5.Модели знаний
5.1. Классификация знаний
В ЭИС часто требуется решать проблемы компактного, однозначного и достаточно полного представления знаний. Знания можно классифицировать следующим образом:
Понятийные знания - набор понятий, используемых при решении некоторой задачи, например, понятийный аппарат науки.
Конструктивные знания - наборы структур, подсистем системы и взаимодействий между их элементами, например, в технике.
Процедурные знания - методы, процедуры и алгоритмы их реализации, например, в прикладных науках.
Фактографические знания - количественные и качественные характеристики объектов и явлений, например, в экспериментальных науках.
Метазнания - знания о порядке и правилах применения знаний (знания о знаниях).
Представление знаний есть процесс, конечная цель которого - представление информации семантического смысла в виде информативных сообщений. Для этого необходимо пользоваться некоторой системой правил, которая называется формализмом представления знаний.
Человек пользуется естественным формализмом - языком, письменностью.
Особую роль играют языки наук: математики, химии, физики, экономики, информатики и т.д. Языки наук часто пересекаются и взаимообогащаются при исследовании междисциплинарных проблем. Главное назначение языков наук - создавать и использовать типовые формы изложения, сжатия и хранения знаний, а также ликвидация смысловой многозначности (полисемии) естественного языка.
Одной из важных форм (методов) формализации знаний является их классификация. Например, классификационная система К. Линнея в ботанике, таблица элементов Д. Менделеева в химии, систематика экономических систем и др.
Классификация позволяет решать такие важные задачи информатики как фиксация знаний, поиск по образцу, сравнение и др.
Классификационные системы, использующиеся для классификации знаний, как правило, представляют собой иерархические структуры.
5.2. Продукционная модель представления знаний
Продукционная модель представления знаний наиболее распространена в приложениях. Модель реализуется правилами-продукциями следующего вида:
если <условие> то <заключение>.
В
качестве условия может выступать любая
совокупность суждений, соединенных
логическими связками и (
),
или (
).
Например, продукцией будет следующее правило:
если (курс доллара - растет) (сезон - осень) (число продавцов - убывает)
то (прогноз цен на рынке жилья - рост рублевых цен на квартиры).
Такого рода правила и знания о ценах, предложении и спросе на рынке жилья могут стать основой для базы знаний о рынке жилья и экспертной системы для риэлторской фирмы.
Продукционные модели удобны для представления логических взаимосвязей между фактами, так как они хорошо формализованы и соответствуют долговременной памяти человека.
5.3.Представление знаний в виде семантической сети
Часто для представления знаний используют семантические сети.
Семантическая сеть - это ориентированный граф, каждая вершина которого отображает некоторое понятие, а дуги соответствуют отношениям между понятиями.
Простейший пример семантической сети представлен на рис. 5.1. В данном примере вершины графа соответствуют группе крови человека. Дуги графа соответствуют отношению "совместимость по группе крови". То есть, если существует дуга (i,j), то человеку, имеющему группу крови j можно переливать кровь группы i.
.
Рис.5.1. Семантическая сеть "совместимость по группе крови"
На сематическх сетях удобно отражать причинно-следственные связи. Например, тот факт, что причиной неритмичной работы предприятия является старое оборудование, а причиной последнего - отсутствие оборотных средств, может быть отражен на семантической сети. Для этого сеть должна содержать вершины "отсутствие оборотных средств", "старое оборудование", "неритмичная работа", соединеные дугами соответствующими отношениям типа "быть причиной".
Достоинство семантических сетей - наглядность представления знаний, с их помощью удобно представлять причинно-следственные связи между элементами, а также структуру сложных систем. Недостаток таких сетей - сложность поиска подграфа, соответствующего запросу.