知识表示是人工智能和知识工程领域的核心基础，它研究如何将现实世界中的知识以计算机可处理、可推理的形式进行形式化描述

核心定义

知识表示 包含两个层面的含义：

1. 表示什么（What）：选择哪些人类知识需要进行形式化，这涉及到对知识本身的理解和建模。
2. 如何表示（How）：用什么样的数据结构、符号系统或形式语言来描述这些知识，这决定了计算机如何处理这些知识。

知识表示就是 知识在计算机中的“存在形式”或“载体”。

为什么需要知识表示？

计算机本身并不“理解”世界，为了让计算机能像人类一样进行推理、解决问题、决策和对话，必须将人类的知识“教”给它，知识表示就是实现这一目标的桥梁，其主要目的包括：

1. 使知识可计算：将非结构化的、隐含的知识转化为结构化的、显式的符号，供算法处理。
2. 实现推理：为基于知识的系统（如专家系统）提供推理的基础，从已知事实推出新结论。
3. 促进知识共享与重用：通过标准化表示（如本体），不同的人、不同的系统可以共享和理解同一套知识。
4. 辅助人类理解：清晰的结构化表示（如语义网络、框架）有助于人类自身理解和梳理复杂领域的知识体系。

主要的知识表示方法

知识表示方法主要分为两大类：符号表示法 和 非符号（连接主义）表示法。

（一）符号表示法

用明确定义的符号和结构来表达知识。

1. 逻辑表示法

   • 核心思想：使用形式逻辑（如一阶谓词逻辑）来描述事实、规则和约束。
   • 特点：严谨、精确，具有坚实的数学基础，便于进行自动推理（如归结原理）。
   • 示例：∀x (人(x) ∧ 有工作(x) → 纳税(x)) （所有人如果有工作，就需要纳税）。

2. 产生式规则

   • 核心思想：采用 IF (条件) THEN (动作) 的形式表示知识，这是专家系统最常用的表示法。
   • 特点：直观、模块化，易于添加和修改规则，推理过程（如正向/反向链）清晰。
   • 示例：IF 发烧 AND 咳嗽 THEN 疑似感冒（置信度0.8）

3. 语义网络

   • 核心思想：用节点表示概念/对象，用有向边表示概念间的关系，构成一个有向图。
   • 特点：形象直观，便于表达概念间的分类、属性、部分等关系，支持继承推理。
   • 示例：鸟 -> (是一种) -> 动物；麻雀 -> (是一种) -> 鸟；鸟 -> (有) -> 翅膀。

4. 框架

   • 核心思想：用类似于“记录”或“对象”的数据结构来描述一类事物，一个框架包含多个“槽”，每个槽有名称和值（可以是默认值、过程或指向其他框架的指针）。
   • 特点：适合表达具有固定结构、包含丰富属性的实体，能很好地模拟人类对原型的认知。
   • 示例：“房屋”框架的槽包括：[所有者]、[面积]、[地址]、[房间列表]等。

5. 本体

   • 核心思想：对领域内共享概念体系的明确、形式化规范说明，它定义概念、概念的属性、概念之间的关系以及约束。
   • 特点：语义丰富，旨在实现机器间的无歧义理解和互操作，是语义网（Web 3.0）和现代知识图谱的核心。
   • 示例：在医药本体中，明确定义“疾病”、“症状”、“药品”、“治疗”等概念，以及“疾病具有症状”、“药品治疗疾病”等关系。

（二）非符号表示法（连接主义方法）

这类方法不依赖于显式的符号逻辑。

1. 神经网络表示

   • 核心思想：知识不是以规则或符号形式存储，而是分布式地编码在大量神经元的连接权重中。
   • 特点：擅长处理感知、模式识别等任务，能从数据中自动学习特征表示，但可解释性差，是“黑箱”模型。
   • 示例：深度学习模型识别猫的图片，其“知识”存在于网络各层的权重矩阵中。

2. 向量/嵌入表示

   • 核心思想：将离散的符号（如词、实体）映射到连续、高维的向量空间中，语义相似的符号在向量空间中也距离相近。
   • 特点：是实现符号表示与非符号表示结合的关键（如知识图谱嵌入），便于进行数值计算和相似度比较。
   • 示例：Word2Vec, TransE 等模型生成的词向量或实体向量。

一个好的知识表示应具备的特性

1. 充分表达性：能够充分、准确地表达领域所需的知识。
2. 可理解性：对人类而言清晰易懂，便于知识工程师构建和维护。
3. 高效推理性：能够支持高效、可靠的推理机制，从已有知识中推导出新知识。
4. 可维护性：易于添加、修改和删除知识，保持知识库的一致性和完整性。
5. 与推理机制的分离性：表示方法与具体的推理算法相对独立，便于系统的模块化设计和优化。

总结与发展趋势

• 核心挑战：如何在表达能力强（能表示复杂知识）、推理效率高（计算可行）和易于获取（能从数据或专家那里学到）之间取得平衡。
• 现代趋势：
  • 符号与非符号的结合：这是当前研究热点。知识图谱（符号） 与 深度学习（非符号） 的结合（即“神经符号AI”），既利用了知识的精确性和可解释性，又发挥了神经网络强大的感知和学习能力。
  • 大规模与开放域：从封闭的专家系统转向构建像维基数据、谷歌知识图谱这样的大规模、开放域知识库。
  • 自动化构建：利用自然语言处理、信息抽取等技术，从非结构化文本中自动化或半自动化地构建知识表示。

知识表示是AI系统的“知识底座”，其选择和设计直接决定了系统的智能水平和能力范围，随着技术的发展，它正向着更融合、更动态、更自动化的方向演进。

标签： 知识表示 形式化描述