тои.модели представления знаний. Модели представления знаний
 Скачать 27.29 Kb.
|
|
Модели представления знаний. Модель представления знаний – это способ записи знаний, предназначенный для отображения текущего состояния объектов некоторой предметной области и отношений между ними, а также изменение объектов и отношений. С понятием моделирования знаний неразрывно связана проблема выбора языка представления знаний. Для классификации моделей представления знаний выделяется семь ключевых требований к моделям знаний: общность (универсальность); наглядность представления знаний; однородность; реализация в модели свойства активности знаний; открытость; возможность отражения структурных отношений объектов предметной области; возможность оперирования нечеткими знаниями; Ни одна из существующих на данный момент моделей не может в полной мере удовлетворить этим требованиям, именно это причина активных исследований в области представления знаний. Рассмотрим четыре наиболее часто используемые и популярные на сегодняшний день модели представления знаний: продукционные модели – модели, основанные на правилах, позволяют представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие»; семантические сети – графическое изображение модели, чаще всего в виде графов. Узлы этого графа соответствуют понятиям и объектам, а дуги – отношениям между объектами; фреймовые модели основывается на таком понятии как фрейм (англ. frame – рамка, каркас). логическая модель основывается на неточных числах, коэффициентах уверенности, вероятности, нечетких множествах. Последние содержат упорядоченные пары, включающие номер элемента множества и функцию степени принадлежности этого элемента множеству. Продукционная модель Продукционные модели можно считать наиболее распространенными моделями представления знаний. Продукционная модель — это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие» Системы обработки знаний, использующие продукционную модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент. Примеры продукционных правил: ЕСЛИ «двигатель не заводится» И «стартер двигателя не работает» ТО «неполадки в системе электропитания стартера» ЕСЛИ у фигуры три стороны И один угол равен 90° ТО это прямоугольный треугольник. Основные достоинства систем, основанных на продукционных моделях: простота представления знаний и организации логического вывода. К недостаткам таких систем можно отнести следующее: отличие от структур знаний, свойственных человеку; неясность взаимных отношений правил; сложность оценки целостного образа знаний; при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу; низкая эффективность обработки знаний. При разработке небольших систем (десятки правил) проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны. Существуют два типа продукционных систем – с прямыми и обратными выводами. Прямые выводы выполняют стратегию «от фактов к заключениям». При обратных выводах выдвигаются гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании поступающих фактов. Существуют системы и с двунаправленными выводами. Продукционная модель представления знаний нашла широкое применение в АСУТП(Автоматизированная система управления технологическим процессом). Сетевая модель В инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги — отношениям между объектами. Семантические сети появились как модель при решении задач разбора и понимания смысла естественного языка. Семантическая сеть как модель наиболее часто используется для представления декларативных знаний. С помощью этой модели реализуются такие свойства системы знаний, как интерпретируемость и связность. За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям. Достоинства семантических сетей: универсальность, семантическая сеть позволяет представить любую существующую систему в виде схемы; наглядность системы знаний, представленной графически; близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке. Недостатки семантических сетей: формирование и модификация семантической модели затруднительны; поиск решения в семантической сети сводится к задаче поиска фрагмента сети, соответствующего подсети, отражающей поставленный запрос; чем больше отношений между понятий, тем сложнее использовать и модифицировать знания. Несмотря на недостатки семантическая сеть, в связи со своей наглядностью и легкостью создания незаменима в обучении. Также модель необходима на начальных этапах создания проектов для рассмотрения его обобщенно. Одной из первых известных моделей, основанных на семантической сети, является TLC-модель (Teachaple Languge Comprehender — доступный механизм понимания языка), разработанная в 1968 году. Модель использовалась для представления семантических отношений между концептами (словами) с целью описания структуры долговременной памяти человека в психологии. Как правило, различают экстенсиональные и интенсиональные семантические сети. Экстенсиональная семантическая сеть описывает конкретные отношения данной ситуации. Интенсиональная — имена классов объектов, а не индивидуальные имена объектов. Связи в интенсиональной сети отражают те отношения, которые всегда присущи объектам данного класса. Особенностью является наличие трех типов отношений: класс — подкласс свойство — значение пример элемента класса По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений. Все типы отношений: часть — целое класс — подкласс элемент — количество атрибутивный логический лингвистический Фреймовая модель Фрейм — это структура для представления знаний, которая при ее заполнении соответствующими значениями превращается в описание конкретного факта, события или ситуации. Фреймовую модель можно считать более специализированной по отношению к сетевой. Она основана на принципе кластеризации (фрагментация) знаний. Фреймы делятся на образцы (прототипы), хранящиеся в базе знаний, и фреймы - экземпляры, создающиеся для отображения реальных фактических ситуаций на основе поступающих знаний. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через: фреймы - структуры, использующиеся для обозначения объектов и понятий (заем, залог, вексель); фреймы - роли (менеджер, кассир, клиент); фреймы - сценарии (банкротство, собрание акционеров, празднование именин); фреймы - ситуации (тревога, авария, рабочий режим устройства); фрейм-экземпляр — конкретная реализация фрейма, описывающая текущее состояние в предметной области; фрейм-образец — шаблон для описания объектов или допустимых ситуаций предметной области; фрейм-класс — фрейм верхнего уровня для представления совокупности фреймов образцов. Слоты – это незаполненные (нулевые) позиции фрейма. Если у фрейма все слоты заполнены – это описание конкретной ситуации. В переводе с английского слово «фрейм» означает «рамка», а слово «слот» – «щель». В отличие от моделей других типов во фреймовых моделях фиксируется жесткая структура информационных единиц, которая называется протофреймом. В общем виде структура информационных единиц выглядит следующим образом: (Имя фрейма: имя слота1 (значение слота1); имя слота2 (значение слота2); . . . . . . . . . . . . . . . . . . . . . . . . . . имя слотаК (значение слотаК)). Значением слота может быть практически что угодно (числа, математические соотношения, тексты на естественном языке или на языке программ, ссылки на другие слоты данного фрейма). Значением слота может выступать и отдельный фрейм, что является очень удобным для упорядочивания знаний по степени общности. Исключение из фрейма любого слота делает его неполным, а иногда и бессмысленным. При конкретизации фрейма ему и слотам приписываются конкретные имена и происходит заполнение слотов. Таким образом из протофреймов получаются фреймы — экземпляры. Переход от исходного протофрейма к фрейму — экземпляру может быть многошаговым, за счет постепенного уточнения значений слотов. К достоинствам фреймовой модели знаний относятся: гибкость, т. е. структурное описание сложных объектов; наглядность, т. е. данные о родовидовых связях хранятся явно; механизм наследования свойств. Недостатками фреймовой системы являются: высокая сложность систем в целом; отсутствие строгой формализации; трудно внести изменение в иерархию; затруднена обработка исключений. FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели. Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2. Фреймовую модель представления знаний можно заменить сетевой (семантической). Логическая модель Логическая форма представления знаний – представляет собой несколько утверждений и фактов (формулы). Знания — это набор таких формул, а процесс вывода новых знаний — это реализация процедур логического вывода. Достоинства логической модели: независимо от количества формул и процедур, логическая форма будет иметь только один вывод; благодаря тому, что логическая модель использует математические формулы, которые обширно изучены к настоящему времени, методы модели можно точно обосновать благодаря строгому представлению формул в виде процедур, можно однозначно реализовать метод, используя логические языки программирования (например:Prologue, Planner,Visual Prologue, Oz и другие) благодаря особенностям процесса вывода новых знаний, в базе знаний можно хранить только множество аксиом, что в свою очередь существенно облегчает базу данных будущего искусственного интеллекта. Недостатки логической модели: из-за того, что факты(формулы) выглядят очень похоже, модель тяжело использовать для конкретных предметной области из-за отсутствия определённости в некоторых сферах науки, в логическую модель тяжело добавить необходимое количество аксиом для корректной работы будущей системы; вывод, полученный из верных аксиом может не иметь смысла со стороны человеческого разума. Программа может верно построить связи, но получить совершенно неверный вывод каждая аксиома должна иметь строгий вывод, зачастую либо «да», либо «нет». Этого очень тяжело добиться в сфере гуманитарных наук, в связи с чем сложность разработки возрастает в геометрической прогрессии. Основная идея при построении логических моделей знаний заключается в следующем — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В логических моделях знаний слова, описывающие сущности предметной области, называются термами (константы, переменные, функции), а слова, описывающие отношения сущностей — предикатами. Предикат — логическая N-арная пропозициональная функция, определенная для предметной области и принимающая значения либо истинности, либо ложности. Пропозициональной называется функция, которая ставит в соответствие объектам из области определения одно из истинностных значений («истина», «ложь»). Предикат принимает значения «истина» или «ложь» в зависимости от значений входящих в него термов. Способ описания предметной области, используемый в логических моделях знаний, приводит к потере некоторых нюансов, свойственных естественному восприятию человека, и поэтому снижает описательную возможность таких моделей. В логической МПЗ подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой. Пример A1 = <идет дождь> A2 = <небо в тучах> A3 = <солнечно>; IF A1 AND A2 THEN <взять зонтик> Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области. Любая экспертная система должна иметь вывод данных и последовательность "мышления" системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное "мышление" представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом). Заключение На сегодняшний день существует огромное количество разнообразных моделей представления знаний. Каждая из них имеет свои особенности, достоинства и недостатки. Поэтому вопрос выбора оптимальной модели стоит как никогда остро. Правильная модель представления знаний поможет не только решить задачу максимально эффективным способом, но и облегчить функционирование созданной системы. На данный момент процесс разработки модели представления знаний можно рассматривать, как процесс разработки базы знаний. В связи с этим очень важно, чтобы все свойства и характеристики знаний соответствовали не только свойствам баз знаний, но и моделям представления знаний На этапе проектирования модели целесообразно сделать систему настолько простой, насколько это возможно. Этого можно достичь, представляя все элементы модели в едином виде. Единый вид элементов модели позволяет упростить управление как логическим выводом, так и знанием. Единый вид означает, что система проста и интуитивна понятна обычному пользователю, который не является экспертом. Легче всего этого достигнуть, используя несколько видов моделей представления знаний в симбиозе. |