知识表征

知识表示是人工智能的一部分,它关心代理人(agent)如何在决定做什么时使用它所知道的知识, 这是一门将思考作为计算过程的研究。严格来说知识表示和知识推理是同一研究领域密切相关的两个概念,但实际上知识表示也经常用来直接指代包含推理的广义概念,因此在这里沿用后者,即知识表示等价于知识表示与推理。这是一个涉及使用符号来表示一些推定代理人(putative agent)相信的命题集合的研究领域。 但是在另一方面,我们同时不想坚持这些符号必须代表代理人相信的主张。因为实际上代理人可能相信无数的命题,但只有一部分被表示出来。 而弥合所代表的事物与所相信的事物之间的差距将成为推理(reasoning)在知识表示中所承担的责任。因此,推理一般来说是对代表一系列代理所相信的命题符号进行形式化处理,以产生新的表征。 符号需要比它们表示的命题更容易操纵,因此它们必须足够具体,以便我们可以操纵它们(移动它们,拆开它们,复制它们,串起它们) 构建新命题的表征。

简介

识表示是人工智能的一部分,它关心代理人(agent)如何在决定做什么时使用它所知道的知识, 这是一门将思考作为计算过程的研究。严格来说知识表示和知识推理是同一研究领域密切相关的两个概念,但实际上知识表示也经常用来直接指代包含推理的广义概念,因此在这里沿用后者,即知识表示等价于知识表示与推理。

这是一个涉及使用符号来表示一些推定代理人(putative agent)相信的命题集合的研究领域。 但是在另一方面,我们同时不想坚持这些符号必须代表代理人相信的主张。因为实际上代理人可能相信无数的命题,但只有一部分被表示出来。 而弥合所代表的事物与所相信的事物之间的差距将成为推理(reasoning)在知识表示中所承担的责任。

因此,推理一般来说是对代表一系列代理所相信的命题符号进行形式化处理,以产生新的表征。 符号需要比它们表示的命题更容易操纵,因此它们必须足够具体,以便我们可以操纵它们(移动它们,拆开它们,复制它们,串起它们) 构建新命题的表征。

这种操纵可以类比为算术,我们可以将二进制加法看作是某种形式的操作:例如,我们以“1011”和“10”等符号开头,最后加上“1101”。这里的操作是加法,因为最后一个符号代表的数字是由最初的符号所代表的数字的加和而来。 推理也可以是类似的:我们可以从“约翰爱玛丽”和“玛丽来参加派对”等句子开始,并在经过一定的操纵后产生一句“约翰喜欢来参加派对的人”。

[描述来源:Brachman R.; Levesque H. (2004). Knowledge Representation and Reasoning. Morgan Kaufmann.]

发展历史

描述

最早的计算机化知识表示的工作集中在一般问题求解上,例如1959年由Allen Newell和Herbert A. Simon开发的通用问题求解器(General Problem Solver,GPS)系统。该系统将从一个目标开始,然后将这个目标分解成子目标,再开始构建能够完成每个子目标的策略。然而,诸如GPS之类的系统的无限制的问题定义意味着它们仅适用于非常有限的领域。为了解决更实际的问题,AI研究人员意识到有必要将系统集中在更多受限制的问题上。正是这些努力的失败导致了人工智能的研究集中于知识表示,并推动了专家系统、生产系统、框架语言等的诞生。在这段时间(20世纪70-80年代), AI将其重点转向专家系统——Edward Feigenbaum领导的斯坦福启发式编程项目所奠基的系统——该系统可以匹配人类在特定任务(如医疗诊断)方面的能力。

除了专家系统之外,其他研究人员在20世纪80年代中期开发了基于框架的语言的概念。一个框架类似于一个对象类:它是对描述事物、问题和潜在解决方案的类别的抽象描述。框架最初用于面向人类交互的系统,例如理解自然语言和社会环境,在这些环境中,各种默认期望(例如在餐厅点餐)缩小了搜索空间,并允许系统对动态环境进行适当响应。

不久之后,基于框架的研究人员和基于规则的研究人员意识到他们的方法之间存在协同作用。框架利用有约束的类、子类、槽(数据值),能够很好地代表真实世界。规则则适合于表示和利用复杂的逻辑,如进行医疗诊断的过程。于是集框架和规则于一体的综合系统成为了一个研究方向,Intellicorp于1983年开发的知识工程环境(KEE)是其中最有力和最知名的。 其他著名的工具还有Symbolics,Xerox和Texas Instruments的Lisp的操作系统。

1985年布莱恩·C·史密斯首次正式定义的知识表示假说,成为了知识表示这一研究领域的正式起点。

框架,规则和面向对象编程的整合主要由商业企业(如KEE和Symbolics从各种研究项目中分离出来)所驱动,与此同时,另一种商业化程度较低,并由数学逻辑和定理证明的另一种研究也出现了。这项研究中最有影响力的语言之一是80年代中期的KL-ONE语言。 KL-ONE是一种框架语言,它具有严格的语义,正式定义了概念,如Is-A关系。 KL-ONE和受它影响的语言如Loom有一个基于形式逻辑而不是IF-THEN规则的自动推理引擎。这个推理者被称为分类器。分类器可以分析一组声明并推断新的断言,例如,将一个类重新定义为某个未正式指定的其他类的子类或超类。通过这种方式,分类器可以用作推理引擎,从现有的知识库中推导出新的事实。分类器还可以提供对知识库的一致性检查(在KL-ONE语言的情况下,也称为本体论)。

知识表示研究的另一个领域是常识推理问题。对人类来说这是理所当然的,但对人工代理人来说则很困难。Doug Lenat的Cyc项目是解决这个问题的最雄心勃勃的计划之一。 Cyc建立了自己的框架语言,并有大量的分析人员记录该语言的各种常识推理领域。在Cyc中记录的知识包括时间,因果关系,物理学等许多常识模型。

目前,知识表示研究最活跃的领域之一是与语义网相关的项目。语义网试图在当前的互联网之上添加一层语义/含义,其不是通过关键词为网站和页面建立索引,而是创建了大量的概念本体。在这种情况下,搜索概念将比传统的纯文本搜索更有效。

最近由国防高级研究计划局(DARPA)资助的项目已经将框架语言和含有基于XML的标记语言(markup languages)的分类器相集成,资源描述框架(RDF)提供了定义对象的类,子类和属性的基本功能。 Web本体语言(OWL)提供了更多级别的语义,并且可以与分类引擎集成。

[描述来源:https://en.wikipedia.org/wiki/Knowledge_representation_and_reasoning]

主要事件

年份事件相关论文/Reference
1959Allen Newell,Herbert A. Simon和Shaw开发了通用问题求解器(General Problem Solver,GPS)系统Newell A.; Shaw J. C.; Simon H. A.(1959). A variety of intelligent learning in a general problem solver. Rand cooperation.
1977Edward Feigenbaum领导了斯坦福启发式编程项目Feigenbaum E. A.(1977).The Art of Artificial Intelligence. 1. Themes and Case Studies of Knowledge Engineering.
1978Branchman提出的新型网络更准确的定义了概念关系Brachman R. (1978). A Structural Paradigm for Representing Knowledge. Bolt, Beranek, and Neumann Technical Report (3605).
1985布莱恩·C·史密斯首次正式定义了知识表示假说Smith B. C. (1985). Prologue to Reflections and Semantics in a Procedural Language.Readings in Knowledge Representation. Morgan Kaufmann. pp. 31–40.
1987Mettrey对当时常用的工具进行了评估Mettrey W.(1987). An Assessment of Tools for Building Large Knowledge-Based Systems. AI Magazine. 8 (4).
1990LENAT和GUHA建立了Cyc项目Lenat D.; Guha R. V. (1990). Building Large Knowledge-Based Systems: Representation and Inference in the Cyc Project. Addison-Wesley.
2001Tim等人提出了语义网Tim B. L.; Hendler J.; Lassila O. (2001). The Semantic Web A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities. Scientific American. 284: 34–43

发展分析

瓶颈

知识表示是目前比较受关注的一个研究领域,但其仍然面临许多挑战,主要有如何对知识库的复杂关系建模、如何实现多元信息融合、如何对知识图谱中的关系路径建模。

未来发展方向

要使知识表示真正步入应用阶段,目前主要有三个研究方向:1.)面向不同类型的知识表示学习 2.)多元信息融合的知识表示学习 3.)考虑复杂推理模式的知识表示学习。

Contributor: Yuanyuan Li

相关人物
Ramanathan V. Guha
Ramanathan V. Guha
简介
相关人物