[知识图模型.doc

认识图模型、 概述： 知识的表达和推理的过程是知识网格的一个关键的问题。本文提出了知识图（KM）模型来表示和推导因果知识，KM作为对知识网格的覆盖。它将模糊知识图（FCM）扩展为能够表示和推导出不仅是纯因果的因果关系，还包括延时的赢过关系，条件概率的赢过关系和顺序因果关系。这里我们给出了KM的数学模型和推理规则。仿真结果表明，KM在仿真真实世界上比FCM更给力。 绪论 模糊知识图的目标是模仿人类推理出的因果知识。它具有以下特点： 1定义域由关键词和定向连接形成。 2关键词之间的关系由产生式规则形成。 3推导出的FCMs可以由数值的矩阵操作运算出来而不需要明确的产生式规则。 4 FCMs能够表达隐性的专业知识。 5增广FCMs矩阵之和有可加性的特点。 尽管FCMs有很多理想特性，但也有以下的局限性： FCMs不支持顺序关系或延时的因果关系的推导。FCMs推理过程的特点是FCMs中所有关键词的交互作用是同步的。因此，它不能反映普遍存在于现实世界中的顺序关系或是延时的因果关系。 FCMs不支持条件概率因果关系的推导。 图1是一张关于恐怖事件的FCM图。“伤亡”和“爆炸”是“恐怖主义”的后续事件，并且“恐怖主义”是“友好的外交政策”和“打击力量”的后续事件。“友好的外交政策”并不即时生效，需要几天或是几个月的时间才能对“恐怖主义”有着全面的影响。“打击力量”也同样需要时日去对“恐怖主义”产生全面的影响。但是，FCMs不支持这种推导。FCM的推导结果在一些智能化系统中通常是曲解的。 Hagiwara 拓展了FCMs使其能够解决不支持延时因果关系和条件因果关系的问题，但他并没有考虑概率因果关系。Miao等人提出了动态认知网络（DCN）来定义在关键词之间的动态的因果关系，但DCN仍然不能够区分因果关系的不同类型。Obata and Hagiwara提出神经认知图（NCM）用于解决复杂的因果关系，但NCM需要更多的试验数据，这些数据很难在智能系统中获得，而且延时的因果关系以及有条件概率的因果关系很难通过神经网络找到。基于对决策支持的面向对象范型，Satur and Liu提出了语境模糊知识图（cFCM）。cFCM考虑了语境的因果关系以及并非概率和时滞因果关系的纯因果的因果关系。 本文把因果关系分类成纯因果的因果关系，时滞因果关系，条件概率因果关系，并将顺序关系作为一种特殊的时滞因果关系。 图1 与恐怖事件相关的专家知识的模糊知识图表示 知识图的数学模型 知识图（KM）能够表现纯因果关系，时滞因果关系，条件概率因果关系和顺序关系。其正式定义如下： 设Vci，Vcj分别是Ci和Cj的状态值；Rij和Wij分别是从Ci到Cj的关系类型和权重。φ (x)是Cj的推导函数。Rij和Wij分别是KM的关系矩阵R和其邻接矩阵E的元素。 该KM的数学模型如下： 运算符函数g（Vci（t），Rij，Wij）具有如下四条操作规则： 规则1：如果Ci和Cj是不同的关健词，在Ci到Cj中存在条件概率因果关系，那么Vcj（t+1）应先运算，并设wij=0。 当Cp，Cq，…..是权重Wij的条件时，U（x）是一个功能函数，计算所有Ci出现时使得Cj增加/减少的概率。 其函数定义如下： 规则二：如果从Ci到Cj之间存在时滞因果关系，那么在延时过程中保留Ci的主要键值。 规则三：如果在KM的邻接矩阵E中第i行所有值都为0，那么设置Vci（t）等于Ci的原值。 规则四：在推出第m个序列关系之前应先推出第（m-1）个序列关系。 规则五：KM中在（t+1）时刻有效关键字的状态值部分由其在t时刻的状态值决定。 有效关键字的状态值计算式如下： KM中，因果知识以关键字，关系，定向关系和权重的形式表达。关键字及其状态值分别代表知识及其存在程度。其关系矩阵R和邻接矩阵E分别描述了关系类型及定向连接和关键词之间的权重。同时，关键词之间的相互作用，关系，定向连接和权重共同构成了一个动态的网络，形成一条轨道，这条轨道对应了因果关系的P维空间流（p是关系的数量）。 图1的恐怖事件知识图能够由图2的知识图（表示为KM1）表示。KM1的关系矩阵和邻接矩阵分别对应R1和E1。关系矩阵中，纯因果关系和条件概率因果关系分别由由Rsc和Rplcondition表示。如果R中关键词之间不存在因果关系，用N来表示。第m个子结果由mS表示，时滞因果关系由kD（k是延时时间）表示。举个例子，R1（4，5）=（1S，nD）表示从C5到C4存在第一顺序关系和时滞因果关系（延时时间为n）。图二中的C4（1S56，nD56，P34/normal）表示从C5到C4及从C6到C4存在第一顺序关系和时滞因果关系（延时时间为n），以及从C3到C4存在条件概率因果关系。