Метод представления знаний – совокупность взаимосвязанных средств формального описания знаний и оперирования этими описаниями.
При создании моделей представления знаний следует учитывать такие факторы, как однородность представления и простота понимания.
Формальные логические методы.
Логические модели представления знаний основаны на исчислении предикатов. Предикат – это высказывание, в которое можно подставлять аргументы. Если аргумент один – то предикат выражает свойство аргумента, если больше – то отношение между аргументами.
В логических моделях факт – формула в некоторой логике, система знаний – совокупность формул. Таким образом, предметная область описывается в виде набора аксиом.
Пример применения – Prolog-программа.
Основные операции: логический вывод (доказательство теорем).
Достоинства:
- формальный аппарат вывода новых фактов (знаний) из известных фактов (знаний);
- возможность контроля целостности;
- простая и ясная нотация.
Недостатки:
- знания трудно структурировать и поэтому к предметной области предъявляются высокие требования и ограничения;
- при большом количестве формул их совокупность трудно обозрима, и вывод идет очень долго.
Семантические сети.
Семантика – наука, устанавливающая соответствие между символами и объектами, которые они обозначают. Т. е. семантическая сеть – смысловая сеть. Первые семантические сети были разработаны в качестве языка-посредника для систем машинного перевода.
Семантическая сеть – структура для представления знаний в виде узлов (понятий), соединенных дугами (отношения между понятиями).
В качестве понятий обычно выступают абстрактные или реальные объекты.
Типы отношений:
- часть – целое (класс – подкласс, множество – элемент);
- функциональные связи (определяются глаголами «производит», «влияет»);
- количественные (больше, меньше, равно);
- пространственные (за, под, далеко от);
- временные (в течение, раньше, позже);
- атрибутивные (имеет свойство, имеет значение);
- логические связи («и», «или», «не»);
- элемент класса – пример (собака – кличка собаки).
Классификация семантических сетей по отношениям между понятиями:
1. По количеству отношений:
- однородные – на графе представлен один тип отношений;
- неоднородные – на графе представлены различные типы отношений.
2. По типу отношений:
- бинарные – связаны пары объектов;
- n-арные – отношениями связано более двух понятий или объектов.
Проблема поиска решения в базе знаний типа «семантическая сеть» сводится к поиску фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос.
Основные операции: сопоставление с образцом, поиск, замена, взятие копии.
Достоинства:
- знания хорошо структурированы, структура понятна человеку;
- соответствие организации долговременной памяти у человека.
Недостатки:
- сложность организации процедуры поиска;
- при большом объеме сеть трудно обозрима.
Фреймы.
Фрейм (в переводе – каркас) – это абстрактный образ для представления некоторого стереотипа восприятия. Пример: фрейм комнаты – жилое помещение с 4-мя стенами, полом, потолком, дверью, n окнами и площадью m кв. м. Из этого описания нельзя убрать ни один из элементов, не изменив абстрактный образ, но можно описать реальную комнату, задав значение свойств и характеристик некоторым (или всем) элементам фрейма с помощью значений слотов.
Слоты – это характеристики, свойства и уточнения элементов фрейма или фрейма в целом, существенные в разрабатываемой модели (в примере n и m). В общем случае слот определяется принадлежностью к элементу фрейма, именем, множеством значений, одно из которых он может принимать, способом получения своего значения, присоединенной процедурой для определения своего значения (при необходимости).
Различают фреймы-образцы (или прототипы) – фреймы, хранящиеся в базе знаний, у которых только часть слотов может иметь значения, и фреймы-экземпляры, у которых все слоты должны иметь значения и которые создаются для отображения реальных фактических ситуаций на основе поступающих данных.
Обычно описание фрейма представляют в виде таблицы:
ИМЯ ФРЕЙМА
Наименование элемента фрейма
Имя слота
Множество значений слота
Способ получения значения
Присоединенная процедура
Способы получения слотом значения при формировании фрейма-экземпляра:
- по умолчанию (от фрейма-образца);
- через наследование свойств от другого фрейма в слоте «это»;
- по формуле, указанной в слоте;
- через присоединенную процедуру;
- явно из диалога с пользователем;
- из базы данных.
Если в качестве значения слота выступает имя другого фрейма, то образуется сеть фреймов.
- фреймы-ситуации (рабочий режим устройства, авария).
Основные операции: присвоение слотам значений.
Достоинства:
- гибкость и наглядность;
- отражают концептуальную основу организации памяти человека.
Недостатки:
- отсутствие формальной семантики, что затрудняет сравнение свойств представления знаний различных языков фреймов, а также полное логическое объяснение языка фреймов.
Продукции.
Продукционная модель (продукционные правила) представляет знания условными предложениями вида:
ЕСЛИ (условие), ТО (действие).
Условие – некоторое предложение-образец, по которому осуществляется поиск в базе знаний. При успешном исходе поиска выполняется некоторое действие. Действия могут быть промежуточными (выступающими далее как условия) или терминальными (целевыми), завершающими работу системы.
Здесь данные – это факты, хранящиеся в базе фактов, на основании которых запускается машина вывода (интерпретатор правил), обрабатывающая правила из продукционной базы знаний.
Возможны два подхода к выводу:
1. Прямая цепочка рассуждений.Задается начальная ситуация (условие или набор условий). Необходимо на основании правил выполнить прогноз дальнейшего развития ситуации: «настоящее ® будущее».
2. Обратная цепочка рассуждений. Задается конкретная ситуация и необходимо проанализировать, какие условия и причины привели к этой ситуации: «прошлое ¬ настоящее».
Основные операции: вывод (применение правила, определение правила-преемника и т.д.)
Достоинства:
- разделение знания и управления. Это обеспечивает высокую модульность продукционных правил, т. е. отсутствие синтаксического взаимодействия между правилами;
- наглядность;
- легкость дополнения и модификации;
- простой механизм логического вывода.
Недостаток:
- при большом количестве правил их совокупность трудно обозрима, и вывод идет очень долго.
2.5. Методы приобретения знаний.
Разработка и применение алгоритмов, позволяющих компьютерам развивать их представления и базы знаний, называется машинным обучением.
Пути обучения:
- обучение на примерах;
- объясняющее обучение;
- эволюционные гипотезы;
- рассуждение, основанное на случае.
Каждый подход может быть охарактеризован в терминах ввода, вывода и алгоритмов. Вводы в процесс обучения это репрезентации, которые задают исходную информацию. Выводы – это репрезентации, которые получаются из обучения. Эти новые репрезентации производятся средствами алгоритмов – механическими процедурами, которые изменяют вводные репрезентации.
Обучение на примерах.
Виды:
1. Изучение понятий на примере. Ввод содержит описания примеров и выходные репрезентации, которые кодируются обобщенно для этих примеров. На основании введенных примеров выводятся новые репрезентации, которые могут быть новыми понятиями или деревьями описаний, обеспечивающими классификацию новых примеров.
2. Обобщение правил вместо понятий. Образуется массив грамматических предложений из некоторого языка (например, создание математических правил из данных).
3. Производство деревьев решений. Вводятся списки утвердительных и отрицательных примеров некоторых понятий, из которых выводится дерево решений для сортировки новых примеров. Если при классификации новых примеров допускаются ошибки, то дерево решений изменяется для продуцирования усовершенствованных классификаций.
Объясняющее обучение (аналитическое обучение).
Объясняющее обучение начинает с анализа одного примера вместо изучения большого числа установок, которые обычно используются в обучении на примерах. Вводы в объяснительные алгоритмы состоят из примеров и базы данных общих правил или схем. Выводы – это новые понятия, которые были сформированы из примеров, через конструирование объяснений и обобщения объяснений для получения целевых понятий. Новые понятия исходят не из обобщения многочисленных примеров, а из интенсивных попыток получения знаний, понимание которых основано на детальных примерах.
Эволюционные гипотезы.
Вводы включают существующие гипотезы, наблюдаемые факты и базу знаний, которая может быть использована для генерации новых гипотез для объяснения этих фактов. Выводы – это суждения о приемлемости гипотез. Алгоритмы обязательно требуют сначала сгенерировать гипотезы через поиск в базе знаний различных объяснений, а затем выбрать лучшие между конкурирующими гипотезами.
Рассуждение, основанное на случае (обучение по аналогии).
Вводы в аналоговое обучение: проблема для решения и база данных предварительно решенных проблем. Новый план или объяснение может появиться лишь через адаптацию предыдущего, который существует в памяти. Чтобы получить этот выход, алгоритмы выбирают из памяти решение и наносят его на целевую проблему. Решенная однажды проблема преобразуется в краткое изложение свойств проблемы для обеспечения схемы, которая может быть использована для последующих решений проблем. Аналоговые выводы эффективны, когда есть много похожих предварительно решенных задач.
