下需要用一种关系把几个 事物联系起来。例如对于如下事实: 郑州位于西安和北京之间。 西安
唐朝 宋朝
5.located-on 联系 这些联系用来表示事物间的位置关系。
书
located-on
宋朝
6.similar-to,near-to 联系 这些语义联系用来表示事物间的相似和接近的联系。 similar-to
猫
虎
此外,ISA、AKO也可用作语义网络。
精品文档
4. 语义网络系统中求解问题的基本过程
精品文档
(2) 用语义网络表示有关事实间的关系
语义网络可以描述事物间多种复杂的语义关系,下面是常用的几种:
Ⅰ. 分类关系:指事物间的类属关系。如“是一种”等。
能运动 有羽毛 会飞 是一种 会吃
动物
是一种 生活在水中 会游泳 是一种 吃
鸟
是一种 是一种 是一种
鱼
八哥
鸵鸟
鲨鱼
草鱼
会学人语
AI技术在语义理解中的实际应用案例

AI技术在语义理解中的实际应用案例随着人工智能技术的不断发展,语义理解成为了AI领域的一个重要研究方向。
语义理解是指让机器能够准确地理解人类语言的含义和上下文,并进行相应的处理和回应。
在现实生活中,语义理解的应用非常广泛,涵盖了多个领域,如智能助手、自然语言处理、机器翻译等。
本文将介绍一些AI技术在语义理解中的实际应用案例。
一、智能助手智能助手是目前最常见的语义理解应用之一。
通过语音交互,智能助手能够理解用户的意图,并提供相应的服务。
例如,当用户对智能助手说“明天北京天气怎么样?”时,智能助手能够通过语义理解技术分析出用户的意图是查询天气,并回答相应的结果。
这需要AI技术对语音信号进行处理,将其转化为文本,并进行语义分析和意图识别。
二、自然语言处理自然语言处理是语义理解的一个重要分支领域。
通过自然语言处理技术,AI系统能够理解和处理人类语言。
一个典型的应用案例是机器翻译。
AI技术可以将一种语言的文本翻译成另一种语言的文本,实现跨语言的交流和理解。
这需要AI系统对源语言文本进行语义解析和语法分析,然后生成目标语言的对应文本。
三、智能客服智能客服是利用AI技术提供在线客服服务的一种方式。
通过语义理解技术,智能客服系统能够理解用户的问题,并给出相应的回答或解决方案。
例如,当用户在网上购物时遇到问题,可以通过智能客服系统进行咨询。
智能客服系统会分析用户的问题,并给出相应的回答或建议。
这需要AI技术对用户的问题进行语义分析和意图识别,然后给出合适的回答。
四、智能推荐系统智能推荐系统是根据用户的兴趣和行为,为其推荐个性化的内容或产品。
通过语义理解技术,智能推荐系统能够理解用户的兴趣和需求,并给出相应的推荐结果。
例如,当用户在视频网站上观看一部电影后,智能推荐系统可以根据用户的观影记录和兴趣,推荐相似类型的电影。
这需要AI技术对用户的兴趣进行语义分析和模式识别,然后给出合适的推荐结果。
五、智能交通智能交通是利用AI技术提升交通系统效率和安全性的一种方式。
语义网的建立和应用研究

语义网的建立和应用研究随着互联网不断发展,我们面对的信息量越来越大,查询信息也变得越来越困难。
传统的搜索引擎仅可以通过关键词匹配的方式帮助我们查询相关信息,而这种方式往往会出现误导答案或者信息带有多种解释等问题。
如何使机器能够理解并正确处理人类的语言,是一个不断探索和研究的领域。
在这个领域中,语义网的建立和应用研究扮演着至关重要的角色。
一、语义网的概念和发展语义网,是一种用于描述和标注不同资源之间语义关系的技术体系。
其核心思想是将数据内容转换为“语义”,以便机器可以理解和处理。
语义网以传统的XML 技术为基础,通过RDF、OWL等技术,将数据和语义相结合,创造出一种新的互联网体系结构,从而实现全球互联的语义互操作。
语义网的发展可以追溯到1998年,著名计算机学家Tim Berners-Lee提出了Web 3.0的概念,该概念正式标志着语义网的诞生。
随着技术的不断演进,语义网逐渐成为人们能够实现语义互通的有效方式。
而目前,语义网的相关技术和应用已经被广泛应用于各个领域,成为迈向智能互联技术的重要一环。
二、语义网的构成和技术语义网由RDF、OWL等技术构成。
其中,RDF是语义网的基础技术,通过将各种数据转换成通用对象进行编码和描述,实现了统一的数据表示标准。
而OWL 是一种描述和定义概念的技术,其目的是更加精确地定义资源的基本特征、性质、行为等。
需要注意的是,语义网并不仅仅局限于RDF和OWL等技术,而是涵盖了更广泛的一些标准和技术,如SPARQL等查询语言,SKOS等知识组织体系等。
三、语义网的应用领域(1)智能搜索传统的搜索引擎只能依赖关键词进行文本匹配,结果往往出现精度和可信度不够高的情况。
而语义搜索技术,可以实现对于自然语言的理解和抽取关键语义的能力,从而更加精确地响应用户请求,提高搜索结果的质量。
(2)知识图谱知识图谱是指一种将实体、属性、关系以及它们之间的关联关系整合在一起形成的知识库。
[电脑基础知识]24--语义网络表示法
![[电脑基础知识]24--语义网络表示法](https://img.taocdn.com/s3/m/b0c3d20d11a6f524ccbff121dd36a32d7375c76e.png)
2011-3-10
图书
情况
Object
AKO
Before
归还
2006年6月
图2.15 带有情况节点的语义网络 人工智能 丁世飞
2.4 语义网络表示法 人工智能
(2)动作的表示 有些表示知识的语句既有发出动作的主体,又有接
受动作的客体。在用语义网络表示这样的知识时,可 以增加一个动作节点用于指出动作的主体和客体。
属性关系是指事物和其属性之间的关系。常用的属 性关系有:
Have:表示一个结点具有另一个结点所描述的属性。 Can:表示一个结点能做另一个结点的事情。 例如,“鸟有翅膀”,“电视机可以放电视节目”。 其对应的语义网络表示如图2.8所示。
鸟
Have
翅膀
电视机
Can
电视节目
2011-3-10
图2.8 属性关系实例 人工智能 丁世飞
R
A
B
R1
A
R3
R2
B
C
D
R4
R5
图2.3 语义基元结构
图2.4 语义网络结构
2011-3-10
人工智能 丁世飞
2.4 语义网络表示法 人工智能
2.4.2 语义网络的基本语义联系
语义网络除了可以描述事物本身之外,还可以 描述事物之间的错综复杂的关系。基本语义联系是 构成复杂语义联系的基本单元,也是语义网络表示 知识的基础,因此从一些基本的语义联系组合成任 意复杂的语义联系是可以实现的。这里只给出一些 经常使用的最基本语义关系。
情况的参观者。 2011-3-10
人工智能 丁世飞
2.4 语义网络表示法
人
部分
部分
ISA 参观者
部分
网络语义分析与应用探讨
网络语义分析与应用探讨一、网络语义分析的概念和意义网络语义分析(Semantic Analysis)是指对文本或语音等数据进行理解、分析、解释和表示的技术和方法。
其主要目的是通过对数据的深入分析,从中提取出数据的隐含意义和信息,帮助人们更好地理解和使用这些数据。
在当今信息化时代,网络语义分析已经成为了一种重要的技术手段和应用工具。
通过对网络信息的语义分析,可以发掘出有价值的信息,并快速准确地反馈给用户,为用户提供更好的服务和体验。
二、网络语义分析的技术方法网络语义分析的技术方法可以分为两大类:基于规则的方法和基于统计的方法。
基于规则的方法是指通过人工制定一系列规则和模板,对网络文本进行解析、分析和组织。
这种方法的优点是可以根据具体的应用场景,制定出相应的规则和模板,提高语义分析的准确性和实用性。
但规则制定过程需要大量的人力和时间,比较繁琐。
基于统计的方法是指通过机器学习和数据挖掘等技术,从大量的语料库中学习和识别语言和文本的模式和规律,实现自动语义分析。
这种方法的优点是可以高效地处理大规模的数据,并且学习能力强,可以根据不同的使用场景自适应地调整分析模型。
三、网络语义分析的应用场景网络语义分析有广泛的应用场景,其中包括:1. 搜索引擎优化:通过对关键词的语义分析,提高搜索引擎的匹配度和准确性。
2. 垃圾邮件过滤:通过对邮件内容的语义分析判断是否为广告或骚扰信息,实现垃圾邮件的自动过滤。
3. 知识图谱构建:通过对大量的语料库进行语义分析和挖掘,将知识组织成有机的结构,构建知识图谱。
4. 情感分析:通过对文本中的情感词汇进行分析,判断文本的情感色彩及其强度,实现情感分析和分类。
5. 自然语言问答:通过对用户提问的语义进行分析,提供准确的问答结果,实现自然语言的问答交互。
四、网络语义分析的发展趋势随着人工智能和大数据技术的发展,网络语义分析将更加智能化和个性化。
未来语义分析将更加注重个性化和精准化,能够对用户的行为和喜好进行分析和了解,实现更好的服务体验。
语义网络挖掘及其应用
开学
9月
图3-14 At联系示例
Similar-to
方凳
方桌
图3-16 Similar联系示例
第3章 语义网络挖掘及其应用
常用的语义联系
【例3.1】由给出的系统预定义联系画出下述知识的语义网络 每位住在金山公寓3号楼的人都是金山公司的程序员
• 解:我们首先把要表示的知识用谓词公式表示出来,然后再用语义网络
用语义网络求解问题的程序,称为语义网络推理机。
• 1.语义网络系统的推理
➢ 语义网络系统求解问题的基本过程为:
1)把待求解的问题构造为一个问题网络片断,其中有些节点或有向 孤的标识是空的,反映待求解的问题。
2) 在搜寻过程中,可根据需要进行继承推理和网络演绎。
3)当问题网络片断与知识库中的某语义网络片断匹配时,则由此可
第3章 语义网络挖掘及其应用
3.2.2实例学习
1.实例学习属于归纳学习 • 实例学习又叫概念获取,它的任务是确定概念的一般描述,
这个描述应能解释所有给出的正例并排除所有给出的反例。 • 归纳原理的基本思想是在大量观察的基础上通过假设形成
一个科学理论。所有观察都是单称命题,而一个理论往往 是领域内的全称命题。
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“静夜思”这首唐诗
• 由于“静夜思”是一首具体的唐诗,是一个常量,不是全 称量词变元s的函数,因此,应该把它放在子空间之外,
如图3-10所示。
第3章 语义网络挖掘及其应用
语义网络表示
• 4.常用的语义联系 ➢ 语义联系反映了节点之间的语义关系,鉴于事物之间
➢ 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。
语义网络表示法-6DAN-博客园
语义网络表示法-6DAN-博客园
语义网络表示法
1968年有奎廉提出的博士论文《人类联想记忆的一个显示心理学模型》中最先提出来的。
1. 语义网络的概念
语义网络是通过概念及其语义关系来表达知识的一种网络图(“带标识的有向图”(图论))。
2. 知识的语义网络表示
1) 用语义网络表示事实
图1用语义网络表示事实示例
图2合取、析取关系语义网络示例
图3动作作为节点的语义网络示例
图4事件作为节点的语义网络示例
2) 语义网络表示事实之间的关系分类关系
图5 分类关系示例
聚集关系
图6 聚集关系示例
推论关系
图7 推论关系示例
时间、位置关系
图8 时间、位置关系示例
3. 常用的语义联系
表1 常用的语义联系
4. 语义网络系统中求解问题的基本过程
1) 语义网络系统的组成
•语义网络构成的知识库
•用于求解问题的解释程序——语义网络推理机
2) 求解问题的过程
•根据待求解问题的要求构造一个网络片段,其中有些节点或弧的
标识是空的,反映待求解的问题
•依次网络片段到知识库中去寻找可匹配的网络,以找出需要的信息。
主要解决不确定性匹配问题。
•当问题的语义网络片段与知识库中的某语义网络片段匹配时,则与询问处匹配的事实就是问题的解。
表2 语义网络表示法的特点
参考文献:
[1] 王永庆. 人工智能原理与方法. 西安: 西安交通大学出版社
[2] 尹朝庆. 人工智能方法与应用. 武汉: 华中科技大学出版社, 2007。
语义网技术在知识图谱构建中的应用实践
语义网技术在知识图谱构建中的应用实践知识图谱作为一种以图的方式描述和组织知识的技术,已经在众多领域展示了巨大的潜力。
而在知识图谱的构建过程中,语义网技术作为一项重要的基础技术发挥着关键的作用。
本文将介绍语义网技术在知识图谱构建中的应用实践,并以几个典型领域为例进行具体阐述。
首先,语义网技术在知识图谱构建中的应用实践可以帮助实现知识之间的链接和关联。
知识图谱的核心目标是将各种不同格式和结构的知识进行关联,构建一个更加全面和有机的知识体系。
而语义网技术可以通过使用统一的语义标准和语义表示方法,将不同领域、不同数据源的知识进行链接和关联。
例如,在医疗领域,通过语义网技术可以将不同医院、不同数据结构的医疗知识进行整合,实现患者的个人健康档案共享和医疗数据互通。
其次,语义网技术在知识图谱构建中的应用实践可以帮助实现知识的语义解释和推理。
知识图谱不仅仅是一个静态的知识图像,还需要具备一定的推理和智能问答能力。
语义网技术可以通过使用语义表示语言,如RDF(Resource Description Framework)和OWL(Web Ontology Language),为知识赋予更加丰富的语义信息。
这些语义信息可以用于知识的语义解释和推理,从而实现对知识图谱中的隐含知识的发现和应用。
例如,在智能交通领域,语义网技术可以将交通规则和实时路况数据进行关联,实现交通路线的智能规划和交通流的预测。
此外,语义网技术在知识图谱构建中的应用实践还可以帮助解决知识图谱的可伸缩性和性能问题。
知识图谱往往包含海量的实体和关系,在传统的存储和查询方法下,知识图谱的构建和应用面临着巨大的挑战。
而语义网技术可以通过使用分布式的图数据库和语义查询语言,对知识图谱的存储和查询进行优化。
通过利用分布式计算和索引技术,语义网技术可以大大提高知识图谱的可伸缩性和查询性能。
例如,在电商领域,通过语义网技术可以将产品、用户和交易数据进行链接和关联,实现个性化推荐和用户行为分析。
- 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)。
语义网络及其应用实例浅析 姓名: 景 飞 班级: 3005 学号:3113003029 摘要:本文从语义网络的实际应用为出发点,首先介绍了语义网络的基本概念,随后通过列举如何将其应用于家族人物关系的模型建立以及如何建立基于特征的零件知识语义网络两个实例,来说明语义网络在实际建模中的实用性和便捷性,以此说明语义网络的未来发展空间还很大,将其用在智能控制领域会有很大成果。
关键词:语义网络 家族人物关系模型 零件知识语义网络 一、语义网络概述 语义网络是一种出现较早的知识表达形式,并在人工智能中得到了比较广泛的应用。语义网络最早是1968年奎廉(Quillian)在他的博士论文中作为人类联想记忆的一个显式心理学模型提出的,认为记忆是由概念间的联系来是实现的,他主张处理问句时,将语义放在首位。当时的语义网络主要应用于自然语言理解系统中,表示事物之间的关系。由于其强大和直观的表示能力,不久就广泛应用于人工智能研究和应用开发的许多领域。1972年,西蒙正式提出语义网络的概念,讨论了它和一阶谓词的关系,并将语义网络应用到了自然语言理解的研究中。
语义网络采用网络形式表示人类的知识,其表示由词法部分、结构部分、过程部分和语义部分四部分组成。
一个语义网络是一个带标示的有向图。其中,带有标识的结点表示问题领域中的物体、概念、时间、动作或者态势。在语义网络知识表示中,结点一般划分为实例节点和类节点两种类型。结点之间带有标识的有向弧标识结点之间的语义联系,是语义网络组织知识的关键。
因为语义网络表示知识的实质是知识的图解表示,所以这种表示法容易把各种事物有机地联系起来,它特别适于表达关系知识。语义网络通过对于个体间的联系追溯到有关个体的节点,实现对知识的直接存取,能比较正确地反映人类对客观事物的本质认识。应用语义网络使得知识表示更为直观,便于理解。
语义网络的特征包括以下几个方面的内容: 1、重要的相关性得意明确表示; 2、相关事实可以从直接相连的节点推导出来,不必遍历整个庞大的知识库; 3、能够利用“IS-A”和“Subset”链在语义网络中建立属性继承的层次关系;
4、易于对继承的属性进行演绎; 5、能够利用少量基本概念的几号建立状态和动作的描述。 下面我们通过一些简单语义网络表示知识的实例来进一步说明如何通过语义网络来实现知识的表示。 比如我们要说明张三是一名教师,则可以用下图1所示的语义网络来表示。 张三教师ISA
图1 语义网络实例 其中张三和教师是两个实体,在语义网络里我们分别用两个节点表示,而他们之间的关系则用“ISA”链相连来表示,称“ISA”为指针。
语义网络的节点不仅可以表示具体的实物,它还可以用来表达情况动作,把他们作为对象一样处理,每一情况节点可以有一组向外的弧(事例弧或事例框),用以说明情况谓词的各种变量。
例如我们要表示“小燕是燕子是一种鸟,并且它从春天到秋天占有一个巢”这一关系,我们可以用如下的语义网络进行表示。
XIAOYANOWNERSHIPSITUATIONTIMESPRINGFALLNESTNEST-1OWN-1BIRDSWALLOWISAISAOWNERISA
ISAISAISAISAOWNEESTART-TIMEEND-TIME
图2 语义网络实例 上图所示语义网络中设立了“占有权-1”(OWN-1)节点,表示小燕有自己的巢。同时小燕还可以有其他东西,所以“占有权-1”只是“占有权”(OWNERSHIP)的一个实例,而“占有权”又只是一种特定的“情况”(SITUATION)。小燕是“占有权-1”的一个特定的“物主”(OWNER),而“巢-1”是“占有权-1”的一个特定的“占有物”(OWNEE)。小燕占有“占有权-1” 的时间是从春天(SPRING)到秋天(FALL),“春天”和“秋天”有被定为“时间”(TIME)的实例。
从上可以看出语义网络法能够以人的一种思维方式将事物之间的相互关系表示出来,将人的思维过程规则化成为一种知识构架(知识表示方法),而且此种表示方法通过一定的处理过程就能成为计算机算所能接受和理解的知识,这给计算机的智能控制提供了一条途径。
二、语义网络应用实例 语义网络从提出到现在已近有了很大的发展与完善,已经从理论走向了实际。一些基于语义网络法建立的系统模型,在处理问题时所得的结果更加接近实际,而且系统模型的建立也更加方便。
下面我们通过建立一些具体的语义网络实例来说明一下语义网络法在现科学研究中的应用。
2.1、家族人物关系的语义网络模型研究 社会人物关系错综复杂,其中与人们关系最密切的是家族人物关系。在国外,表示家族关系的词汇相对于中国来说比较少,也没有中国划分的细致,应此要简单的多。在中国,开展家族任务关系的研究较多,但大多是关于一个家族的家谱及家族任务的研究,为发掘家族历史与文化作出了突出贡献;但是对家族关系的研究与自然语言理解技术相结合的研究却是刚刚起步,中国科学院有学生研究《红楼梦》中四大家族的人物关系,不过他们的研究在于针对特定家族,利用的是已处理好的格式化的文本知识,没有与知识库相结合,不具有普遍性,表示能力相对来说较为单一。但是语义网络的出现,为这方面的研究提供了新的思路,为类似家族任务关系问题提供了新的解决办法。本例从第三者提供的一句关于家族人物关系的问话出发,结合语义网络,研究普通的家族任务关系,总结出人物之间的关系谓词,融合Prolog技术,建立家族人物关系推理机制及算法(由于篇幅原因只建立了语义网络和任务之间的关系谓词,家族人物关系推理机制及算法的建立请参考相关文献)
本例首先对第三者提问的初始句子进行一系列处理,得到一个标准化的句子;提取知识,转化为三元组的形式存储于知识库;然后构造表示家族人物关系的语义网络;最后依据语义网络生成基本谓词,对提问目标进行相关推理,得出合理答案。
描述家族人物关系的四种简洁关系可以总结成:性别,婚姻,亲子,年龄。这些关系可转换为一阶原子谓词,称之为基本谓词。定义如下:
(1)、SEX(X,[F|M])表示X的性别是“F”或“M”,“M”代表男性,“F”代表女性。
(2)、MARRIAGE(X,Y)表示X和Y有夫妻关系,第一个参数为丈夫,第二位为妻子。
(3)、CHILD(X,Y)表示X是Y的孩子,可能是儿子或女儿,Y可以是父母任一方。 (4)、ELDER(X,Y)表示X的出生顺序相对于Y要早,即X比Y年龄大。 这四种基本谓词在网络中表现为四种弧连接,如下图3所示,分别以弧标记S,A,C,E表示,其中S是一种特殊的弧,本文把它当作节点的属性。
xYXYXYXM
SACE
SEX(X,”M”)MARRIAGE(X,Y)CHILD(X,Y)ELDER(X,Y) 图 3 表示四种基本谓词的弧连接 我们给上边给出的四种基本谓词的弧连接可以按一定的联系,构造复合谓词的语义网络,使其可以进行人物关系的推理。
例如,一个家族人物关系的实例为:以我为中心,我是个男孩儿,叫I,我的爸爸是P,妈妈是Q,我的哥哥是B,他结婚了,对象是O,他们有一个孩子,叫Z,是个男孩儿。我的爷爷是Y,奶奶是N,姑姑是G,姑父是U,他们的女儿叫T。我的外公是L,他有一个女儿,也就是我的妈妈Q。显然,I,P,B,Z,Y,U,L是男性,其余为女性。
本例的家族人物关系实例可以用下图4来表示。爷爷,爸爸,姑姑,哥哥等称谓在语义网络中并没有显式表示,但可推理得出相应的复合谓词。
L...OUZTIBGPQ...NYSMAS
M
CCSCCF
SSS
SCCC
AE
`E
SSSS
CSF
M
MF
M
FMFM
图 4 一个家族人物关系的语义网络 参照上面的关系实例,一个称谓“哥哥”,由语义网络转换为复合谓词就是: GeGe (B,I):-SEX (B,M),CHILD(B,P),CHILD(I,P),ELDER(B,I) GeGe (B,I)不直接存储在知识库中,只存储对应Horn子句中的子目标。 接着下一步的工作就是把本例中的推理思想具体编程实现,并解决一些没有处理好的问题,如在知识库中实现不同家族知识的有效区分及多人多关系的处理等问题,进一步完善推理机制。这样就实现人类语言向机器过渡之后再用来解决实际问题的过程。
2.2、基于特征的零件知识语义网络表示法 由于所有的零件都是由有限个基本特征体组成的,不同零件的特征体是相同的,将零件分解为特征体,进行零件特征体的搜寻,则总能成功匹配。所以,若将多样化的零件知识转化为有限的特征知识,并用适当的知识表示法来表示特征及特征之间的联系,可解决新零件工艺匹配不成功的问题。语义网络适于表示对象之间的从属关系,并具有较强的推理能力,适合用于表示基于特征的零件知识。
l)零件的特征分解 组成零件的基本特征有形状特征、基准特征、工艺特征、管理特征。形状特征分主特征和辅助特征,主特征指构成零件的主要外表面体和内表面体;辅助特征指依附在主特征之上的附属特征。组成零件的基本特征列于下表1。
2)形状特征体的面分解 形状特征体是由多个面组成的,最终加工的是特征表面,因而将特征体再分解为面,如外圆柱体可分解为左端面、右端面、圆柱面;外螺纹体可分解为左端面、右端面、螺纹面。
3)面的属性分解 为正确地加工出面,需要表示面的属性。由工艺知识可知,典型表面加工可分为如下几类:外圆表面加工、孔加工、平面加工、成形表面加工,每种典型表面都是一类,有其类公共属性。
因此,可将典型表面作为父结点,其属性为该类的公有属性,零件特征表面作为子结点,归于某类典型加工表面。父表面和其所属的子表面列于下表2。
综上所述,零件的知识表示可用基本特征体结点和典型表面结点作为父结点,以特征表面作为子结点,特征表面和基本特征体之间是“PARTOF”的关系,而特征表面和典型表面之间是“AKO”的关系。由于基准特征、工艺特征、管理特征和几何尺寸都与特征表面的加工有关,因此,将它们作为特征表面的属性。