人工智能:2.4 语 义 表 示

点击打开微信,办理ETC



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 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


(
1        2)


它可以用图 2.5 表示,其中, A B
别代表两个节点,
R AB 表示 A
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,即猎狗中的一种,二者之间存在类 属关系。







 





A

 

R
AB





是一种







                                                               


 





 




猎狗

 




B

 

2.5   基本语义单元          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







2    知识表


 









 




猎狗

 




动物

 

是一             是一种

 


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( 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





文本框: 教学


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。

 





燕子

 




 

ISA



 


2.8   实例关系                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( ) Can() 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


 


 





冠军

 




勤奋努力

 




 

Inference



 


2.10   属性关系               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( 下面) Similar-to( 相似) Near-to( 接近) ,等等,如图 2.12 所示。





文本框: 一本书


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。 小明给小红一本书
,其语义网络如图
2.13 
所示。

 







 





 




桌子

 

Locate-on






客体 2





 




小红

 




小明

 

主体           客体 1







                                                                           


 


2.12   位置关系                    2.13 动作节点





文本框: 一本书



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





事件

 




小红

 




小明

 

主体           客体 1


                                                                           


 





文本框: 给


动作

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





2    知识表







(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,
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。


 







 




点击打开微信,马上办理ETC


意见反馈

发表评论