（人工智能）人工智能教案章知识表示概述
4.1概述
4.1.1知识的定义
很难给知识以明确的定义，只能从不同侧面加以理解，不同的人有不同的理解。

知识表示是人工智能研究中最基本的问题之壹。

于知识处理中总要问到：如何表示知识，怎样使机器能懂这些知识，能对之进行处理，且能以壹种人类能理解的方式将处理结果告诉人们。

于AI系统中，给出壹个清晰简洁的有关知识的描述是很困难的。

有研究报道认为。

严格地说AI对知识表示的认真、系统的研究才刚刚开始。

下面是壹些专家的见法：
Feigenbaum：知识是经过消减、塑造、解释和转换的信息。

Bernstein：知识是由特定领域的描述、关系和过程组成的。

Hayes-roth：知识是事实、信念和启发式规则。

从知识库的观点见，知识是某领域中所涉及的各有关方面的壹种符号表示。

另外有壹种三维的描述方法：（范围，目的，有效性）,其中知识的范围由具体到壹般，知识的目的从说明到指定，知识的有效性从确定到不确定。

例如，“今天下雨”这种知识是具体的、说明性、不确定的，而“要证A→B，只需证明A∧～B是不可满足的”这种知识是壹般性的、指示性、确定性的。

4.1.2知识的分类
从不同的角度、不同的侧面对知识有着不同的分类方法。

于此，我们根据知识表达的内容，将其简单地分为如下几类：事实性知识
知识的壹般直接表示，如果事实性知识是批量的、有规律的，则往往以表格、图册，甚至数据库等形式出现。

这种知识描述壹般性的事实，如凡是冷血动物均要冬眠，哺乳动物均是胎生繁殖后代等。

过程性知识
表述做某件事的过程。

标准程序库也是常见的过程性知识，而且是系列化、配套的。

如电视机维修法，怎样烹制法国大餐等。

行为性知识
不直接给出事实本身，只给出它于某方面的行为。

行为性知识经常表示为某种数学模型，从某种意义上讲，行为性知识描述的是事物的内涵，而不是外延。

如微分方程
实例性知识
只给出壹些实例。

知识藏于实例中。

感兴趣的不是实例本身，而是隐藏于大量实例中的规律性知识。

举例说明
类比性知识
既不给出外延，也不给出内涵，只给出它和其它事物的某些相似之处。

类比性知识壹般不能完整地刻画事物，但它能够启发人们
于不同的领域中做到知识的相似性共享。

如比喻，心如刀绞，谜语等
元知识
有关知识的知识。

最重要的元知识是如何使用知识的知识。

例如，壹个好的专家系统应该知道自己能回答什么问题，不能回答什么问题，这就是关于自己知识的知识。

元知识是用于如何从知识库中找到想要的知识。

4.1.3知识的要素
知识的要素是指构成知识的必需元素。

于这里，我们关心的是壹个人工智能系统所处理的知识的组成成分。

壹般而言，人工智能系统的知识包含事实、规则、控制和元知识。

4.1.4知识表示定义
知识表示方法是研究用机器表示知识的可行性、有效性的壹般方法，是壹种数据结构和控制结构的统壹体，既考虑知识的存储又考虑知识的使用。

知识表示可见成是壹组事物的约定，以把人类知识表示成机器能处理的数据结构。

事实：事物的分类、属性、事物间关系、科学事实、客观事实等。

是有关问题环境的壹些事物的知识，常以“┅是┅”形式出现，也是最低层的知识。

例如：雪是白色的，人有四肢。

规则：事物的行动、动作和联系的因果关系知识。

这种知识是动态的，常以“如果┅那么┅”形式出现。

例如启发式规则，如果下雨，则出门带伞。

控制：当有多个动作同时被激活时，选择哪壹个动作来执行的知识。

是有关问题的求解步骤、规划、求解策略等技巧性知识
元知识：怎样使用规则、解释规则、校验规则、解释程序结构等知识。

是有关知识的知识，是知识库中的高层知识。

元知识和控制知识有时有重叠。

知识表示有如下特性：
◇知识表示是智能推理的部分理论。

◇知识表示是有效计算的载体
◇知识表示是交流的媒介（如语义网络）
4.1.5选取知识表示的因素
选取何种知识表示方法来表示知识，不仅取决于知识类型，仍有很多其它因素的影响，例如：
表示知识的范围是否广泛
例如，数理逻辑表示是壹种广泛的知识表示办法，如果单纯用数字表示，则范围就有限制。

是否适于推理
人工智能只能处理适合推理的知识表示，因此所选用的知识表示必须适合推理。

数学模型（拉格朗日插值法）适合推理，普通的数据库只能供浏览检索，但不适合推理。

是否适于计算机处理
计算机只能处理离散的、量化的byte字节流。

因此，用文字表述的知识和连续形式表示的知识（如微分方程）不适合计算机处理。

是否有高效的求解算法
考虑到实用的性能，必须有高效的求解算法，知识表示才有意义。

能否表示不精确知识
自然界的信息具有先天的模糊性和不精确性，能否表示不精确知识也是考虑的重要因素。

许多知识表示方法往往要经过改造，如确定性方法、主观贝叶斯方法等对证据和规则引入了不确定性度量，就是为了表达不精确的知识。

能否于同壹层次上和不同层次上模块化
例如Prolog只有壹个全局知识库，不能模块化，这是它的缺点。

知识和元知识能否用统壹的形式表示
知识和元知识是属于不同层次的知识，使用统壹的表示方法能够使知识处理简单。

产生式表示法就能比较方便的表示这俩种层次的知识。

是否适合于加入启发信息
于已知的前提下，如何最快的推得所需的结论，以及如何才能推得最佳的结论，我们的认识往往是不精确的。

因此，往往需要于元知识（控制知识）加入壹些控制信息，也就是通常所说的启发信息。

过程性表示仍是说明性表示
壹般认为，说明性的知识表示涉及细节少，抽象程度高，因此可靠性好，修改方便，但执行效率低。

过程性知识表示的优缺点和说明性知识表示的相反。

表示方法是否自然
壹般于表示方法尽量自然和使用效率之间取得壹个折中。

比如，对于推理来说，Prolog比高级语言如VisualC++自然，但显然牺牲了效率。

4.1.6知识表示方法的分类
表示方法种类繁多，而且分类的标准也不大相同，通常有：直接表示，逻辑表示，产生式规则表示法，语义网络表示法，框架表示法，脚本方法，过程表示，混合型知识表示方法，面向对象的表示方法等。

壹些主要的知识表示方法彼此间关系可用右图表示：
图4-1知识表示方法体系
t4-1_swf.htm
总之，人工智能问题的求解是以知识表示为基础的。

如何将已获得的有关知识以计算机内部代码形式加以合理地描述、存储、有效地利用，便是知识表示应解决的问题。

知识表示的研究内容集中于俩个方面，其壹是表示观的研究，牵涉到认识论、本体论、知识工程等方面；其二就是表示方法的研究，各种表示方法的应用。

人工智能中知识表示研究的特点
◇智能行为所特有的灵活性问题。

“常识问题”不能概括成壹类简洁的理论，表示方法的理论研究是大量小理论的集合。

◇人工智能的任务受到计算装置的约束。

这就导致了所采用的“表示方法”必须同时满足“刻画智能现象”和“计算装置可接收”这俩个有时是矛盾的条件。

处理矛盾的方法不同导致了不同的表示观。