人工智能通识教程 课件 第02章-知识表示及其技术

第二章知识表示与知识推理知识表示与知识推理01知识表示的定义知识表示是将现实世界的知识形式化为计算机可理解的形式，通过符号、模型或逻辑等手段，将复杂的现实信息转化为计算机能够处理的结构化数据。02知识推理的作用知识推理是利用已有的知识和规则，通过逻辑推理、规则匹配等方法生成新的知识，它能够从已知信息中推导出未知结论。03应用场景在专家系统中，用于模拟专家的决策过程；在自然语言处理中，帮助理解语言的语义；在机器人规划中，指导机器人根据环境信息制定行动策略。知识表示与知识推理知识表示的核心问题表达能力表达能力决定了知识表示能否准确描述复杂知识。易操作性易操作性影响知识的推理与检索效率。一个好的知识表示方法应该便于推理引擎进行操作。可扩展性可扩展性决定了知识库的动态更新能力。直观性直观性影响知识的可理解性和可解释性。本章主要内容基于一阶谓词逻辑的表示与推理基于产生式规则的表示与推理结构化知识表示与推理不确定性与模糊性经典知识表示与推理方法实例应用与前沿场景基于一阶谓词逻辑的表示与推理01一阶谓词逻辑基本概念量词量词用于表达普遍性和存在性，例如全称量词∀表示所有对象都满足某个条件，存在量词∃表示存在某个对象满足某个条件。量词使得知识表示能够更精确地描述范围和存在性。个体常量个体常量表示具体的对象或实体，例如‘Wang’表示一个人名。在知识表示中，个体常量是描述具体事物的基础，为后续的属性和关系表示提供对象。谓词符号谓词符号用于表示属性或关系，例如‘Student(Wang)’表示Wang是一名学生。谓词符号能够描述个体的特征或个体之间的关系，是表达知识的核心工具。函数符号函数符号表示对象之间的映射关系，例如‘fatherOf(Wang,Li)’表示Wang是Li的父亲。函数符号可以用于描述更复杂的对象关系，丰富知识表示的表达能力。01词汇表词汇表包括常量、变量、谓词和函数，这些是构成一阶谓词逻辑的基本元素。常量表示具体对象，变量表示任意对象，谓词和函数用于描述对象的属性和关系。02项的构造项分为基本项和复合项，基本项是常量或变量，复合项是由函数符号和项组成的表达式。项的构造规则确保了表达式的合法性和层次性，为后续的公式构造提供基础。03公式构造规则公式通过原子公式、否定、合取、析取和量词扩展构造而成。这些规则确保了公式的逻辑完整性和表达能力，使得一阶谓词逻辑能够精确地描述复杂的知识结构。一阶谓词逻辑语法结构命题与谓词示例自然语言与谓词逻辑的对应自然语言句子可以通过谓词逻辑进行精确表示。例如‘小王是一名学生’表示为Student(Wang)，这种表示方法能够清晰地描述个体的属性，便于计算机处理。关系表示对于涉及关系的句子，如‘4大于2’表示为Greater(4,2)，通过谓词和参数的形式，能够准确地表达两个对象之间的关系，避免自然语言的歧义。多参数谓词复杂的句子可以通过多参数谓词表示，如‘Smith是IBM的工程师’表示为Works(Smith,IBM,Engineer)，这种表示方法能够描述多个对象之间的复杂关系，增强知识表示的表达能力。量词作用示例全称量词与存在量词全称量词∀表示所有对象都满足某个条件，例如(∀x)(Robot(x)→Black(x))表示所有机器人都有黑色。存在量词∃表示存在某个对象满足某个条件，例如(∃x)(Engineer(x)∧Operates(x,Lathe))表示存在一名工程师操作车床。量词顺序的影响量词的顺序对逻辑表达式的含义有重要影响。例如∀x∃yF(x,y)表示每人都有朋友，而∃y∀xF(x,y)表示存在一个人是所有人的朋友。这种差异展示了量词在逻辑表达中的关键作用。演绎推理示例演绎推理过程演绎推理是从已知规则和事实推导出新结论的过程。例如，规则∀x(Cat(x)→Mammal(x))和事实Cat(Tom)，通过演绎推理可以得出Mammal(Tom)。这种推理过程逻辑严密，确保结论的正确性。推理图的展示通过树形推理图可以直观地展示演绎推理的过程。从已知事实出发，逐步应用规则，最终得到结论。这种图示方法有助于理解推理的逻辑路径，强调演绎推理在知识推理中的确定性。归纳推理示例归纳推理的定义归纳推理是从具体实例中总结一般规律的过程。例如，观察到多个具体实例Tom、Jerry和Luna都是猫且都是哺乳动物，通过归纳可以得出结论：所有猫都是哺乳动物。归纳推理的重要性归纳推理在知识发现中具有重要意义，它能够从有限的实例中提取出普遍规律，帮助我们更好地理解和扩展知识。例如，在科学研究中，通过实验数据归纳出自然规律。归纳推理的局限性归纳推理存在不确定性和局限性。由于它是基于有限实例的总结，可能受到样本偏差的影响，导致归纳出的结论不完全准确。例如，观察到的天鹅都是白色的，可能错误地归纳出所有天鹅都是白色的。一阶谓词逻辑优势与局限优势：逻辑严密一阶谓词逻辑具有严格的逻辑结构，能够进行精确的推理和验证。通过演绎推理和归纳推理，可以确保推理过程的逻辑严密性，从而生成可靠的结论。优势：表达自然一阶谓词逻辑能够自然地表达现实世界的知识，例如通过个体常量、谓词符号和量词，可以清晰地描述对象的属性和关系，使得知识表示更加直观和易于理解。局限：无法处理不确定性一阶谓词逻辑无法直接处理不确定性信息。在现实世界中，许多知识是不确定的，例如天气预测或医学诊断中的不确定性，一阶谓词逻辑无法有效表达和推理这类信息。局限：推理效率低一阶谓词逻辑的推理过程容易产生组合爆炸，导致推理效率较低。在处理大规模知识库时，推理时间可能过长，限制了其在实际应用中的适用性。产生式规则02产生式规则IF-THEN形式IF-THEN规则的定义产生式规则是一种简单的知识表示形式，通常以IF-THEN的形式表示。例如‘IF动物会飞AND会下蛋→动物是鸟’，这种形式直观地表达了条件和结论之间的关系。规则库的作用规则库是产生式系统的核心组成部分，存储了大量的IF-THEN规则。这些规则描述了知识的逻辑关系，为推理机提供了推理的基础。推理机的功能推理机根据规则库中的规则和事实库中的事实进行推理，通过匹配规则的条件部分，生成新的结论并更新事实库。推理机的高效运行是产生式系统的关键。推理机制前向链推理前向链推理是一种数据驱动的推理机制，从已知事实出发，通过匹配规则的条件部分，逐步推出新的结论。例如，已知事实‘动物会飞’和‘动物会下蛋’，通过匹配规则‘IF动物会飞AND会下蛋→动物是鸟’，可以推出结论‘动物是鸟’。01后向链推理后向链推理是一种目标驱动的推理机制，从目标结论出发，反向查找能够支持该结论的规则和子目标。例如，目标是‘动物是鸟’，推理机会查找支持该结论的规则‘IF动物会飞AND会下蛋→动物是鸟’，并进一步查找‘动物会飞’和‘动物会下蛋’这两个子目标。02两种推理机制的对比前向链推理适用于数据驱动的场景，能够从大量已知事实中发现潜在的结论；后向链推理适用于目标驱动的场景，能够高效地查找支持目标的证据。两者在不同应用中各有优势。03前向链与后向链对比推理方向前向链推理是自底向上的，从具体事实逐步推导出更一般的结论；后向链推理是自顶向下的，从目标结论逐步分解为具体的子目标。驱动方式前向链推理是数据驱动的，从已知事实出发逐步推导；后向链推理是目标驱动的，从目标结论出发反向查找支持证据。透明性前向链推理的过程较难解释，因为它是基于大量已知事实的逐步推导；后向链推理的过程更易于解释，因为它直接围绕目标展开。应用系统前向链推理适用于CLIPS和OPS等系统，适合处理数据驱动的推理任务；后向链推理适用于PROLOG系统，适合处理目标驱动的推理任务。产生式规则优缺点优点产生式规则的缺点是推理效率较低，尤其是当规则库较大时，容易出现组合爆炸问题。此外，它难以表示复杂的结构化知识，对于复杂的关系和层次结构表示能力有限。缺点产生式规则的优点是自然直观，容易理解和实现。它能够模块化地表示知识，便于知识的组织和更新。此外，产生式规则还能处理不确定性，通过规则的置信度等方式表示知识的不确定性。结构化知识表示与推理03三种主要方式语义网络语义网络是一种图形化的知识表示方法，通过节点和边表示实体和关系。节点代表实体，边代表实体之间的关系。例如，‘猫’和‘动物’之间可以通过‘属于’关系连接，直观地表示知识的结构。框架表示框架表示是一种基于槽和值的知识表示方法。每个框架包含多个槽，每个槽对应一个属性及其值。例如，一个教师框架可以包含姓名、年龄、职称和部门等槽及其对应的值，便于组织结构化知识。面向对象表示面向对象表示是一种基于类和对象的知识表示方法。通过定义类、属性和关系，可以表示复杂的实体和继承关系。例如，学生类可以包含姓名、学号和年龄等属性，硕士生类可以继承学生类的属性。01框架的基本结构框架由多个槽和值组成，每个槽代表一个属性，每个值代表该属性的具体内容。例如，教师框架可以包含姓名、年龄、职称和部门等槽及其对应的值，形成一个结构化的知识单元。02槽的作用槽是框架表示的核心，用于描述实体的属性。例如，教师框架中的‘姓名’槽用于存储教师的名字，‘职称’槽用于存储教师的职称。槽的设置使得知识的组织更加清晰和有条理。03框架的优势框架表示的优势在于其易于理解和扩展。通过槽和值的形式，可以直观地展示知识的结构，便于用户理解和维护。同时，框架可以通过添加新的槽或修改槽的值来扩展知识。框架表示示例面向对象表示面向对象的基本概念面向对象表示通过类、属性和关系来组织知识。类是具有相同属性和行为的对象集合，属性描述对象的特征，关系描述对象之间的联系。例如，学生类的属性包括姓名、学号和年龄。01继承关系面向对象表示支持继承关系，子类可以继承父类的属性和方法。例如，硕士生类可以继承学生类的属性，同时还可以添加自己的特有属性，如研究方向。继承关系使得知识表示更加灵活和高效。02面向对象的优势面向对象表示的优势在于其能够处理复杂的结构和动态关系。通过类和对象的组织方式，可以清晰地表示实体之间的层次关系和动态行为，适用于复杂系统的知识表示。03不确定性与模糊性04不确定性推理01不确定性推理的定义不确定性推理是符号推演与信度计算的结合，用于处理知识的不确定性和不完整性。例如，在医学诊断中，根据症状和经验规则，计算疾病的可能性，从而得出不确定的结论。02概率图模型概率图模型是一种常用的不确定性推理工具，通过节点和边表示随机变量和条件依赖关系。例如，Bayesian网络可以表示变量之间的概率关系，通过条件概率推理得出结论。03不确定性推理的重要性不确定性推理在处理现实世界中的不确定知识时具有重要意义。它能够根据有限的信息和概率模型，推导出合理的结论，广泛应用于决策支持、故障诊断等领域。模糊逻辑模糊逻辑的定义模糊逻辑是一种处理模糊性和不确定性的逻辑方法，通过隶属函数表示元素对模糊集合的隶属度。例如，温度可以分为‘偏凉’‘偏热’和‘很热’等模糊集合，隶属函数描述温度与隶属度的关系。隶属函数的作用隶属函数是模糊逻辑的核心，用于量化模糊概念。例如，20℃的隶属度为0.3（偏凉），30℃的隶属度为0.7（偏热），35℃的隶属度为0.9（很热）。隶属函数使得模糊概念能够进行数学处理。模糊逻辑的应用模糊逻辑广泛应用于控制系统和决策支持等领域。例如，在空调控制系统中，根据温度的模糊隶属度调整空调的运行状态，实现更灵活的控制策略。模糊推理系统结构01模糊化模块模糊化模块将精确值转化为模糊集合。例如，将温度25℃模糊化为‘偏热’的隶属度0.6和‘偏凉’的隶属度0.4，为后续的模糊推理提供输入。03推理机推理机根据知识库中的规则和模糊化后的输入进行推理，生成模糊输出。例如，根据规则和输入的模糊隶属度，推理出空调的模糊控制信号。02知识库知识库包括规则库和隶属函数库。规则库存储模糊推理规则，例如‘IF温度偏热THEN打开空调’；隶属函数库定义模糊集合的隶属函数，为模糊推理提供基础。04解模糊化模块解模糊化模块将模糊输出转化为精确值。例如，将模糊控制信号转化为具体的空调温度设置值，完成模糊推理的全过程。经典知识表示与推理方法实例05医疗诊断专家系统症状与疾病的关系医疗诊断专家系统通过知识表示和推理实现疾病诊断。例如，发热+咳嗽对应流感，发热+咳嗽+呼吸急促对应肺炎。系统根据输入的症状组合，匹配规则库中的知识，推断出可能的疾病。知识库的作用知识库存储了疾病诊断的规则和知识，包括症状与疾病的对应关系。这些知识是专家系统的核心，使得系统能够模拟专家的诊断过程，提供准确的诊断建议。专家系统的优势医疗诊断专家系统能够提高诊断效率和准确性，尤其在处理复杂症状和罕见疾病时。它可以帮助医生快速做出初步诊断，减少误诊率，为患者提供更好的医疗服务。自然语言理解示例自然语言的逻辑形式自然语言理解需要将自然语言句子转化为逻辑形式。例如，‘EveryonelovesMary’可以表示为∀x(Person(x)→Likes(x,Mary))，这种逻辑形式便于计算机进行推理和处理。语义信息的生成通过逻辑形式的转化，可以生成句子的语义信息。例如，从逻辑形式中可以推导出‘每个人喜欢Mary’的语义，为后续