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。

 

A

R
AB

是一种

                                                               

 

狗

猎狗

B

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

 

狗

猎狗

动物

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。

 

燕子

鸟

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

 

 

冠军

勤奋努力

鸟

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。

 

 

书

桌子

Locate-on

客体 2

给

小红

小明

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

事件

小红

小明

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。