<<
>>

Классификация методов представления знаний

Для того чтобы манипулировать всевозможными зна-ниями из реального мира с помощью компьютера, необходимо осуществить их моделирование.

При проектировании модели представления знаний следует учесть два требования:

¦ однородность представления;

¦ простота понимания.

Выполнение этих требований позволяет упростить механизм логического вывода и процессы приобретения знаний и управления ими, однако, как правило, создателям интеллек-туальной системы приходится идти на некоторый компромисс в стремлении обеспечить одинаковое понимание знаний и экспертами, и инженерами знаний, и пользователями.

Классификация методов моделирования знаний с точки зрения подхода к их представлению в ЭВМ показана на рис.

4.2.3.

Дадим общую характеристику основных методов пред-ставления знаний с помощью моделей, основанных на эврис-тическом подходе.

1. Представление знаний тройкой “объект — атрибут — значение” — один из первых методов моделирования знаний. Как правило, используется для представления фактических знаний в простейших системах.

Очевидно, что для моделирования знаний даже об одном объекте (например, о “студенте” или “доме”) из предметной области необходимо хранить значительное число “троек”.

2.

Продукционная модель (модель правил; модель продукций — от англ. production — изготовление, выработка). В настоящее время наиболее проработанная и распространенная модель представления знаний, в частности — в экспертных системах.

Полнота базы знаний (базы правил) определяет возмож-ности системы по удовлетворению потребностей пользователей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения.

Пусть в некоторой области памяти хранятся следующие правила (суждения):

¦ правило 1 — ЕСЛИ в стране происходит падение курса национальной валюты;

ТО материальное положение населения ухудшается;

¦ правило 2 — ЕСЛИ объемы производства в стране па-дают;

ТО курс национальной валюты снижается;

¦ правило 3 — ЕСЛИ материальное положение населения ухудшается;

ТО уровень смертности в стране возрастает.

Если на вход системы поступит новый факт “В стране высокий уровень падения объемов производства”, то из правил можно построить цепочку рассуждений и сформулировать два заключения:

факт 1 — правило 2 — правило 1 — заключение 1 — правило 3 — заключение 2,

где заключение 1 (промежуточный вывод) — “Материальное положение населения ухудшается”; заключение 2 (окончательный вывод) — “В стране возрастает уровень смертности”.

Отметим, что в современных экспертных системах в базе знаний могут храниться тысячи правил, а коммерческая сто-имость одного невыводимого (нового, дополнительного) правила весьма высока.

Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений ре-зультатов работы системы.

Основной недостаток подобных систем — трудность обес-печения непротиворечивости правил При их большом числе, что требует создания специальных правил (так называемых метаправил) разрешения возникающих в ходе логического вывода противоречий.

Кроме того, время формирования ито-гового заключения может быть достаточно большим.

3. Фреймовая модель. Сравнительно новая модель пред-ставления знаний. Само понятие “фрейм” (англ. frame — рама, рамка, скелет, сгусток, сруб и т. д.) было введено в 1975 г. Марком Минским (М. Minsky, США).

Фрейм — это минимальная структура информации, не-обходимая для представления знаний о стереотипных классах объектов, явлений, ситуаций, процессов и др. С помощью фреймов можно моделировать знания о самых разнообразных объектах интересующей исследователя предметной области — важно лишь, чтобы эти объекты составляли класс концептуальных (повторяющихся: стереотипных) объектов, процессов и т. п. Примерами стереотипных жизненных ситуаций могут служить собрание, совещание; сдача экзамена или зачета; защита курсовой работы и др. Примеры стереотипных бытовых ситуаций: отъезд в отпуск; встреча гостей; выбор телевизора; ремонт и др.

Наполняя слоты конкретным содержанием, можно получить фрейм конкретной ситуации, например: “Радиомонтажник соединяет микросхему с конденсатором способом пайки”. Запол-нение слотов шанциями называют активизацией фрейма.

С помощью фреймов можно моделировать как процедурные, так и декларативные знания.

По содержательному смыслу фрейма выделяют [21]:

¦ фреймы-понятия;

¦ фреймы-меню;

¦ фреймы с иерархически вложенной структурой.

Фрейм-понятие — это фрейм типа И. Например, фрейм

“операция” содержит объединенные связкой И имена слотов

?

что делать, что это дает, как делать, кто делает, “где делать” и т. д., а фрейм “предмет” — слоты с именами “назначение”, “форма”, “вес”, “цвет” и т. д.

Фрейм-меню — это фрейм типа ИЛИ. Он служит для организации процедурных знаний с помощью оператора ’’выб-рать”. Например, фрейм “что делать” может состоять из объе-диненных связкой ИЛИ слотов “решить уравнение”, ’’подставить данные”, “уточнить задачу” и т. д., причем каждый из этих слотов может иметь несколько значений.

Фрейм с иерархически вложенной структурой предполагает, что в нем в качестве значений слотов можно использовать имена других фреймов, слотов и т.

д., т. е. использовать иерархическую структуру, в которой комбинируются другие виды фреймов (в итоге получают так называемые фреймысценарии).?

Процедуры-дежомы присоединяются к слоту и активизи-руются при изменении информации в этом слоте (выполняют вспомогательные операции — например, автоматически кор-ректируют информацию во всех других структурах, где ис-пользуется значение данного слота) — см. рис. 4.2.6.

Процедуры-слуги активизируются при выполнении неко-торых условий относительно содержимого слотов (часто по запросу). Данные процедуры определяются пользователем при создании фрейма. Например, во фрейме “Учебная аудитория” можно предусмотреть слоты “длина” и “ширина”, а по их значениям вычислять значение слота “площадь”.

Фреймы позволяют использовать многие свойства знаний и достаточно широко употребляются. Их достоинства и недостатки схожи с достоинствами и недостатками семантических сетей, которые будут рассмотрены ниже.

4. Модель семантической сети (модель Куилиана).

Семантическая сеть — это направленный граф с поиме-нованными вершинами и дугами, причем узлы обозначают конкретные объекты, а дуги — отношения между ними [21]. Как следует из определения, данная модель представления знаний является более общей по отношению к фреймовой модели (иными словами, фреймовая модель — частный случай семантической сети). Семантическую сеть можно построить для любой предметной области и для самых разнообразных объектов и отношений.

В семантических сетях используют три типа вершин:

¦ вершины-понятия (обычно это существительные);

¦ вершины-события (обычно это глаголы);

¦ вершины-свойства (прилагательные, наречия, опреде-ления).

Дуги сети (семантические отношения) делят на четыре класса:

¦ лингвистические (падежные, глагольные, атрибутивные);

¦ логические (И, ИЛИ, НЕ);

¦ теоретико-множественные (множество — подмноже-ство, отношения целого и части, родовидовые отношения);

¦ квантифицированные (определяемые кванторами об-щности V и существования 3).

(Напомним, что кванторы — это логические операторы, переводящие одну высказывательную форму в другую и позволяющие указывать объем тех значений предметных пе-ременных, для которых данная высказывательная форма ис-тинна.)

Основное достоинство методов моделирования знаний с помощью семантических сетей и фреймов — универсальность, удобство представления как декларативных, так и процедура льных знаний.

Имеют место и два недостатка:

¦ громоздкость, сложность построения и изменения;

¦ потребность в разнообразных процедурах обработки, связанная с разнообразием типов дуг и вершин.

В рамках реализации теоретического подхода применяют логические модели, прежде всего использующие представления знаний в системе логики предикатов. Преимущества такого подхода очевидны: единственность теоретического обоснования и возможность реализации системы путем введения формально точных определений и правил получения выводов. Однако в полной мере претворить в жизнь данный подход даже для “простых” задач оказалось весьма сложно. Поэтому появились попытки перейти от формальной логики к так называемой человеческой логике (модальной логике, многозначной логике и др.), модели которой в большей или меньшей степени учитывают “человеческий фактор”, т. е. являются в определенном смысле компромиссными “в плане использования и теоретического, и эвристического подходов.

Очень коротко остановимся на ставшей классической пре-дикатной модели представления знаний. Первые попытки ис-пользовать такую модель относятся к 50-м гг. прошлого века. Дадим несколько определений.

Пусть имеется некоторое множество объектов, называемое предметной областью. Выражение Р(хр х2,...,хп), где x{(i — 1,..,п) — так называемая предметная переменная, а Р принимает значения 0 или 1, называется логической функцией или предикатом.

Предикат P(xvx2,...,xn) задает отношение между элементами xv х2,...,хп и обозначает высказывание, что “xv х2,...,хп находятся между собой в отношении Р”. Например, если А — множество целых чисел, а Р(а) — высказывание “а — положительное число”, то Р(а) = 1 при а > 0 и Р(о) = 0 при о < 0.

Из подобного рода элементарных высказываний с помощью логических связок образуют более сложные высказывания, которые могут принимать те же значения — ’’истина” и “ложь”. В качестве связок используются конъюнкция, дизъюнкция, импликация, отрицание, эквивалентность.

Предикат от п переменных называют п-местным.

Одноместные (унарные) предикаты отражают свойства определенного объекта или класса объектов.

Многоместные предикаты позволяют записывать отношения, которые су-ществуют между группой элементов.

Если а — тоже предикат, то Р(а) — предикат 2-го порядка, и т. д. до n-го порядка.

Приведем примеры различных предикатов.

1. Унарный предикат (высказывание) “Река впадает в Каспийское море” имеет значение 1, если “Река” = “Волга”, и значение 0, если “Река” = “Днепр”.

2. Двухместный предикат “х1 не меньше х” может иметь значение 1 или 0 в зависимости от значений х1 и х2. Если значение предиката тождественно равно 1 при любых значениях предметных переменных, он называется тавтологией.

В аппарат исчисления предикатов входят также символы функций (обычно обозначаемые латинскими буквами /, g, h ит. д.), задаваемых на множестве предметных переменных, и кванторы общности V и существования 3.

3. Представление с помощью предиката знаний, заклю-ченных в теореме Пифагора: P{g\f(x), /(у)], /(z)}, где предикат Р — “быть равным”, функция д(х, у) = х + у; функция /(х) = х2.

Иногда используется такая форма записи:

РАВНЫ [СУММА (КВАДРАТ (х), КВАДРАТ (у)), КВАДРАТ (2)].

Предикат Р равен 1, если х, у, z — соответственно длины катетов и гипотенузы прямоугольного треугольника.

Как уже отмечалось, предикаты удобны для описания декларативных знаний (фактов, событий и т. п.). Их главные достоинства — возможность реализации строгого вывода знаний (исчисления предикатов) и сравнительная компактность модели. К сожалению, предикаты мало пригодны для записи процедуральных знаний. Кроме того, опыт показал, что человеческое знание по своей структуре много сложнее структуры языков предикатного типа, поэтому требуются спе-циальные навыки ’’подгонки” структуры реального знания под структуру модели (как правило, значительно обедняющей исходные знания).

<< | >>
Источник: В. Б. Уткин. Информационные системы в экономике. 2008

Еще по теме Классификация методов представления знаний:

  1. Методы представления знаний
  2. Классификация методов технического анализа
  3. Классификация методов государственного регулирования логистических процессов
  4. Показатели платежного баланса и методы классификации его статей
  5. К вопросу о классификации моделей и методов управления ресурсными потоками
  6. Риски банковской деятельности: понятие, классификация, методы расчета, управление
  7. Роль и значение бюджетной классификации. Принципы построения бюджетной классификации
  8. Капитал знаний
  9. Оценка знаний учащихся
  10. Обработка информации и знаний в мультиагентных системах