Что такое сетевая модель знаний

Сетевая модель представления знаний

В основе сетевой модели лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними.

Известно, что любую конкретную ситуацию в реальном мире, всегда можно представить в виде совокупности взаимосвязанных понятий. Причем число базовых отношений не может быть бесконечным (оно заведомо меньше 300); все остальные отношения выражаются через базовые в виде их комбинаций. Эта гипотеза служит основой утверждения о том, что семантические сети являются универсальным средством для представления знаний в интеллектуальных системах.

Семантические сети являются весьма мощным средством представления знаний. Однако для них характерны неоднозначность представлений знаний и неоднородность связей.

В семантических сетях используются три основных типа объектов:

1. Понятия представляют собой сведения об абстрактных или конкретных (физических) объектах предметной области.

3. Свойства используются для уточнения понятий и событий.

В семантической сети возможно ввести различные виды отношений между объектами.

Атрибутивные отношения — это отношения между объектом и свойством, например, цвет, размер, форма, модификация и т.д.На рисунке 1 приведен пример семантической сети с использованием атрибутивных отношений.

К базе знаний представленной семантической сетью, возможны следующие основные типы запросов:

— запрос на существование;

— запрос на перечисление.

Запрос к банку знаний, обрабатываемый системой управления базой знаний, представляет собой набор фактов (ситуацию), при описании которого допускается использование переменных вместо значений атрибутов, имен понятий, событий и отношений.

Запрос на существование не содержит переменных и требует ответа типа ДА, если изоморфное вложение графа запроса в семантическую сеть удалось, и НЕТ – в противоположном случае.

Кроме того, на семантических сетях можно использовать методы доказательства, используемые в логике предикатов, т.к. семантическая сеть легко преобразуется в логику предикатов 1-го порядка (каждое ребро можно представить в виде бинарного предиката).

Дата добавления: 2017-08-01 ; просмотров: 1701 ; ЗАКАЗАТЬ НАПИСАНИЕ РАБОТЫ

Источник

Сетевые модели представления знаний

В основе моделей этого типа лежит конструкция, названная ра­нее семантической сетью. Сетевые модели формально можно задать в виде

где I — множество информационных единиц;

С_1-т — множество типов связей между информационными единицами;

Г — отображение, задающее между информационными единицами, входящими в I, связи из заданного набора связей.

В зависимости от типов связей, используемых в модели, разли­чают классифицирующие сети, функциональные сети и сценарии.

В классифицирующих сетях используются отношения структу­ризации. Такие сети позволяют в базах знаний вводить разные ие­рархические отношения между информационными единицами.

Функциональные сети характеризуются наличием функциональ­ных отношений. Их часто называют вычислительными моделями, так как они позволяют описывать процедуры вычислений одних инфор­мационных единиц через другие.

Если в сетевой модели допускаются связи различного типа, то ее обычно называют семантической сетью (СС).

В семантических сетях используют три основных типа объектов: понятия, события и свойства. Понятия представляют собой сведения об абстрактных или физических объектах предметной области. Со­бытия — это действия, которые могут внести изменения в предмет­ную область. Результатом события может стать новое состояние пред­метной области. Можно задать некоторое желаемое (целевое) состо­яние предметной области и поставить задачу отыскания на семанти­ческой сети последовательности событий, приводящей к целевому состоянию. Свойства используются для уточнения понятий, собы­тий и других свойств. Применительно к понятиям свойства описы­вают их особенности или характеристики (цвет, размеры, качество); применительно к событиям — свойства (продолжительность, место, время и т.п.).

Основная идея подхода к представлению знаний, базирующего­ся на аппарате семантических сетей, состоит в том, чтобы рассмат­ривать предметную область как совокупность сущностей (объектов) и отношений (связей между ними). Сущности представляются no-именованными вершинами, а отношения — направленными поиме­нованными ребрами. Система знаний отображается семантической сетью, т.е. ориентированным графом, составленным из поименован­ных вершин и ребер, или совокупностью таких сетей.

Имена, приписываемые вершинам и ребрам, обычно совпадают с именами соответствующих сущностей и отношений, используемы­ми в естественном языке. Ребро и связываемые им вершины образу­ют подграф СС, несущий минимальную с позиций знаний системы информацию — факт наличия связи определенного типа между соот­ветствующими объектами. Более сложные подграфы отображают и более сложные факты.

При использовании семантической сети для представления зна­ний важны классификация типов объектов и выделение некоторых фундаментальных видов связей между объектами. Независимо от особенностей моделируемой среды можно предполагать, что любая ее модель отражает какие-либо объекты.

В терминах описанной типизации объектов ПО определяются и фундаментальные типы связей между объектами.

Так, между двумя обобщенными объектами может существовать родовая и видовая связь, причем видовая связь обратна родовой.

Однако родовое понятие не охватывает всех свойств видового, т.к. видовое понятие богаче содержимым. Все свойства родового понятия присущи, как правило, и видовому. Эта особенность назы­вается наследованием свойств (признаков), что позволяет представ­лять систему знаний компактной семантической сетью.

Типизация объектов и фундаментальные отношения не решают всех проблем представления знаний, но создают хорошую основу для построения прикладной базы знаний.

Можно также отметить связь механизма наследования при ис­пользовании семантической сети с механизмом логического вывода. Фактически наследование обеспечивает автоматическое проведение простых дедуктивных рассуждений.

В настоящее время аппарат семантических сетей широко исполь­зуется в практике представления знаний. Его достоинствами явля­ются: большие выразительные возможности, естественность и на­глядность системы знаний, представленной графически, близость структуры сети, представляющей систему знаний, семантической структуре фраз естественного языка.

Источник

Представления знаний в интеллектуальных системах, экспертные системы

Введение

Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Структура экспертной системы

1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде :
А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.

Какие существуют модели представления знаний?

Распространены четыре основных МПЗ:

Продукционная МПЗ

Пример

Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

Продукционная модель представления знаний нашла широкое применение в АСУТП

Среды разработки продукционных систем(CLIPS)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Семантическая сеть МПЗ

В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:

По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

Все типы отношений:

Пример

Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

Фреймовая МПЗ

Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

Пример

Пример вырождающейся в сеть фреймов

На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

Языки разработки фреймовых моделей (Frame Representation Language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Формально логическая МПЗ

В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример

A1 = A2 = A3 = ; IF A1 AND A2 THEN
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

Важно

Любая экспертная система должна иметь вывод данных и последовательность «мышления» системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное «мышление» представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

Источник

Сетевые модели представления знаний

Сетевые модели (СМ) возникли в 60-х годах XX в. Они являются методом представления знаний посредством узлов, соответствующих объектам, концепциям или событиям, связанных дугами, которые описывают отношения между узлами [7,8]. Дуги могут быть определены разными методами в зависимости от вида представляемых знаний, например, дуги, используемые для представления иерархии, включают дуги типа isa (является) и has-part (имеет часть). Элементы более низкого уровня в сети могут наследовать свойства элементов более высокого уровня, что позволяет экономить память.

В общем виде отметим, что в основе СМ лежит семантическая сеть вида

Отношения между вершинами сети несут смысловую нагрузку. Если вершины сети не имеют собственной внутренней структуры, то такие сети называются простыми сетями. Если вершины обладают некоторой структурой, то такие сети называют иерархическими. Сегодня в основном используются иерархические сети. Одно из основных отличий иерархических семантических сетей от простых семантических сетей состоит в возможности разделить сеть на подсети (пространства) и устанавливать отношения не только между вершинами, но и между подсетями. Все вершины и дуги являются элементами, по крайней мере, одного пространства.

Использование СМ дает наилучший эффект для представления знаний о предметной области с хорошо установленной таксономией с целью упрощения поиска решения задачи.

Первые задачи, которые были решены с помощью сетевых моделей, относятся к задачам классификации, проблемам наследования в психологии. Однако лучше всего они зарекомендовали себя для анализа и синтеза грамматических конструкций естественного языка, в т.ч. для машинного перевода.

Типовая грамматическая структура имеет центром действие (ГЛАГОЛ)! (в индо-европейских языках). Рассмотрим следующее предложение.

СОБАКА ЖАДНО ЕСТ КОСТЬ :

Утверждения, ссылающиеся на ситуации, в т.ч. с помощью точек зрения, будут называться референциальными (ЗНАЕТ, СКАЗАЛ, МОЖЕТ, НРАВИТСЯ…)

По типам связей сети бывают:

• Классифицирующие (отношения структуризации)

• Функциональные (функциональные отношения – описывающие вычисление одних отношений через другие)

• Сценарии (каузальные отношения)

Если допускаются различные отношения, то это семантическая сеть

Построим семантическую сеть для следующего предложения:

Волга впадает в Каспийское море, но Алексей считает, что это не так. он считает, что Волга впадает в Черное море, что неверно.

Рис.1 Семантическая сеть предложения

Утверждения точек зрения имеют тип vpt

t-val – абсолютно истинный статус (точка зрения природы на состояние модели).

Для того, чтобы семантическая сеть была способна анализировать и производить новые знания, ее необходимо дополнить новыми смысловыми единицами, понятными любому грамотному человеку, но не ясными для семантической сети, например, дать понятия «Волга», «Черное море», «Каспийское море».

Задание для самостоятельного выполнения:

Составить семантическую сеть для высказываний, приведенной в вариантах задания.

1. определить объекты (вершины сети)

2. свойства объектов

3. связи (типы связей, значения)

4. построить графическую модель семантической сети

1. «Олег явился домой около часа ночи. Он терпеть не может музыку, отчаянно скучает на любом спектакле, а в кино, пользуясь темнотой, засыпает. Он трудоголик, целый день и ночь проводящий на службе… Мне (Виоле) хотелось романтики, совместных ужинов, кофе в постель, милых подарочков, походов, ладно, не в театр, так хоть в супермаркет за продуктами или в магазин за тряпками»

Д. Донцова «Главбух и полцарства в придачу»

2. Утреннюю гимнастику я не делаю, честно говоря, обожаю поспать часиков до 11, если бы не Лиза и Кирюша, которым нужно попасть в школу к первому уроку, то дрыхла бы до обеда. Ледяная вода вызывает у меня дрожь. Я ни за что не полезу в море при температуре воды меньше 25 градусов по Цельсию. Я отвратительно безграмотна во всем, что связано с математикой, физикой, химией, географией. Бег с сумками наперевес по лестнице тоже не является моим хобби.

Д.Донцова «Обед у людоеда»

3. Меня зовут Иван. К простому мужицкому имени прилагается звучная фамилия Подушкин. Род мой известен издавна. Бояре Подушкины были одними из тех, кто возводил на трон Михаила Романова. Поколения Подушкиных верно служили цаю и отечеству, больших чинов не имели, но пользовались уважением и были стабильно богаты. В 1917 году весь род сгинул в пучине революции. Чудом выжил только мой отец, которому еще не исполнилось и 3 года.

Д.Донцова «Букет прекрасных дам»

Д.Донцова «Эта горькая сладкая месть»

5. Надя говорила, что Богдан раз в месяц обязательно ездит в командировки, закупает медицинскую аппаратуру, повышает свой профессиональный уровень на семинарах, часто зарубежных. Ему приходило много приглашений. Надя никогда с ним не летала, панически боялась самолетов, сесть в железную птицу для нее было равно огромному стрессу, вот милейший Богдан и мотался один.

Д.Донцова «Хождение по мухой»

6. Когда графиня бывала в настроении и выходила к столу, кормили изысканно – блюдами, доставленными из французского ресторана «Эртель». Если же Адди с утра хандрила у себя в будуаре или отправлялась развеяться по галантерейным и парфюмерным магазинам, власть в столовой захватывал Маса, и тут выходил совсем иной коленкор. Из японско-китайской лавки, что на Петровских линиях, фандоринский камердинер приносил пресного рису, маринованной редьки, хрустящих, похожих на бумагу, водорослей и сладкой жареной рыбы. Надворный советник поедал всю эту отраву с видимым удовольствием, Анисию же Маса выдавал свежий бублик и колбасу.

Б.Акунин «Пиковый валет»

7. Андрей Семенович Лебезятников развлекал прогрессивным разговором своего временного жильца, того самого Петра Петровича Лужина. Приехав в Петербург и пока еще не обставив собственного гнездышка, Петр Петрович из видов экономии поселился у своего младшего товарища и подопечного, при котором в не столь давние времена состоял опекуном и поэтому чувствовал себя вправе обременить.

Лебезятников (худосочный и золотушный человечек малого роста, где-то служивший и до странности белокурый, с бакенбардами, которыми он очень гордился) с азартом пересказывал Петру Петровичу одну из самых новых теорий общественного устройства…

8. Я, нижеподписавшийся, подпоручик Федор Михайлович Достоевский, заключил настоящее Условие с купцом Федором Тимофеевичем Стелловским в том, что Достоевский собственное свое сочинение под заглавием «Теорийка» продал ему, Стелловскому, за аванс в 175 риксталлеров с последующей по издании уплатою в 7000 рублей серебром на вечное время с переходом прав издания и всех прочих прав к наследникам Стелловского.

9. Во главе стола сидела Лика, на ней было белое платье и белая фата, прикрепленная к голове с помощью венка из искусственных цветов. Новым супругом был худощавый дядька с красным лицом и шеей. То ли у молодого были проблемы с давлением, то ли ему просто душно в костюме и рубашке с галстуком.

Д. Донцова «Уха из золотой рыбки».

Лабораторная работа 2

Классифицирующие сети

Классифицирующие сети используют таксономическую иерархию – иерархию абстрактных понятий, имеющих структуру дерева, корень является наиболее общим понятием (например, биологическая классификация Карла Линнея 1735 г.)

Рис.2 Пример классифицирующей сети

Рассмотрим примеры отношений в классифицирующей сети.

ISA (is a) – отношение классификации (Member of),например,ВСЕ ЗАЙЦЫ СУТЬ МЛЕКОПИТАЮЩИЕ. МУРКА is a КОШКА. Свойства объекта наследуются от множества.

Отношение определяет, что каждый элемент первого множества входит и во второе, а также логическую связь между самими подмножествами: что первое не больше второго и свойства первого множества наследуются вторым

Задание для самостоятельного выполнения:

Составить классифицирующую сеть по вариантам задания для определения принадлежности индивида к определенному классу или виду по вариантам задания.

1. Классификация грибов

2. Классификация членистоногих

3. Классификация грызунов

4. Классификация сумчатых

5. Классификация пресмыкающихся

6. Классификация цветковых растений

7. Классификация протистов (простейшие микроорганизмы)

Источник