отличие от структур знаний, свойственных человеку;

     неясность взаимных отношений правил;

     сложность оценки целостного образа знаний;

     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.

 

7 Логическая модель

     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 основе логических моделей знаний лежит понятие формальной теории, задаваемое картежем:

     S=<A,F,Ax,R>

     А – счетное множество базовых  символов (алфавит);

     F – множество, называемое формулами;

     Ax – выделенное подмножество априори истинных формул (аксиом);

     R – конечное множество отношений между формулами, называемое правилами вывода.

     Основные  достоинства логических моделей  знаний:

• в качестве «фундамента» здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы;
• существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования «Пролог»;
• в базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода.

     В логических моделях знаний слова, описывающие  сущности предметной области, называются термами (константы, переменные, функции), а слова, описывающие отношения сущностей – предикатами.

     Предикат  – логическая -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.

     Сложности возникают при описании «многосортных» миров, когда объекты не являются однородными. Так, высказывания: «2 + 2 = 4», «Москва – столица России» имеют одно и то же значение «истина», но разный смысл. С целью преодоления сложностей и расширения описательных возможностей логических моделей знаний разрабатываются псевдофизические логики, логики, оперирующие с нечеткостями, эмпирическими кванторами, обеспечивающие индуктивные (от частного к общему), дедуктивные (от общего к частному) и традуктивные (на одном уровне общности) выводы. Такие расширенные модели, объединяющие возможности логического и лингвистического подходов, принято называть логико-лингвистическими моделями предметной области.

 

8 Семантические сети  или сетевые модели знаний

     Однозначное определение семантической сети в настоящее время отсутствует. В инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами. Формально сеть можно задать в следующем виде:

     I – множество информационных единиц;

     C – множество типов связей между информационными единицами;

     G – отображение, задающее конкретные отношения из имеющихся типов C между элементами I.

     Граф  собирает вокруг одного узла всю информацию по некоторому объекту. Графические представления, такие, как концептуальные графы и сематические сети, позволяют визуализировать модель мира, которому принадлежит решаемая проблема. Такой тип представления интересуется в большей мере описанием мира проблем, чем правил, относящихся к самому этому миру.

     Концептуальный  граф представляет логическую формулу. Имена и аргументы предикатов представлены в нем соответственно двумя типами узлов. Дуги графа соединяют  имена предикатов с их аргументами. Эти графы близки к моделям, используемым специалистами по базе данных.

     

     В – определяет связь с чем-либо.

     С и Д – терминальные узлы. Это  конечные узлы.

     Семантические сети представляют более сложные структуры. Такая сеть состоит из множества концептуальных графов, представляющих логические формулы. Она позволяет визуализировать множество отношений между концептуальными графами, ее составляющими.

     В наше время семантические сети используются в системах распознавания естественных языков. Они вмонтированы также в более сложные формализмы, где служат для поддержки описания и классификации сущностей (экспертные системы). Достоинство концептуальных графов – в возможности прямого обобщения на модальные системы и другие формализмы, трудно представимые логикой первого порядка.

     Семантическая сеть как модель наиболее часто используется для представления декларативных знаний. С помощью этой модели реализуются такие свойства системы знаний, как интерпретируемость и связность, в том числе по отношениям IS-A и PART-OF. За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям.

     Одной из первых известных моделей, основанных на семантической сети, является TLC-модель (Teachaple Languge Compre-hender – доступный механизм понимания языка), разработанная Куиллианом 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.

 

9 Фреймовая модель знаний

     Фреймовая модель основана на концепции Марвина  Мински (Marvin Minsky) – профессора Массачусетского  технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

     Фрейм (англ. frame – рамка, каркас) – структура  данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах.

     Слот (англ. slot – щель, прорезь) может быть терминальным (листом иерархии) или  представлять собой фрейм нижнего  уровня.

     Каждый  фрейм, как показано на рисунке ниже, состоит из произвольного числа  слотов, причем несколько из них  обычно определяются самой системой для выполнения специфических функций, а остальные определяются пользователем. 

     Пояснение:

     имя фрейма– это идентификатор, присваиваемый  фрейму. Фрейм должен иметь имя, единственное в данной фреймовой модели (уникальное имя);

     имя слота– это идентификатор, присваиваемый  слоту. Слот должен иметь уникальное имя во фрейме, к которому он принадлежит. Обычно имя слота не несет никакой смысловой нагрузки и является лишь идентификатором данного слота, но в некоторых случаях оно может иметь специфический смысл;

     указатель наследования – только для фреймовых  моделей иерархического типа; они  показывают, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с такими же именами во фрейме нижнего уровня;

     указатель атрибутов – указатель типа данных слота. К таким типам относятся: FRAME (указатель), INTEGER (целое), REAL (вещественное), BOOL (булево), LISP (присоединенная процедура), TEXT (текст), LIST (список), TABLE (таблица) и другие;

     значение  слота – значение, соответствующее  типу данных слота и удовлетворяющее  условиям наследования;

     демон – процедура, автоматически запускаемая при выполнении некоторого условия. Демоны запускаются при обращении к конкретному слоту фреймовой модели. Пример фреймовой модели иерархического типа представлен на рисунке ниже:

 

     

 

     Фреймы  образуют иерархию. Иерархия во фреймовых  моделях порождает единую многоуровневую структуру, описывающую либо объект, если слоты описывают только свойства объекта, либо ситуацию или процесс, если отдельные слоты являются именами процедур, присоединенных к фрейму и вызываемых при его актуализации.

     Формально фрейм – это тип данных вида:

     F=<N,S1,S2,S3>

     N – имя объекта;

     S1 – множество слотов, содержащих факты, определяющие декларативную семантику фрейма;

     S2 – множество слотов, обеспечивающих связи с другими фреймами (каузальные, семантические и т. д.);

     S3 – множество слотов, обеспечивающих преобразования, определяющие процедурную семантику фрейма.

     Фреймы  подразделяются на:

     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.

     Состав  фреймов и слотов в каждой конкретной фреймовой модели может быть разный, однако в рамках одной системы  целесообразно единое представление для устранения лишнего усложнения.

     Разнотипные объекты или объекты, соответствующие  концепции «множественности миров», заключающейся, к примеру, в том, что лошадь – животное бескрылое  для одного (реального) мира и одновременно крылатое (Пегас в мифическом мире) для другого, могут описываться отличающимися друг от друга фреймами.