《人工智能通识》课件 第三章：知识与知识表示

第三章

知识与知识表示

知识与知识表示第一节知识的定义：经过组织、解释和验证的信息，它包含了事实、规则、概念、原理和经验等。可表示性知识可以被以某种形式明确地表达出来。可推理性知识之间存在逻辑关系，支持推理和推断。可共享性知识可以在不同的个体或系统之间传递交流。可增长性知识是可以不断积累和扩展的。知识的定义与特性谓词逻辑使用逻辑符号和变量表示知识，支持逻辑推理和证明，形式化程度高。产生式规则基于“如果-那么”结构，适用于表示具有因果关系的知识，推理灵活。语义网络通过节点和边表示概念和关系，图形化展示，直观表达知识间的联系。框架表示结构化表示方法，使用框架描述对象和属性，支持继承和多态特性。本体论定义领域概念、属性和关系，抽象且通用，为知识共享和重用奠定基础。应用价值合理的知识表示是构建智能系统的核心，决定了推理效率和系统能力。知识表示的基本方法谓词逻辑表示法第二节个体词(Individuals)表示具体或抽象的对象。可以是常数（如a,b）或变量（如x,y），是逻辑中的基本元素。谓词(Predicates)描述对象的属性或关系。如P(x)表示“x具有P属性”，R(x,y)表示“x和y具有R关系”。量词(Quantifiers)•全称量词(∀)：表示“对于所有”，限定范围为全体。•存在量词(∃)：表示“存在至少一个”，限定范围为部分。逻辑连接词(Connectives)“∧”表示“与”，“∨”表示“或”，“¬”表示“非”，“→”表示“蕴含”，用于连接谓词和量词谓词逻辑的基本概念原子公式由谓词和个体组成的基本表达式，是谓词逻辑的最小单元。示例：•P(a)：表示“a具有P属性”其中P是一元谓词，x是个体变项。复合公式由逻辑连接词连接的原子公式，用于表达更复杂的逻辑关系。示例：•P(x)∧Q(y)：x有P属性且y有Q属性•P(x)￫Q(y)：若x有P属性，则y有Q属性谓词逻辑的表示方法（一）全称量词(∀)表示“对于所有”，如∀xP(x)表示“对于所有x，x都具有P属性”。存在量词(∃)表示“存在至少一个”，如∃xQ(x)表示“存在至少一个x，x具有Q属性”。谓词逻辑的表示方法（二）经典案例：用谓词逻辑表示自然语言案例：“所有的猫都喜欢吃鱼”定义谓词Cat(x)：x是猫；Like(x,y)：x喜欢y；Fish(y)：y是鱼构造公式∀x(Cat(x)→∃y(Fish(y)∧Like(x,y)))通俗翻译对于所有x，如果x是猫，那么存在某个y，y是鱼并且x喜欢y。猫与鱼的关系1.确定个体域明确问题讨论的对象集合，为后续谓词定义与逻辑推理提供基础。2.定义谓词将自然语言中的关系或性质转化为逻辑符号，形成原子公式的基础。3.构造原子公式通过谓词与个体词组合，形成最基本的逻辑表达式。谓词逻辑表示的步骤（一）04.使用连接词组合公式通过逻辑连接词（如与、或、非）构建复合公式，表达更复杂的逻辑关系与约束。05.引入量词引入全称量词(∀)和存在量词(∃)，扩展公式的适用范围，精准表达对象集合的性质。06.验证与优化检查逻辑表示的正确性、完备性与一致性，并优化表达结构以提升推理效率。谓词逻辑表示的步骤（二）状态空间表示法第三节状态空间表示法的核心思路生活化类比：地图寻路•初始状态=起点，目标状态=终点•操作符=行走规则，状态空间=所有可能路线核心定义将问题转化为状态集合，通过合法操作从初始状态转移到目标状态，寻找最优解路径。核心价值适用于路径规划与问题求解类AI任务，如机器人导航、游戏策略推演等。状态空间的抽象可视化：从起点到终点的多维路径探索状态与状态空间的定义（一）

状态的定义：最小完备性描述系统在某一时刻的所有关键信息。仅根据当前状态就能推断出后续状态，无需额外历史信息，即满足“最小完备性”。典型案例解析机器人导航状态表示为“位置坐标+朝向”，例如：(x,y,北)，包含了移动所需的全部信息。八数码问题状态是3×3方格中数字的具体位置组合，每个数字的排列即为一个唯一的状态。快递配送状态可表示为“快递位置+配送员位置”，这两个信息决定了下一步的配送路径。状态与状态空间的定义（二）S状态集合所有可能状态的集合，包含问题在不同阶段的所有表现形式。例如：机器人在环境中的所有可能位置O操作符集合状态转换的规则，即允许从一个状态转移到另一个状态的动作。例如：机器人可以“向前走”、“向左转”S₀初始状态问题求解的起点，是状态空间中一个特定的状态节点。例如：机器人在实验室的位置G目标状态问题求解的终点，是希望达到的一个或多个状态的集合。例如：机器人需要到达会议室状态与状态空间的定义（三）状态空间图的定义一种图形化的表示方式，其中节点代表状态，边代表操作符（即状态之间的转换）。核心作用直观展示所有可能状态及转换关系，帮助清晰看到从初始状态到目标状态的路径，方便寻找最优解。状态空间图结构示意操作符与状态转换操作符(Operator)定义：引起状态转换的规则或动作，是实现状态变化的核心驱动力。核心特性：局部性：操作通常只影响当前状态的局部特征。合法性：必须符合问题的约束条件（如机器人避障）。状态转换(Transition)定义：系统通过应用一个合法的操作符，从当前状态演变到下一个状态的过程。分类方式：确定性操作符：操作结果唯一，状态路径确定。非确定性操作符：操作结果存在多种可能性（概率性）。问题建模与表示方法状态变量定义与编码选择关键状态变量，用符号或数值表示。例如八数码问题中数字位置的向量表示。操作符集合设计设计所有合法操作符，确保符合约束条件。例如八数码问题中空格的移动规则。状态空间图的构建将所有状态和操作符组合，构建完整的状态空间图，形成问题的完整模型。解路径搜索利用搜索算法（如BFS、DFS、A*）在状态空间图中寻找从初始到目标状态的路径。经典案例：八数码问题问题描述：在3×3方格中，通过移动空格，将无序的初始状态转化为有序的目标状态。状态空间：所有可能的排列组合，总共有9!=362880种可能的状态。操作符：空格可以进行上、下、左、右四个方向的移动，推动数字位置变化。求解方法：使用广度优先搜索(BFS)找最短路径，或A*算法结合启发式信息加速求解。文科生友好说明：核心在于理解“将问题转化为状态转换”的思路，而非纠结算法细节。八数码问题状态转换示意图问题归约表示法第四节问题归约表示法的核心思想：分而治之生活化类比：拆解任务如同撰写毕业论文，将其拆解为“选题、查资料、写初稿”等子任务，解决所有子任务即解决原问题。核心定义：分解与组合将复杂问题分解为若干简单子问题，求解子问题后，将它们的解组合起来，从而得到原问题的解。核心价值：降维增效显著降低问题的复杂度，提高求解效率，特别适合解决复杂、层次化的大型问题。问题归约：如同拼图，分解与重构“分而治之”是人工智能求解复杂问题的基石问题归约的核心分解机制（一）状态空间法将原问题转化为一个状态空间图，求解原问题就相当于在这个图中寻找一条解路径。子问题可以看作是路径中的子路径，通过逐步搜索路径来达成目标。与或图法(AO*算法)“与”关系(AND)所有子问题都必须解决，原问题才能解决。例：做饭=买菜∧洗菜∧炒菜。“或”关系(OR)解决任意一个子问题，原问题即可解决。例：去学校=公交∨地铁∨骑车。核心思想：将复杂问题分解为若干子问题，通过解决子问题来间接解决原问题，利用“与/或”逻辑构建问题求解的依赖关系网。问题归约的核心分解机制（二）子目标递归分解将原问题分解为若干子目标，每个子目标再进一步分解为更小的子目标，直到分解出不需要再分解的“本原问题”。例如：计算“1+2+3+4”可分解为“1+2”和“3+4”，再分别计算。本原问题定义：不需要再分解的、可以直接求解的简单问题。例如：“1+1=2”、“机器人向前走一步”。作用：是问题分解的“终点”，是求解原问题的基础。问题归约的实现步骤1.问题形式化表示将实际问题转化为数学或逻辑模型，明确问题的范围、状态空间和约束条件。2.归约算子设计设计分解规则，将原问题分解为子问题，并定义子问题之间的“与/或”关系。3.搜索策略选择选择合适的搜索算法（如A*算法），求解各个子问题，并将它们的解组合得到原问题的解。经典案例：复杂项目任务拆解原问题：完成“人工智能科普展”项目分解子问题(与关系)：策划方案∧场地布置∧展品准备∧人员安排再分解(或关系)：“展品准备”=制作科普海报∨准备AI演示设备本原问题：设计一张科普海报、调试一台演示设备核心小结：问题归约让复杂的项目变得条理清晰，易于执行和管理。项目进度与任务拆解甘特图问题归约表示法的优缺点与适用场景优点显著降低问题的复杂度结构层次清晰，便于理解和管理适合解决复杂、层次化的问题缺点分解规则设计难度大，需深入理解问题子问题关系复杂时容易出错适用场景项目管理与任务拆解复杂算法设计数学问题证明语义网络表示法第五节语义网络表示法：符合人类认知习惯生活化类比：大脑的“知识图谱”如同想到“苹果”会自然联想“水果”、“红色”、“甜”等属性，符合直觉联想。定义：图形化知识表示由节点（概念/实体）和弧（边）（语义关系）组成的图形结构。核心价值：直观且基础直观易懂，符合人类认知习惯，是知识图谱、自然语言理解等领域的重要基础。语义网络/知识图谱的抽象结构“连接万物，让知识可见”语义网络的基本结构（一）节点定义：表示实体、概念、属性或事件。例：“苹果”、“水果”、“红色”、“吃饭”特点：每个节点都有唯一的标识，确保语义的准确性。弧定义：表示节点之间的语义关系，带有方向（箭头指向）。例：连接“苹果”与“红色”的“具有”关系特点：弧上通常标注关系类型，如“ISA”（是一个）、“Have”（有）。语义网络的基本结构（二）实例关系(ISA)“小花”ISA“猫”表示个体与类别的实例化关系分类关系(AKO)“猫”AKO“动物”表示子类与父类的泛化关系属性关系(Have)“猫”Have“四条腿”表示对象拥有的属性或能力成员关系(Member)“北京”Member“中国”表示个体与集体的所属关系包含关系(Part-of)“心脏”Part-of“人体”表示部分与整体的组成关系时间关系(Before)“吃饭”Before“睡觉”表示事件发生的先后顺序位置关系(Located)“书”Located-on“桌子”表示对象所处的空间位置相近关系(Similar)“猫”Similar-to“老虎”表示对象间的相似或类比关系因果关系(If-then)“下雨”If-then“地面湿”表示事件之间的因果逻辑关系语义网络的知识表示步骤知识获取与形式化描述收集相关知识，明确核心概念、实体及关系。例如：明确“苹果”是水果，具有红色、甜等属性。语义网络构建创建节点（如苹果、水果），用弧标注关系（ISA、Have），并添加约束确保关系无矛盾。语义网络优化消除冗余节点和关系，检查逻辑一致性，优化网络性能，确保知识表示的准确性与高效性。语义网络的推理机制正向推理从已知事实出发，利用语义网络关系，推导出新结论。例：苹果是水果+水果会腐烂

→苹果会腐烂反向推理从目标结论出发，在语义网络中寻找支持该结论的前提条件。问：苹果会腐烂吗？

查：寻找“苹果是水果”等前提混合推理结合正向推理和反向推理的优势，有效提高推理的效率和准确性。策略：正向推理确定方向

反向推理验证细节语义网络的典型应用场景知识图谱如百度百科、维基