1. Классификация моделей представления знаний

Вид материала

Документы

Содержание Элементы для создания фреймов и работы с ними 22. Семантические сети. Основные понятия. Графическое представление Лингвистическая запись Приобретение знаний. Основные фазы и методология. Классификация моделей представления знаний База знаний Смотреть 16!!! 8. Дедуктивный метод на знаниях.

Подобный материал:

• Экспертные системы и базы знаний, 42.45kb.
• Знаний. Модели представления знаний: логическая, сетевая, фреймовая, продукционная, 215.44kb.
• Системы искусственного интеллекта, 15.16kb.
• Техническое задание на выполнение курсовой работы на тему: Исследование моделей представления, 32.74kb.
• Судомоделирование, 131.6kb.
• План изучения дисциплины № п/п, 155.57kb.
• Лекции по дисциплине «Математическое моделирование» для студентов и магистрантов специальности, 21.92kb.
• 2. Лекция: Системы представления знаний, 171.88kb.
• Программа по курсу " Моделирование систем управления, 30.71kb.
• Программа курса «экономика труда», 585.26kb.

Фреймы

Фреймы (frames) используются для разбивки окна браузера на несколько областей, каждая из которых представляет собой отдельный HTML-документ (фрейм). Как правило, фреймы используются для облегчения навигации по сайту, создания навигационного меню. Тем не менее, большинство разработчиков избегают использования фреймов, к чему, поверьте, имеют довольно веские основания. Старайтесь использовать фреймы только тогда, когда это действительно необходимо.

EXAMPLE

Элементы для создания фреймов и работы с ними

• FRAMESET Определяет фреймовую (оконную) структуру документа: размеры и расположение фреймов на странице
  
• FRAME Определяет фрейм и его свойства внутри FRAMESET-структуры
  
• NOFRAMES Определяет что показывать, если браузер не поддерживает фреймы
  

Примечания

• Внимательно следите, чтобы все вышеперечисленные элементы находились вне элементаBODY. Фреймы к телу документа никоим образом не относятся!
  

22. Семантические сети. Основные понятия.

Семанти́ческая сеть — информационная модель предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам предметной области, а дуги (рёбра) задают отношения между ними. Объектами могут быть понятия, события, свойства, процессы^[1]. Таким образом, семантическая сеть является одним из способов представления знаний. В названии соединены термины из двух наук: семантика в языкознании изучает смысл единиц языка, а сеть в математике представляет собой разновидность графа — набора вершин, соединённых дугами (рёбрами). В семантической сети роль вершин выполняют понятия базы знаний, а дуги (причем направленные) задают отношения между ними. Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений.

Неправильно приравнивать друг другу понятия «Семантическая сеть» (англ. Semantic Network) и «Семантическая паутина» (англ. Semantic Web). Хотя эти понятия не эквивалентны, тем не менее, они связаны.

Структура

Математика позволяет описать большинство явлений в окружающем мире в виде логических высказываний. Семантические сети возникли как попытка визуализации математических формул. Основным представлением для семантической сети является граф. Однако не стоит забывать, что за графическим изображением непременно стоит строгая математическая запись, и что обе эти формы являются не конкурирующими, а взаимодополняющими.

Графическое представление

Основной формой представления семантической сети является граф. Понятия семантической сети записываются в овалах или прямоугольниках и соединяются стрелками с подписями — дугами (см. рис.). Это наиболее удобно воспринимаемая человеком форма. Её недостатки проявляются, когда мы начинаем строить более сложные сети или пытаемся учесть особенности естественного языка.Схемы семантических сетей на которых указаны направления навигационных отношений называют картами знаний а их совкупность позволяющая охватить большие участки семантической сети-атласом знания.

Лингвистическая запись

В лингвистике отношения фиксируются в словарях и в тезаурусах. В словарях в определениях через род и видовое отличие родовое понятие занимает определённое место. В тезаурусах в статье каждого термина могут быть указаны все возможные его связи с другими родственными по теме терминами. От таких тезаурусов необходимо отличать тезаурусы информационно- поисковые с перечнями ключевых слов в статьях, которые предназначены для работы дескрипторных поисковых систем.

Иерархические

Наиболее часто возникает потребность в описании отношений между элементами, множествами и частями объектов. Отношение между объектом и множеством, обозначающим, что объект принадлежит этому множеству, называется отношением классификации (ISA). Говорят, что множество (класс) классифицирует свои экземпляры.^[2] (пример: «Шарик является собакой» = Шарик является объектом типа собака). Иногда это отношение именуют также MemberOf, InstanceOf или подобным образом. Связь ISA предполагает, что свойства объекта наследуются от множества. Обратное к ISA отношение используется для обозначения примеров, поэтому так и называется — «Example», или по-русски «Пример». Иерархические отношения образуют древовидную структуру.

• Отношение между надмножеством и подмножеством (называется AKO — «A Kind Of», «разновидность»). (Пример: «собака является животным» = тип с именем собака является подтипом типа животные). Элемент подмножества называется гипонимом (собака), а надмножества — гиперонимом (животное), а само отношение называется отношением гипонимии. Альтернативные названия — «SubsetOf» и «Подмножество». Это отношение определяет, что каждый элемент первого множества входит и во второе (выполняется ISA для каждого элемента), а также логическую связь между самими подмножествами: что первое не больше второго и свойства первого множества наследуются вторым.Отношение АКО (Род-Вид) часто используется для навигации в информационном пространстве,например, в Википедии.
  

19. Приобретение знаний. Основные фазы и методология.


Термин приобретение знаний носит обобщенный характер и совершенно нейтрален к способу передачи знаний. Например, передача может осуществляться с помощью специальной программы, которая в процессе обработки большого массива историй болезни устанавливает связь между симптомами и заболеваниями. А вот термин извлечение знаний (knowledge elicitation) относится именно к одному из способов передачи знаний - опросу экспертов в определенной проблемной области, который выполняется аналитиком или инженером по знаниям. Последний затем создает компьютерную программу, представляющую такие знания (или поручает это кому-нибудь другому, обеспечивая его всей необходимой информацией).

Этот же термин применяется и для обозначения процесса взаимодействия эксперта со специальной программой, целью которого является:

извлечь каким-либо систематическим способом знания, которыми обладает эксперт, например, предлагая эксперту репрезентативные задачи и фиксируя предлагаемые способы их решения;

сохранить полученные таким образом знания в некотором промежуточном виде;

преобразовать знания из промежуточного представления в вид, пригодный для практического использования в программе, например в набор порождающих правил.

Преимущество использования такой программы - снижение трудоемкости процесса, поскольку перенос знаний от эксперта к системе осуществляется в один прием.

Целесообразно осуществить разбиение процесса приобретения знаний на фазы, отражающие изменение функций участников проектирования (эксперта и инженера по знаниям) и/или экспертной системы:

1) предварительная фаза; 2) начальная фаза; 3) фаза накопления. Предварительная фаза приобретения знаний характеризуется тем, что экспертной системы еще не существует (отсюда и название фазы). Знания приобретаются инженером по знаниям от эксперта. На этой фазе задача инженера по знаниям состоит в том, чтобы получить от эксперта основные сведения об области экспертизы (основные понятия, отношения, подзадачи и т.п.) и сформировать на их основе общее представление о структуре данных и принципах построения экспертной системы. Эта фаза приобретения знаний выполняется на этапах идентификации, концептуализации и формализации.

На начальной фазе осуществляется наполнение системы знаниями о представлении, т.е. значениями, определяющими организацию, структуру и способ представления базы знаний. В связи с тем, что для определения указанных знаний необходимо владеть основами программирования и детально понимать функционирование проектируемой экспертной системы, введение знаний на начальной фазе может осуществлять только инженер по знаниям, а не эксперт. Начальная фаза осуществляется в ходе первой стадии этапа выполнения. В ходе фазы

накопления осуществляется приобретение основных знаний об области экспертизы. На современном уровне развития приобретение знаний на этой фазе осуществляется экспертом совместно с инженером по знаниям. На фазе накопления решаются следующие задачи: 1) обнаружение неправильности, неполноты или противоречивости знаний, используемых экспертной системой;2) извлечение новых знаний, устраняющих обнаруженную неправильность, неполноту или противоречивость; 3) преобразование новых знаний в вид, понятный экспертной системе;4) объединение "новых" знаний со "старыми". Следует отметить, что на данной фазе приобретаются все виды знаний, необходимые для эффективного и качественного функционирования ЭС.


16. Классификация и основные свойства мягких систем представления знаний.

Классификация моделей представления знаний

Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний — базы знаний (небольшого объема, но исключительно дорогие информационные массивы).

База знаний — основа любой интеллектуальной системы, где знания описаны на некотором языке представления знаний, приближенном к естественному. Сегодня знания приобрели чисто декларативную форму, т. е. знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных неспециалистам.

Совокупность знаний нужных для принятия решений, принято называть предметной областью или знаниями о предметной области. В любой предметной области есть свои понятия и связи между ними, своя терминология, свои законы, связывающие между собой объекты данных предметной области, свои процессы и события. Кроме того, каждая предметная область имеет свои методы решения задач. Решая задачи такого вида на ЭВМ используют информационные системы, ядром которых является база знаний, содержащая основные характеристики предметных областей.

Базы знаний базируются на моделях представления знаний, подобно базам данных, которые основаны на моделях представления данных (иерархической, сетевой, реляционной, постреляционной и т.д.)

При представлении знаний в памяти интеллектуальной системы традиционные языки, основанные на численном представлении данных, являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний. Наиболее часто используется на практике классификация моделей представления знаний, приведённая на рис. 6, где модели представления знании делятся на детерминированные (жёсткие) и мягкие.

Детерменированные модели включают в себя фреймы, логико-алгебраические модели, семантические сети и продукционные модели. Мягкие модели включают в себя нечеткие системы, нейронные сети, эволюционные модели, гибридные системы.

С моделированием знаний непосредственно связана проблема выбора языка представления. В целях классификации моделей представления знаний выделяется девять ключевых требований к моделям знаний:

1) общность (универсальность);

2) наглядность представления знаний;

3) однородность;

4) реализация в модели свойства активности знаний;

5) открытость;

6) возможность отражения структурных отношений объектов предметной области;

7) наличие механизма «проецирования» знаний на систему семантических шкал;

8) возможность оперирования нечеткими знаниями;

9) использование многоуровневых представлений (данные, модели, метамодели, метаметамодели и т. д.).



Рис. 6. Модели представления знаний

Модели представления знаний не удовлетворяют полностью эти требования, чем и объясняется их многообразие и активное развитие этого направления.


14. Классификация и основные свойства мягких систем представления знаний.


СМОТРЕТЬ 16!!!


11. Модели представления знаний. Состояние исследований и проблемы.


Модели представления знаний – это одно из важнейших направлений исследований в области искусственного интеллекта. Почему одно из важнейших? Да потому, что без знаний искусственный интеллект не может существовать в принципе. Действительно, представьте себе человека, который абсолютно ничего не знает. Например, он не знает даже таких элементарных вещей как:

• для того, чтобы не умереть от голода, необходимо периодически есть;
  
• необязательно из одного края города в другой идти пешком, если для этих целей можно воспользоваться общественным транспортом.
  

Таких примеров удастся привести еще много, но уже сейчас можно легко ответить на следующий вопрос: «Поведение такого человека может считаться разумным?». Конечно же, нет. Именно поэтому, при создании систем искусственного интеллекта особенное внимание уделяется моделям представления знаний.

На сегодняшний день разработано уже достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависит не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.

Отметим, что модели представления знаний относятся к прагматическому направлению исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека – «черный ящик». При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

Рассмотрим три наиболее часто используемые и популярные на сегодняшний день модели представления знаний:

1. продукционные модели – модели основанные на правилах, позволяют представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие». Продукционные модели обладает тем недостатком, что при накоплении достаточно большого числа правил, они начинают противоречить друг другу;
   
2. сетевые модели или семантические сети – как правило, это граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами;
   
3. фреймовые модели – основывается на таком понятии как фрейм (англ. frame – рамка, каркас). Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Слоты могут быть терминальными либо являться сами фреймами, т.о. образуя целую иерархическую сеть.
   

Более подробно вышеописанные модели представления знаний рассматриваются в соответствующих статьях.


8. Дедуктивный метод на знаниях.