知识表示方法part4.ppt

Artificial Intelligence (AI)人工智能 主讲：刘刚 内容提要 语义网络法 语义网络法（ Semantic Network Representation ） 语义网络是奎廉(J. R. Quillian) 1968年在研究人类联想记忆时提出的一种心理学模型，认为记忆是由概念间的联系实现的。随后，奎廉又把它用作知识表示。 1972年，西蒙在他的自然语言理解系统中也采用了语义网络表示法。 语义网络是一种表达能力强而且灵活的知识表示方法，目前已经广泛应用于人工智能领域，尤其是在自然语言处理方面。 语义网络法 语义网络 语义网络是通过概念及其语义关系来表达知识一种网络图。 从图论的观点看，语义网络是一个“带标识的有向图” 有向图的节点代表实体，表示各种事物、概念、情况、属性、状态、事件、动作等；节点还可以是一个语义子网络，形成嵌套结构。 有向图的弧代表语义关系，表示它所连结的两个实体之间的语义联系，它必须带有标识。 语义网络法 语义基元 语义网络中最基本的语义单元称为语义基元，可用三元组表示为： （结点1，弧，结点2） 基本网元 指一个语义基元对应的有向图 例如：若有语义基元（A, R, B），其中，A、B分别表示两个结点，R表示A与B之间的某种语义联系，则它所对应的基本网元如下图所示： 语义网络法 语义网络的简单例子 例如：用于一网络表示“鸵鸟是一种鸟” 语义网络的表示能力 事实的表示： 例如：“雪的颜色是白的” 规则的表示： 例如：“规则R：如果 A 则B” 语义网络法 语义网络的基本语义关系 （1）类属关系 类属关系体现的是“具体与抽象”的概念，通常指具有共同属性的不同事物之间的实例关系、成员关系或分类关系。 常有的类属关系有：Is-a(是一个)、A-member-of（是一员）、A-kind-of（是一种）。 例如：张宁是一个学生。 语义网络法 语义网络的基本语义关系 （2）聚集关系 如果一个事物是另一事物的组成部分或某个方面，则它们之间的关系就是聚集关系。常用的聚集关系有：A-part-of（是一部分）。 例如：手是人体的一部分。 语义网络法 语义网络的基本语义关系 （3）属性关系 属性关系表示了对象和其属性之间的联系。 常用的属性关系有：Have(有)、Can（能、会）、Owner（所有者）。 例如：张宁会说英语，年龄18岁，身高160cm。 语义网络法 语义网络的基本语义关系 （4）推论关系 如果一个概念可由另一个概念推出，两个概念间存在因果关系，则称它们之间是推论关系，可以用Fetch(推出)表示。 例如：饥饿推出需要进食 语义网络法 语义网络的基本语义关系 （5）相近关系 相近关系是指不同事物在形状、内容等方面相似或接近。常用的相近关系有：Similar-to（相似）、Near-to（接近） 例如：猫和虎相似 语义网络法 语义网络的基本语义关系 （6）方位关系 方位关系表示了不同事物之间在位置方面的相互关系，例如在上（Located-on），在下（Located-under），在内（Located-inside）、在外（Located-outside）、位于（Located-at）等都可以表示不同事物间的方位关系。 例如：书在桌子上。 语义网络法 语义网络的基本语义关系 （7）时间关系 时间关系表示了不同事件在发生时间方面的先后次序关系。常见的时间关系有Before（在前）、After（在后）等。 例如：阅览室开放后才能供读者阅览就是表示了开放和阅览两事件之间的先后时间关系。 语义网络法 语义网络的基本语义关系 （8）构成关系 用于表示构成联系，是一种一对多的联系，它的联系的节点间不具有属性继承性。 例如： 整数由正整数、负整数和零组成。 语义网络法 谓词逻辑与语义网络等效 例如：用”Liming is a man”的语义网络和谓词逻辑表示说明谓词逻辑与语义网络的等效性。 语义网络法 一元关系 指可以用一元谓词P(x)表示的关系。谓词P说明实体的性质、属性等。 描述的是一些最简单、最直观的事物或概念。常用：是、有、会、能等语义关系来说明。如 雪是白的 。 一元关系的描述 应该说，语义网络表示的是二元关系。如何用它来描述一元关系？结点1表示实体，结点2表示实体的性质或属性等，弧表示语义关系。 例如：用语义网络表示“动物能运动、会吃” 语义网络法 二元关系：二元语义网络表示 可用二元谓词P(x,y)表示的关系。其中，x,y为实体，P为实体之间的关系。 单个二元关系可直接用一个基本网元来表示 对复杂关系，可通过一些相对独立的二元或一元关系的组合来实现。 例如：用语义网络表示 动物能运动、会吃。 鸟是一