Организация баз знаний Лекция 1: Введение в предмет

Реклама
Организация баз знаний
Лекция 2: Представление
знаний
Ермолаев Вадим Анатольевич
eva@zsu.zp.ua
http://google.com/search?q=ermolayev
Содержание лекции
‡ Данные
и знания
‡ Модели представления знаний
„ Продукционная
модель
„ Семантические сети
„ Фреймы
„ Формальные логические модели
Данные и знания
!!!
Данные – это отдельные
факты, характеризующие
объекты, процессы
и явления предметной
области, а также их
свойства
Факт?
‡ Предметная область?
‡
Данные и знания
‡
Этапы трансформации данных:
„
„
„
„
„
D1 – данные как результат измерений и
наблюдений
D2 – данные на материальных носителях
информации (таблицы, протоколы,
справочники)
D3 – модели (структуры) данных в виде
диаграмм, графиков, функций
D4 – данные в компьютере на языке
описания данных
D5 – базы данных на машинных носителях
информации
Данные и знания
!!!
‡
‡
Знания – это закономерности
предметной области (принципы,
связи, законы),
полученные в результате
практической деятельности и
профессионального опыта,
позволяющие специалистам ставить
и решать задачи в этой области
Знания основаны на данных, полученных эмпирическим
путем
Знания - результат мыслительной деятельности
человека, направленной на обобщение опыта,
полученного в результате практической деятельности
Данные и знания
‡
Этапы трансформации знаний:
„
„
„
„
„
Z1 – знания в памяти человека как результат
мышления
Z2 – материальные носители знаний (учебники,
методические пособия)
Z3 – поле знаний – условное описание основных
объектов предметной области, их атрибутов и
закономерностей, их связывающих
Z4 – знания, описанные на языках представления
знаний (продукционные языки, семантические сети,
фреймы – см. далее)
Z5 – база знаний на машинных носителях
информации
Определение понятий
‡
Множество способов
‡
Один из широко
применяемых –
интенсиональный
‡
Пример:
„
„
‡
!!!
Интенсионал понятия –
определение его через
соотнесение с понятием
более высокого уровня
абстракции с указанием
специфических свойств
Понятие «персональный компьютер».
Его интенсионал: «Персональный компьютер – это ЭВМ,
которую можно поставить на стол и купить менее чем
за $2000
Интенсионалы формулируют знания об объектах.
Определение понятий
‡
Множество способов
!!!
‡
Другой –
экстенсиональный
‡
Пример:
„
„
‡
Экстенсионал понятия –
определение его через
соотнесение с понятиями более низкого
уровня абстракции или
перечисление фактов,
относящихся к определяемому объекту
Понятие «персональный компьютер».
Его экстенсионалы: IBM PC, Apple MAC II, DELL
Notebook, …
Экстенсиональное определение - это
определение через данные
Хранение данных и знаний
‡
Для хранения данных - базы данных (БД)
„
„
‡
Для хранения знаний – базы знаний (БЗ)
„
„
‡
Характерны большой объем и относительно
небольшая удельная стоимость информации
Пример: БД контингента студентов
Характерны небольшой объем, но очень большая
стоимость
Пример: БЗ экспертной системы, определяющей
причины отказа автомобиля (лаб. работы)
База знаний – основа любой интеллектуальной
системы
Классификация знаний
‡
‡
‡
Знания могут быть классифицированы по следующим
категориям:
Поверхностные – знания о видимых взаимосвязях
между отдельными событиями и фактами в предметной
области
Глубинные – абстракции, аналогии, схемы,
отображающие структуру и природу процессов,
протекающих в предметной области.
„
‡
Эти знания объясняют явления и могут использоваться
для прогнозирования поведения объектов
Пример:
„
Поверхностные знания:
‡
‡
„
Если нажать на кнопку звонка, раздастся звук
Если болит голова, то следует принять аспирин
Глубинные знания:
‡
‡
Принципиальная электрическая схема звонка и проводки
Знания физиологов и врачей высокой квалификации о
причинах, видах головных болей и методах их лечения
Классификация знаний
‡
‡
Другой аспект классификации (по функции):
Процедурные знания
„
„
„
‡
Декларативные знания
„
„
„
‡
«растворены» в алгоритмах, управляют данными
для их изменения требуется изменять программы
появились раньше декларативных
записаны на одном из языков спецификации знаний
являются внешними по отношению к программе
сосредотачиваются в структурах данных
С течением времени увеличивается роль
декларативных знаний
???
Модели представления знаний
‡
Большинство из моделей принадлежат
следующим классам:
„
продукционные модели
„
семантические сети
„
фреймы
„
формальные логические модели
Продукционная модель
!!!
‡
‡
‡
Продукционная модель или модель,
основанная на правилах, позволяет
представить знания в виде предложений
типа «Если (условие), то (действие)»
«Условие» (антецедент) - некоторое
предложение-образец, по которому
осуществляется поиск в базе знаний
«Действие» (консеквент) – действия,
выполняемые при успешном исходе поиска
Действия могут быть:
„
„
Промежуточными, выступающими далее как
условия
Терминальными или целевыми, завершающими
работу системы
Продукционная модель
‡
Вывод на продукционной базе знаний бывает:
„
„
Прямой (от данных к поиску цели)
Обратный (от цели для ее подтверждения – к данным)
‡
Данные – это исходные факты, хранящиеся в базе
фактов, на основании которых запускается машина
вывода или интерпретатор правил, перебирающий
правила из продукционной базы знаний
‡
Продукционная модель чаще всего применяется в
промышленных экспертных системах так как привлекает
разработчиков:
„
„
„
„
наглядностью
высокой модульностью
легкостью внесения дополнений и изменений
простотой механизма логического вывода
Семантические сети
!!!
!!!
‡
‡
Семантика – это наука, устанавливающая отношения между символами (концептами) и объектами или
процессами реального мира,
которые они обозначают
Семантическая сеть – это ориентированный граф, вершины которого –
понятия, а дуги – отношения между
ними
В качестве понятий обычно выступают
абстрактные или конкретные объекты,
Отношения – это связи типа: «это» («АКО –
A-Kind Of», «is»), «имеет частью» («has part»),
«принадлежит», «любит»
Семантические сети
‡
Характерной особенностью семантических
сетей является обязательное наличие трех
типов отношений:
„
класс – элемент класса (цветок – роза)
свойство – значение (цвет – желтый)
пример элемента класса (роза – чайная)
„
По количеству типов отношений:
„
„
‡
Известны несколько классификаций
семантических сетей, связанных с типами
отношений между понятиями
‡
‡
„
Однородные (с единственным типом отношений)
Неоднородные (с различными типами отношений)
По типам отношений:
‡
‡
Бинарные (в. которых отношения связывают два
объекта)
N-арные (в которых есть специальные отношения,
связывающие более двух понятий)
Семантические сети
‡
Наиболее часто используются следующие
отношения:
„
„
„
„
„
„
„
„
Связи типа «часть – целое» («класс – подкласс»,
«элемент –множество», и т. п.)
Функциональные связи («производит», «влияет»...)
Количественные (больше, меньше, равно...)
Пространственные (далеко от , близко от, за, под,
над...)
Временные (раньше, позже, в течение...)
Атрибутивные связи (иметь свойство, иметь значение)
Логические связи (И, ИЛИ, НЕ)
Лингвистические связи
Семантические сети
‡
Поиск решения в
базе знаний типа
семантической сети
сводится к задаче:
„
„
„
поиска фрагмента
сети,
соответствующего
некоторой подсети,
отражающей
поставленный запрос
к базе
Пример семантической сети
Фреймы
‡
Термин фрейм
„
„
англ. frame - каркас или рамка
предложен Марвином Минским
‡
„
‡
‡
http://web.media.mit.edu/~minsky/minsky.html
в работе: Minsky, M.: A Framework for Representing
Knowledge. MIT-AI Laboratory Memo 306, June,
1974
Теория фреймов была построена
для представления структуры знаний
для восприятия пространственных сцен
Основным преимуществом фреймовой модели
представления знаний является то, что она отражает
концептуальную основу организации памяти человека,
а также ее гибкость и наглядность
Фреймы
!!!
‡
‡
Фрейм – это абстрактный
образ для представления
некоторого стереотипа
восприятия
Понятие абстрактного образа
Пример: произнесение вслух слова «комната»
порождает образ комнаты:
„
жилое помещение с четырьмя стенами, полом, потолком,
окнами и дверью, площадью 6-20 м2
‡
Из этого описания ничего нельзя убрать
ƒ например, убрав окна, мы получим уже чулан, а не комнату
‡
но в нем есть «дырки» или «слоты» – это незаполненные
значения некоторых атрибутов
ƒ например, количество окон, цвет стен, высота потолка, покрытие
пола и др.
‡
‡
В теории фреймов такой образ комнаты называется
фреймом комнаты
Фреймом также называется и формализованная
модель для отображения образа
Фреймы
‡
Различают:
„
„
‡
Фреймы-образцы – прототипы, хранящиеся в базе
знаний
Фреймы-экземпляры, которые создаются для
отображения реальных фактических ситуаций на
основе поступающих данных
Модель фрейма универсальна, поскольку
позволяет отобразить все многообразие знаний
о мире через:
„
„
„
„
Фреймы-структуры, использующиеся для
обозначения объектов и понятий (заем, залог,
вексель)
Фреймы-роли (менеджер, кассир, клиент)
Фреймы-сценарии (банкротство, собрание
акционеров, празднование именин)
Фреймы-ситуации (тревога, авария, рабочий режим
устройства) и др.
Структура фрейма
Имя фрейма
‡
Представляется
списком свойств
‡
Дополнительные
столбцы предназначены для описания способа
получения слотом его значения и возможного
присоединения к слоту специальных процедур
‡
Значением слота может быть имя другого
фрейма – так образуются сети фреймов
Имя
слота
Значение
слота
Способ
получения
Присоединенная
процедура
Фреймы – значения слотов
‡
Несколько способов получения слотом
значений во фрейме-экземпляре:
„
„
„
„
„
„
‡
по умолчанию от фрейма-образца (значение по
умолчанию)
через наследование свойств от фрейма,
указанного в слоте АКО
по формуле, указанной в слоте
через присоединенную процедуру
явно из диалога с пользователем
из базы данных
Важнейшим свойством теории фреймов
является заимствование из теории
семантических сетей – так называемое
наследование свойств
Фреймы – пример
‡
Понятие «ученик» наследует
свойства фреймов «ребенок»
и «человек» (на более
высоком уровне иерархии)
‡
На вопрос «любят ли ученики
сладкое» следует ответ «да»,
так как этим свойством
обладают все дети, что
указано во фрейме «ребенок»
‡
Наследование свойств может
быть частичным, так как
возраст для учеников не
наследуется из фрейма
«ребенок», поскольку указан
явно в своем собственном
фрейме
Для дополнительного чтения
‡
Нечеткие знания и нечеткая логика:
„
„
‡
Теория фреймов:
„
‡
Т. А. Гаврилова, В. Ф. Хорошевский:
Базы знаний интеллектуальных систем, раздел 1.4 –
Нечеткие знания
Gerard Gorman: A review of fuzzy logic and its
applications. Information Technology Center, NUIG,
Aug., 21, 1998, http://citeseer.ist.psu.edu/494055.html
Minsky, M.: A Framework for Representing Knowledge.
MIT-AI Laboratory Memo 306, June, 1974,
http://web.media.mit.edu/~minsky/papers/Frames/frames.html
Электронные материалы:
„
http://virtuni.education.zp.ua/lib/program/eva/okb/sam
Похожие документы
Скачать