人工智能导论·知识表示

AAI脑图#249092025-10-18 14:39
19200
画布
|
大纲
标签：人工智能知识表示思维导图

内容详情

1. 基础概念

1.1 定义与本质

  • 1.1.1 知识
    • 人类对客观世界的抽象与归纳
      • 事实、规则、经验、常识
  • 1.1.2 知识表示（KR）
    • 将知识转化为机器可计算的数据结构
      • 目标：支持推理、学习、解释

1.2 核心需求

  • 1.2.1 充分表达力
    • 覆盖时间、空间、因果、不确定性
  • 1.2.2 可推理
    • 支持演绎、归纳、类比、非单调推理
  • 1.2.3 可扩展
    • 增量式添加、版本管理、模块化
  • 1.2.4 可解释
    • 人类可读、可追溯、可审计

2. 经典表示方法

2.1 逻辑表示

  • 2.1.1 命题逻辑
    • 语法：命题符号 + 连接词
    • 语义：真值表
    • 局限：无法表达对象与关系
  • 2.1.2 一阶谓词逻辑（FOL）
    • 量词、谓词、函数、常量
    • 完备性与半可判定性
    • 应用：自动定理证明、Wumpus世界
  • 2.1.3 高阶与模态逻辑
    • 高阶：量化谓词本身
    • 模态：必然、可能、时序、认知

2.2 产生式系统

  • 2.2.1 结构
    • 工作记忆 + 规则库 + 推理引擎
  • 2.2.2 推理策略
    • 正向链：数据驱动
    • 反向链：目标驱动
    • 冲突消解：优先级、Recency
  • 2.2.3 案例
    • MYCIN：血液感染诊断
    • CLIPS：NASA航天器故障诊断

2.3 语义网络

  • 2.3.1 图模型
    • 节点：概念；边：语义关系
  • 2.3.2 继承机制
    • ISA、AKO 实现属性继承
  • 2.3.3 局限
    • 二义性、缺乏形式语义

2.4 框架表示

  • 2.4.1 槽-填充结构
    • 框架名、槽、侧面、默认值、约束
  • 2.4.2 实例化
    • 继承 + 附加过程（daemon）
  • 2.4.3 案例
    • 视觉场景描述（房间框架）

2.5 脚本与情境

  • 2.5.1 脚本
    • 固定事件序列：餐厅脚本
  • 2.5.2 情境
    • 动态状态空间：情境演算

3. 现代表示范式

3.1 描述逻辑（DL）

  • 3.1.1 家族体系
    • ALC、SHOIN、SROIQ
  • 3.1.2 推理服务
    • 可满足性、分类、实例检测
  • 3.1.3 与OWL对应
    • OWL 2 = SROIQ(D)

3.2 本体工程

  • 3.2.1 本体五层
    • 元本体 → 领域本体 → 应用本体
  • 3.2.2 构建方法
    • Methontology、七步法、敏捷本体
  • 3.2.3 工具
    • Protégé、TopBraid、Neo4j-onto

3.3 知识图谱

  • 3.3.1 三元组模型
    • /
  • 3.3.2 schema层
    • RDF/S、OWL、SHACL
  • 3.3.3 嵌入表示
    • TransE、RotatE、ComplEx
  • 3.3.4 应用
    • 搜索引擎、推荐、问答、金融风控

3.4 分布式表示

  • 3.4.1 词向量
    • Word2Vec、GloVe、FastText
  • 3.4.2 实体/关系向量
    • RDF2Vec、KG-BERT
  • 3.4.3 逻辑-向量融合
    • Logic Tensor Networks、Neural Theorem Provers

4. 不确定性知识

4.1 概率图模型

  • 4.1.1 贝叶斯网络
    • 有向图 + CPT
    • 推理：变量消元、信念传播
  • 4.1.2 马尔可夫网
    • 无向图 + 势函数

4.2 模糊逻辑

  • 4.2.1 隶属度
    • 0–1 之间连续真值
  • 4.2.2 模糊规则
    • IF 温度=“高” THEN 风扇=“快”

4.3 可信度与证据理论

  • 4.3.1 D-S理论
    • 信念、似然、不确定区间
  • 4.3.2 应用
    • 故障诊断、信息融合

5. 推理机制

5.1 确定性推理

  • 5.1.1 前向/反向链
  • 5.1.2 归结反驳
  • 5.1.3 Tableau算法（DL）

5.2 不确定性推理

  • 5.2.1 贝叶斯更新
  • 5.2.2 马尔可夫链蒙特卡洛（MCMC）
  • 5.2.3 模糊合成（Max-Min）

5.3 混合推理

  • 5.3.1 神经-符号
    • 神经规则引擎、可微逻辑
  • 5.3.2 概率逻辑
    • Markov Logic Networks、ProbLog

6. 评估与比较

6.1 表达能力

  • 逻辑复杂度（AC0、P、NP）

6.2 推理效率

  • 时间/空间复杂度、可伸缩性

6.3 可解释性

  • 人类可读、可追溯、可视化

6.4 工具成熟度

  • 开源生态、社区、文档

7. 前沿趋势

7.1 神经-符号融合

  • 7.1.1 可微逻辑层
  • 7.1.2 图神经网络 + 本体

7.2 大规模语言模型即知识库

  • 7.2.1 隐式知识探测
  • 7.2.2 可控文本生成

7.3 联邦知识图谱

  • 7.3.1 隐私保护对齐
  • 7.3.2 跨域知识迁移

7.4 量子知识表示

  • 7.4.1 量子图模型
  • 7.4.2 量子本体推理

8. 实践建议

8.1 选型指南

  • 8.1.1 确定性领域 → DL/OWL
  • 8.1.2 高不确定性 → 贝叶斯/模糊
  • 8.1.3 大数据开放域 → 知识图谱 + 嵌入

8.2 开发流程

  • 需求 → 知识获取 → 表示 → 评估 → 迭代

8.3 常见陷阱

  • 过度复杂、忽视维护、缺乏对齐