人工智能：2.4 语 义 表 示
2.3.1
语义网络
语义网络是 J.R.Quillion 于 1968 年在研究人类的联想记忆过程中提出的一种心 理 学 模 型 ， 并 在 他 设 计 的 可 教 式 语 言 理 解 器
TLC(Te achable Language
Comprehension) 中用作知识的表示 。1972 年西蒙在其自然语言理解系统中也采用了这种语义网络来表示知识。
语义网络是描述概念、事物等之间各种含义的一种网络有向图，它通过实体及
其语义关系来表达知识，是一种表达能力强而且灵活的知识表示方法。在语义网络中，网络的节点代表了实体，表示各种事物、概念、属性、状态、事件、动作等，而网络中的弧线则表示连接两个实体之间的语义联系，节点和弧都必须带有标识，以便区分各种不同对象以及对象间各种不同的语义联系。每个节点可以带有若干属性，一般用框架或元组表示。另外，节点还可以是一个语义子网络，
形成一个多层次的嵌套结构。
一个最简单的语义网络，称为一个基本网元，可描述为如下的一个三元组
：
( 节点
1 ， 弧， 节点 2)
它可以用图 2.5 表示，其中， A 、B 分
别代表两个节点， R AB 表示 A 与
B 间的某种语义联系。例如，图 2.6 所示的语义网络就是一个基本网元，它表示了猎狗与狗的语义关系，这种关系为 “是一种”，即：“猎狗”是“狗”中的一种，二者之间存在类 属关系。
|
R
AB
是一种
|
|
|
图 2.5 基本语义单元 图 2.6 猎狗与狗的语义基元
这里，弧线的方向是有意义的，需要根据事物间的关系确定。例如，在表示类属关系时，箭头
所指的节点代表上层概念，而箭尾节点代表下层概念或者一个具体的事物。
把多个语义基元用相应的语义联系在一起，就形成了一个语义网络。比如上例中，可以对 “猎狗”作进一步的描述，得到关于狗的语义网络，如图 2.7 所示。
・28 ・
第 2 章 知识表示
 |
 |
|
|
|
是一种 是一种
图 2.7 狗的语义网络
2.3.2
常用语义联系
语义网络通过语义基元和一些基本的语义联系，可以实现大量的复杂语义关 系，鉴于语义关系的复杂性，所以语义联系也是多种多样的，可以根据需要定义， 下面列出其中一些常用的语义联系。
1. 类属关系
类属 关系描述了具有共同属性的不同事物之间的分类关系，反映了事物的
“具体与抽象”、“个体与集体”的概念 。常用的类属关系有 ：表示类型 ，如 A-Kind-of( 是一种) ； 表示成员，如 A-Member-of( 是一员) ；
表示实例，如 ISA( 是一 个) ； 等等。比如 ，“燕子是鸟”的语义网络如图 2.8 所示。
2. 聚类关系
 |
这是一种包含的关系，反映了 “部分与整体”之间的，表示下层概念是其上层概念的一个方面或一个部分。常用的聚类关系有 ： Part-of( 是一部分) ，如图 2.9 所示。
|
|
ISA
图 2.8 实例关系 图 2.9 聚类关系
3. 属性关系
这里是指事物及其属性之间的关系，如 Have( 有) 、Can(能) 等，如图 2.10 所示。
4. 推论关系
一个概念可由另一个概念推出，它们之间存在推论关系，如 ：Inference ( 推论出) ，如图 2.11 所示。
・29 ・
人工智能技术与方法
|
|
|
Inference
图 2.10 属性关系 图 2.11 实例关系
5. 时间、位置等关系
它用于描述事物在时间上的前后关系 、位置方面的相互关系, 或事物性状的相似关系等，如 ： Before(在 前) 、After( 在后) 、Locate-on( 在上面) 、Locate-under( 在下面) 、Similar-to( 相似) 、Near-to( 接近) ，等等，如图 2.12 所示。
 |
上面讨论的语义网络中，节点都用来表示某个事物或者某个概念，此外，语 义网络还可以表示某种情况、事件或者某个动作，节点的弧则用于指出 不同的情况。例如，当用节点表示某一动作时，向外的孤可用来指出该动作的主体及客体。例如 ，“小明给小红一本书
”，其语义网络如图
2.13
所示。
|
|
Locate-on
客体 2
|
|
|
主体 客体 1
图 2.12 位置关系 图 2.13 动作节点
 |
也可把上述命题用一个事件来描述，在语义网络中增设一个 “事件”节点，如图
2.14 所示。
客体 2
|
|
|
主体 客体 1
 |
动作
图 2.14 事件节点
2.3.3
语义网络求解问题的过程
语义网络的求解一般是通过匹配来实现的，即在知识库的语义网络中寻找与
・30 ・
待求问题相符的语义网络模式，其主要过程如下 ：
第 2 章 知识表示
(1) 根据待求解问题的要求构造一个网络片断，其中有些节点或弧的标识是
空的，反映待求解的问题 ；
(2) 根据语义片段到知识库中去寻找可匹配的网络，以找出所需要的信息 ；
(3) 当问题的语义网络片断与知识库中的语义网络片断匹配时，则与询问处相匹配的事实就是问题的解。
2.3.4
语义网络表示法的主要优点
(1) 结构性： 语义网络是一种结构 化的知识表示方法，它将事物的属性以及事物之间的各种语义联系显示地表达出来。下层节点可以继承、补充和变异上层节点的属性，从而实现信息的共享。
(2)
联想性： 语义网络最初是作为人类联想记忆模型而提出来的，它着重强调事物中间的语义联系 ，通过这些联系 ，可以很容易地找到与该节点有关的信息，
体现了人类的联想思维过程。
(3) 自然性： 语义网络实际上是一个带有标记的有向图，可以直观地将事物属性以及事物之间的语义关系表示出来，符合人们的思维表达习惯，便于理解，
自然语言与语义网络之间的转换也比较容易实现。
(4) 复杂性：
语义网络表示知识的手段是多种多样的，这虽然对知识的表示带来灵活性，但同时也由于表现形式的不一致，而增加了处理上的复杂性。