Визначення та класифікація семантичних мереж

Семантичні мережі є зручним способом графічного подання знань. Особливий акцент при цьому робиться на зв'язках між різними інформаційними одиницями та між різними фрагментами знань. Важливим є те що вся інформація про дане поняття групується навколо вузла мережі, який відповідає цьому поняттю.

Семантичну мережу можна неформально уявляти у вигляді графу, вершини якого, як правило, позначають об'єкти предметної області, а дуги відповідають зв'язкам між ними. Це визначення є неформальним і орієнтоване скоріше на людське розуміння, ніж на проектування і створення систем штучного інтелекту.

Ф ормально семантична мережа визначається як набір <І, С₁, С₂, ..., С_n, Г>. Тут І – множина інформаційних одиниць, С₁, С₂, ..., С_n – типи зв’язків між інформаційними одиницями, Г– відображення, що задає зв'язки між інформаційними одиницями.

На відміну від неформального визначення, останнє вимагає жорсткої фіксації схеми бази знань, тобто набору можливих інформаційних одиниць і типів можливих зв'язків.

Існує значна кількість моделей знань на основі семантичних мереж; історично першою була модель Квілліана. Приклад: твердження "Студент Іванов отримав 5 на іспиті зі штучного інтелекту" може бути зображено у вигляді такої семантичної мережі: рис. 

Таке представлення не є єдино можливим.

Семантичні мережі є найбільш широким класом мережних моделей, в яких поєднані різні типи зв'язків. Часткові випадки семантичних мереж відповідають спеціальним типам зв'язків. Виокремлюють, зокрема, класифікуючі мережі, функціональні мережі та сценарії.

Класифікуючі мережі дозволяють задавати відношення ієрархії між інформаційними одиницями.

Функціональні мережі характеризуються наявністю функціональних відношень, які дозволяють описувати процедури обчислень одних інформаційних одиниць через інші. Тому їх часто називають обчислювальними моделями.

У сценаріях використовуються відношення типу "причина – наслідок", "дія", "засіб дії" та ін.

3. Загальні принципи неточного виведення

Логічне виведення за недостовірних знань

(Поняття про неточне логічне виведення)

("Об'єктивна" та "суб'єктивна" невизначеність) Загальні принципи неточного виведення

Виокремлюють два типи механізмів роботи з неточними твердженнями.

Неточне виведення "приєднаного" типу характеризується тим, що з кожним твердженням x пов'язується міра його достовірності (х). Логічне виведення здійснюється за принципами, характерними для точних знань, але при цьому висновкам також приписується певна міра достовірності. При цьому необхідно задати:

• функцію (х)=f((x₁),...,(х_n)), яка задає міру неточності складного твердження х, якщо задані міри неточності його складових частин x₁,..., х_n. Наприклад, є два висловлення: х₁ = "завтра буде дощ" з мірою достовірності (x₁) = 0,3 і х₂ - "завтра буде сніг " з мірою достовірності (х₂) = 0,6. З цих двох тверджень можна утворити ряд складених тверджень, наприклад: х=х₁х₂ ("завтра буде або дощ, або сніг"). Функція f розрахунків неточності для складених тверджень може задаватись по-різному, наприклад, типовим є використання функцій (х) = max((x₁), (х₂)) для диз'юнкції та (х) = min((хі),..., (х_п)) – для кон'юнкції. Тоді у нашому випадку (х) = max((x₁), (х₂)) = max(0,3; 0,6) = 0,6;

• функцію (у)=g((x),(r)); ця функція задає міру неточності висновку y, якщо задані міри неточності умови х та правила виведення r. Наприклад, маємо правило r: якщо завтра будуть опади, людина бере парасольку. Нехай міра достовірності (r) цього правила дорівнює 0,8, змістовно це можна інтерпретувати так: якщо очікуються опади, люди беруть парасольку у 80 випадках зі 100. Нехай міра достовірності умови ("завтра будуть опади") (х)=0,6. Для розрахунку міри достовірності висновку ("певна людина візьме парасольку") можна вводити різні функції; типовим є використання добутку: g((x), (r))= (x)(r). Тоді у нашому випадку (x) = 0,60,8 = 0,48;

• функцію комбінування свідоцтв (у)=h(₁(у),..., _n(у)), де _i(у) = g((x), (r)). Це означає: якщо існує кілька свідоцтв на користь (або проти) певного твердження, і кожне з цих свідоцтв приводить до певної міри істинності висновку, то на підставі цих мір потрібно побудувати деяку узагальнену міру. Формальніше, якщо для твердження y існує п правил виведення r_i, типу "Якщо х_i, то y", і кожному з цих правил виведення приписані міри достовірності (r_i), і кожна умова має свою міру достовірності (x_i), то ми отримуємо п мір достовірності для у: _i(у)=g((x),(r)). Функція комбінування свідоцтв дозволяє отримати одну об'єднану міру достовірності. Комбінування свідоцтв є центральною проблемою неточного виведення

Для кожної конкретної методики неточного логічного виведення при недостовірних знаннях потрібно визначити конкретний вигляд функцій f, g та h. Таких методик запропоновано досить багато; чимало з них створювалося для використання в конкретних експертних системах.

В основі більшої частини цих методик лежить апарат теорії ймовірностей. Усі вони мають багато спільних рис. Необхідно зауважити, що жодну з цих методик не можна вважати загальною та універсальною. Багато проблем виникає навіть у разі "об'єктивної" невизначеності, для якої застосування ймовірнісних методів дає найкращі результати.

У разі "суб'єктивної" невизначеності ситуація виявляється ще гіршою. Тому переважна більшість методів неточного логічного виведення не має належної теоретичної бази і носить відверто евристичний характер.

Теорія неточного логічного виведення на сучасному етапі інтенсивно розвивається, і цілком вірогідною є поява нових, досконаліших методик.

Механізми неточного виведення другого типу передбачають наявність спеціальних схем виведення, орієнтованих на схему представлення неточності. Надалі ми розглядатимемо лише виведення "приєднаного" типу, характерне для продукційних систем.

4. Процедури пошуку в глибину та пошуку в ширину.