Kenntnisse-Darstellung (KR) ist ein Gebiet der Forschung der künstlichen Intelligenz hat darauf gezielt, Kenntnisse in Symbolen zu vertreten, um inferencing von jenen Kenntnisse-Elementen zu erleichtern, neue Elemente von Kenntnissen schaffend. Der KR kann gemacht werden, des zu Grunde liegenden Kenntnisse-Modells oder Kenntnisse-Grundsystems (KBS) wie ein semantisches Netz unabhängig zu sein.

Übersicht

Forschung von Knowledge Representation (KR) ist mit Analyse dessen verbunden, wie man genau und effektiv vernünftig urteilt, und wie man am besten eine Reihe von Symbolen verwendet, um eine Reihe von Tatsachen innerhalb eines Kenntnisse-Gebiets zu vertreten. Ein Symbol-Vokabular und ein System der Logik werden verbunden, um Schlussfolgerungen über Elemente im KR zu ermöglichen, neue KR-Sätze zu schaffen. Logik wird verwendet, um formelle Semantik dessen zu liefern, wie das Denken von Funktionen auf die Symbole im KR System angewandt werden sollte. Logik wird auch verwendet, um zu definieren, wie Maschinenbediener bearbeiten und die Kenntnisse neu formen können. Beispiele von Maschinenbedienern und Operationen, schließen Ablehnung, Verbindung, Adverbien, Adjektive, quantifiers und modale Maschinenbediener ein. Die Logik ist Interpretationstheorie. Diese Elemente - Symbole, Maschinenbediener und Interpretationstheorie - sind, was Folgen von Symbolen gibt, die innerhalb eines KR bedeuten.

Ein Schlüsselparameter in der Auswahl oder dem Schaffen eines KR ist sein expressivity. Je ausdrucksvoller ein KR, desto leichter und kompakter es eine Tatsache oder Element von Kenntnissen innerhalb der Semantik und Grammatik davon KR ausdrücken soll. Jedoch werden ausdrucksvollere Sprachen wahrscheinlich verlangen, dass kompliziertere Logik und Algorithmen gleichwertige Schlussfolgerungen baut. Ein hoch ausdrucksvoller KR wird auch mit geringerer Wahrscheinlichkeit abgeschlossen und konsequent sein. Weniger ausdrucksvoller KRs kann sowohl abgeschlossen als auch konsequent sein. Autoepistemic zeitliche modale Logik ist ein hoch ausdrucksvolles KR System, bedeutungsvolle Klötze von Kenntnissen mit kurzen, einfachen Symbol-Folgen (Sätze) umfassend. Satzlogik ist viel weniger ausdrucksvoll, aber hoch konsequent und abgeschlossen und kann Schlussfolgerungen mit der minimalen Algorithmus-Kompliziertheit effizient erzeugen. Dennoch betreffen nur die Beschränkungen einer zu Grunde liegenden Kenntnisse-Basis die Bequemlichkeit, mit der Schlussfolgerungen schließlich gemacht werden können (sobald der passende KR gefunden worden ist). Das ist, weil ein Kenntnisse-Satz von einem Kenntnisse-Modell oder Kenntnisse-Grundsystem (KBS) in verschiedenen KRs, mit verschiedenen Graden von expressivenes, Vollständigkeit und Konsistenz exportiert werden kann. Wenn ein besonderer KR irgendwie unzulänglich ist, kann dieser Satz von problematischen KR Elementen durch das Importieren von ihnen in KILOBYTES umgestaltet werden, hat modifiziert und hat funktioniert auf, die problematischen Elemente oder vermehrt mit zusätzlichen Kenntnissen zu beseitigen, die von anderen Quellen importiert sind, und dann in einen verschiedenen, passenderen KR exportiert sind.

In der Verwendung von KR Systemen zu praktischen Problemen kann die Kompliziertheit des Problems die Quelleneinschränkungen oder die Fähigkeiten zum KR System überschreiten. Neue Entwicklungen in KR schließen das Konzept des Semantischen Webs und die Entwicklung von XML-basierten Kenntnisse-Darstellungssprachen und Standards, einschließlich Resource Description Framework (RDF), RDF Diagramms, Thema-Karten, DARPA Agent Markup Language (DAML), Ontology Inference Layer (OIL) und Webontologie-Sprache (EULE) ein.

Es gibt mehrere KR Techniken wie Rahmen, Regeln, das Markieren und die semantischen Netze, die in der Erkenntnistheorie entstanden sind. Da Kenntnisse verwendet werden, um intelligentes Verhalten zu erreichen, ist die grundsätzliche Absicht der Kenntnisse-Darstellung, das Denken, inferencing, oder das Ziehen von Schlüssen zu erleichtern. Ein guter KR muss sowohl Aussage-als auch Verfahrenskenntnisse sein. Was Kenntnisse-Darstellung ist, kann am besten in Bezug auf fünf verschiedene Rollen verstanden werden, die sie, jeder spielt, der für die Aufgabe in der Nähe entscheidend ist:

• Eine Kenntnisse-Darstellung (KR) ist am meisten im Wesentlichen ein Stellvertreter, ein Ersatz für das Ding selbst, verwendet, um einer Entität zu ermöglichen, Folgen durch das Denken anstatt des Handelns, d. h. durch das Denken über die Welt zu bestimmen, anstatt darin zu handeln.
• Es ist eine Reihe ontologischer Engagements, d. h., eine Antwort auf die Frage: In welchen Begriffen sollte ich an die Welt denken?
• Es ist eine fragmentarische Theorie des intelligenten Denkens, das in Bezug auf drei Bestandteile ausgedrückt ist: (i) die grundsätzliche Vorstellung der Darstellung des intelligenten Denkens; (ii) der Satz von Schlussfolgerungen die Darstellungssanktionen; und (iii) der Satz von Schlussfolgerungen empfiehlt es.
• Es ist ein Medium für die pragmatisch effiziente Berechnung, d. h., die rechenbetonte Umgebung, in der das Denken vollbracht wird. Ein Beitrag zu dieser pragmatischen Leistungsfähigkeit wird durch die Leitung geliefert eine Darstellung sorgt für organisierende Information, um das Bilden der empfohlenen Schlussfolgerungen zu erleichtern.
• Es ist ein Medium des menschlichen Ausdrucks, d. h., eine Sprache, auf der wir Dinge über die Welt sagen."

Einige Probleme, die in der Kenntnisse-Darstellung von einer AI Perspektive entstehen, sind:

• Wie vertreten Leute Kenntnisse?
• Wie ist die Natur von Kenntnissen?
• Sollte sich ein Darstellungsschema mit einem besonderen Gebiet befassen, oder sollte es allgemeiner Zweck sein?
• Wie ausdrucksvoll sind ein Darstellungsschema oder formelle Sprache?
• Sollte das Schema Aussage- oder verfahrensrechtlich sein?

Es hat sehr wenig verfeinernde Diskussion der Probleme der Kenntnisse-Darstellung (KR) gegeben, und die Forschung in diesem Gebiet ist gut im Alter von quillwork. Es gibt weithin bekannte Probleme wie "sich ausbreitende Aktivierung" (das ist ein Problem im Steuern eines Netzes von Knoten), "Klassifizierung" (das ist mit auswählendem Erbe beschäftigt; z.B kann von einem ATV als eine Spezialisierung eines Autos gedacht werden, aber er erbt nur besondere Eigenschaften), und "Klassifikation". Zum Beispiel konnte eine Tomate sowohl als eine Frucht als auch als ein Gemüse klassifiziert werden.

Im Feld der künstlichen Intelligenz kann das Problem-Lösen durch eine passende Wahl der Kenntnisse-Darstellung vereinfacht werden. Das Darstellen von Kenntnissen macht in mancher Hinsicht bestimmte Probleme leichter zu lösen. Zum Beispiel ist es leichter, Zahlen zu teilen, die in Hinduistischen Arabischen Ziffern vertreten sind als als Römische Ziffern vertretene Zahlen.

Eigenschaften

Eine gute Kenntnisse-Darstellung bedeckt sechs grundlegende Eigenschaften:

• Einschluss, was den KR bedeutet, bedeckt eine Breite und Tiefe der Information. Ohne einen breiten Einschluss kann der KR nichts bestimmen oder Zweideutigkeiten auflösen.
• Verständlich durch Menschen. KR wird als eine natürliche Sprache angesehen, so sollte die Logik frei fließen. Es sollte Modularität unterstützen, und Hierarchien von Klassen (Sind Eisbären Bären, die Tiere sind). Es sollte auch einfache Primitive haben, die sich in komplizierten Formen verbinden.
• Konsistenz. Wenn John die Tür geschlossen hat, kann sie auch interpretiert werden, weil die Tür von John geschlossen wurde. Durch das Entsprechen kann der KR überflüssige oder widerstreitende Kenntnisse beseitigen.
• Effizienter
• Leichtigkeit, um zu modifizieren und zu aktualisieren.
• Unterstützt die intelligente Tätigkeit, die den Kenntnisse Basis verwendet

Um ein besseres Verstehen dessen zu gewinnen, warum diese Eigenschaften eine gute Kenntnisse-Darstellung vertreten, denken Sie, wie eine Enzyklopädie (z.B Wikipedia) strukturiert wird. Es gibt Millionen von Artikeln (Einschluss), und sie werden in Kategorien, zufriedene Typen und ähnliche (verständliche) Themen sortiert. Es adressiert verschiedene Titel, aber denselben Inhalt zu demselben Artikel (Konsistenz) um. Es ist effizient, leicht, neue Seiten hinzuzufügen oder vorhandene zu aktualisieren, und erlaubt Benutzern auf ihren Mobiltelefonen und Arbeitsflächen, seine Kenntnisse-Basis anzusehen.

Geschichte der Kenntnisse-Darstellung und des Denkens (von KRR)

In der Informatik, besonders künstlichen Intelligenz, sind mehrere Darstellungen ausgedacht worden, um Information zu strukturieren.

KR wird meistens verwendet, um sich auf Darstellungen zu beziehen, die beabsichtigt sind, um durch moderne Computer, und insbesondere für Darstellungen in einer Prozession zu gehen, die aus ausführlichen Gegenständen bestehen (die Klasse aller Elefanten oder Clyde eine bestimmte Person), und Behauptungen oder Ansprüche über sie ('Clyde ist ein Elefant', oder 'alle Elefanten, sind' grau). Das Darstellen von Kenntnissen in solcher ausführlicher Form ermöglicht Computern, Schlüsse aus bereits versorgten Kenntnissen zu ziehen ('Clyde ist' grau).

Viele KR Methoden wurden in den 1970er Jahren und Anfang der 1980er Jahre, wie heuristisches Frage-Antworten, Nervennetze, Lehrsatz-Beweis und Expertensysteme mit dem unterschiedlichen Erfolg versucht. Medizinische Diagnose (z.B, Mycin) war ein Hauptanwendungsgebiet, wie Spiele wie Schach waren.

In den 1980er Jahren sind formelle Computerkenntnisse-Darstellungssprachen und Systeme entstanden. Hauptprojekte haben versucht, breite Körper von allgemeinen Kenntnissen zu verschlüsseln; zum Beispiel ist das "Cyc"-Projekt (noch andauernd) eine große Enzyklopädie durchgegangen, nicht die Information selbst, aber die Information verschlüsselnd, die ein Leser brauchen würde, um die Enzyklopädie zu verstehen: naive Physik; Begriffe der Zeit, Kausalität, Motivation; alltägliche Gegenstände und Klassen von Gegenständen.

Durch solche Arbeit ist die Schwierigkeit von KR gekommen, um besser geschätzt zu werden. In der linguistischen Datenverarbeitung, inzwischen, wurden viel größere Datenbanken der Sprachinformation gebaut, und diese, zusammen mit großen Zunahmen in der Computergeschwindigkeit und Kapazität, haben tiefer KR mehr ausführbar gemacht.

Mehrere Programmiersprachen sind entwickelt worden, die zu KR orientiert werden. Einleitung hat sich 1972 entwickelt, aber hat viel später verbreitet, vertritt Vorschläge und grundlegende Logik, und kann Beschlüsse von bekannten Propositionen ableiten. KL EIN (die 1980er Jahre) wird auf die Kenntnisse-Darstellung selbst mehr spezifisch gerichtet. 1995 wurde der Dubliner Kernstandard von metadata konzipiert.

In der elektronischen Dokumentenwelt wurden Sprachen entwickelt, um die Struktur von Dokumenten, wie SGML zu vertreten (von dem HTML hinuntergestiegen ist), und später XML. Diese haben Informationsgewinnung und Daten erleichtert, die Anstrengungen abbauen, die in den letzten Jahren begonnen haben, sich auf die Kenntnisse-Darstellung zu beziehen.

Entwicklung des Semantischen Webs, hat Entwicklung von XML-basierten Kenntnisse-Darstellungssprachen und Standards, einschließlich RDF, RDF Diagramms, Thema-Karten, DARPA Agent Markup Language (DAML), Ontology Inference Layer (OIL) und Webontologie-Sprache (EULE) eingeschlossen.

Themen in der Kenntnisse-Darstellung und dem Denken

Sprache und Notation

Einige denken, dass es am besten ist, Kenntnisse ebenso zu vertreten, dass es im Menschenverstand vertreten wird, oder Kenntnisse in der Form der menschlichen Sprache zu vertreten.

Psycholinguistics forscht nach, wie der Menschenverstand versorgt und Sprache manipuliert. Andere Zweige der Erkenntnistheorie untersuchen, wie menschliches Gedächtnis Töne, Sehenswürdigkeiten, Gerüche, Gefühle, Verfahren und abstrakte Ideen versorgt. Wissenschaft hat die inneren Mechanismen des Gehirns zum Punkt noch nicht völlig beschrieben, wo sie einfach von Computerprogrammierern wiederholt werden können.

Verschiedene künstliche Sprachen und Notationen sind vorgeschlagen worden, um Kenntnisse zu vertreten. Sie basieren normalerweise auf der Logik und Mathematik, und haben Grammatiken leicht grammatisch analysiert, um Maschinenverarbeitung zu erleichtern. Sie fallen gewöhnlich ins breite Gebiet der Ontologie.

Ontologie-Technik

Nach CycL sind mehrere Ontologie-Sprachen entwickelt worden. Die meisten sind Aussagesprachen, und sind entweder Rahmensprachen, oder basieren auf der Logik der ersten Ordnung. Die meisten dieser Sprachen definieren nur eine obere Ontologie mit allgemeinen Konzepten, wohingegen die Bereichskonzepte nicht ein Teil der Sprachdefinition sind. Diese Sprachen die ganze Gebrauch-Wissensverarbeitung des speziellen Zwecks weil, wie festgesetzt, durch Tom Gruber, "Ist jede Ontologie ein Vertrag - eine soziale Abmachung unter Leuten mit dem allgemeinen Motiv im Teilen." Es gibt immer vieles Konkurrieren und sich unterscheidende Ansichten, die jede allgemeine Zweck-Ontologie unmöglich machen. Eine allgemeine Zweck-Ontologie würde in jedem Gebiet anwendbar sein müssen, und verschiedene Gebiete von Kenntnissen müssen vereinigt werden. Gellish-Englisch ist ein Beispiel einer ontologischen Sprache, die ein volles englisches Technikwörterbuch einschließt.

Es gibt eine lange Geschichte der Arbeit, die versucht, gute Ontologie für eine Vielfalt von Aufgabe-Gebieten, einschließlich der frühen Arbeit an einer Ontologie für Flüssigkeiten, das zusammengelegte Element-Modell weit zu bauen, das im Darstellen elektronischer Stromkreise (z.B,), sowie Ontologie für die Zeit, den Glauben und sogar die Programmierung von sich verwendet ist. Jedes dieser Angebote eine Weise, einen Teil der Welt zu sehen.

Das zusammengelegte Element-Modell weist zum Beispiel darauf hin, dass wir an Stromkreise in Bezug auf Bestandteile mit Verbindungen zwischen ihnen mit Signalen denken, die sofort entlang den Verbindungen fließen. Das ist eine nützliche Ansicht, aber nicht die einzige mögliche. Eine verschiedene Ontologie entsteht, wenn wir uns um die Elektrodynamik im Gerät kümmern müssen: Hier pflanzen sich Signale mit der begrenzten Geschwindigkeit und einem Gegenstand fort (wie ein Widerstand), der vorher als ein einzelner Bestandteil mit einem Eingabe/Ausgabe-Verhalten angesehen wurde, kann jetzt als ein verlängertes Medium gedacht werden müssen, durch das eine elektromagnetische Welle fließt.

Ontologie kann natürlich in einem großen Angebot an Sprachen und Notationen (z.B, Logik, LISPELN, usw.) niedergeschrieben werden; die wesentliche Information ist nicht die Form dieser Sprache, aber des Inhalts, d. h., der Satz von Konzepten angeboten als eine Denkart über die Welt. Einfach gestellt ist der wichtige Teil Begriffe wie Verbindungen und Bestandteile, nicht, ob wir beschließen, ihnen als Prädikate oder LISPELN-Konstruktionen zu schreiben.

Die Verpflichtung, die wir übernehmen, indem wir ein oder eine andere Ontologie auswählen, kann eine scharf verschiedene Ansicht von der Aufgabe in der Nähe erzeugen. Denken Sie den Unterschied, der im Auswählen der zusammengelegten Element-Ansicht von einem Stromkreis aber nicht der electrodynamic Ansicht von demselben Gerät entsteht. Als ein zweites Beispiel sieht medizinische Diagnose, die in Bezug auf Regeln (z.B, MYCIN) angesehen ist, wesentlich verschieden von derselben Aufgabe aus, die in Bezug auf Rahmen (z.B, INTERNIST) angesehen ist. Wo MYCIN die medizinische Welt, wie zusammengesetzt, aus empirischen Vereinigungen sieht, die Symptom mit Krankheit verbinden, sieht INTERNIST eine Reihe von Prototypen in besonderen archetypischen Krankheiten, um gegen den Fall in der Nähe verglichen zu werden.

Engagement beginnt mit den frühsten Wahlen

Das INTERNIST-Beispiel demonstriert auch, dass es bedeutendes und unvermeidliches ontologisches Engagement sogar am Niveau der vertrauten Darstellungstechnologien gibt. Logik, Regeln, Rahmen, usw., nimmt jeder einen Gesichtspunkt auf den Arten von Dingen auf, die in der Welt wichtig sind. Logik ist zum Beispiel mit einem (ziemlich minimalen) Engagement verbunden, die Welt in Bezug auf individuelle Entitäten und Beziehungen zwischen ihnen anzusehen. Regelbasierende Systemansicht, die die Welt in Bezug auf den Gegenstand-Wert des Attributes verdreifacht und die Regeln der plausiblen Schlussfolgerung, die sie verbinden, während Rahmen uns haben, in Bezug auf archetypische Gegenstände denkend.

Jeder von diesen liefert so seine eigene Ansicht davon, was wichtig ist, um sich zu kümmern, und jeder umgekehrt vorschlägt, dass irgendetwas, das nicht leicht in jenen Begriffen gesehen ist, ignoriert werden kann. Wie man natürlich versichert, ist das nicht richtig, da sich irgendetwas Ignoriertes später erweisen kann, wichtig zu sein. Aber die Aufgabe ist im Prinzip hoffnungslos - jede Darstellung ignoriert etwas über die Welt - folglich das Bestes, das wir tun können, ist, mit einer guten Annahme anzufangen. Die vorhandenen Darstellungstechnologien liefern einen Satz von Annahmen darüber, was man sich kümmert, und was man ignoriert. Das Auswählen von einigen von ihnen ist so mit einem Grad des ontologischen Engagements verbunden: Die Auswahl wird einen bedeutenden Einfluss auf unsere Wahrnehmung dessen haben und sich der Aufgabe, und auf unserer Wahrnehmung der Welt nähern, die wird modelliert.

Die Engagements wachsen in Schichten an

Das ontologic Engagement einer Darstellung beginnt so am Niveau der Darstellungstechnologien und wächst von dort an. Zusätzliche Schichten des Engagements werden gemacht, weil wir die Technologie stellen, um zu arbeiten. Der Gebrauch von rahmenähnlichen Strukturen im INTERNISTEN bietet ein veranschaulichendes Beispiel an. Am grundsätzlichsten Niveau deutet die Entscheidung, Diagnose in Bezug auf Rahmen anzusehen, an, in Bezug auf Prototypen, Verzug und eine taxonomische Hierarchie zu denken. Aber Prototypen was, und wie soll die Taxonomie organisiert werden?

Eine frühe Beschreibung des Systems zeigt, wie auf diese Fragen in der Aufgabe in der Nähe geantwortet wurde, die zweite Schicht des Engagements liefernd:

:The-Kenntnisse-Basis, dem INTERNIST-System unterliegend, wird aus zwei grundlegenden Typen von Elementen zusammengesetzt: Krankheitsentitäten und Manifestationen.... [Es] enthält auch... Hierarchie von Krankheitskategorien, organisiert in erster Linie um das Konzept von Organ-Systemen, am Spitzenniveau solche Kategorien wie "Leber-Krankheit," "Nierekrankheit," usw. habend

Die Prototypen sind so beabsichtigt, um archetypische Krankheiten (z.B, ein "klassischer Fall" einer Krankheit) zu gewinnen, und sie werden in einer um Organ-Systeme mit einem Inhaltsverzeichnis versehenen Taxonomie organisiert. Das ist ein vernünftiger und intuitiver Satz von Wahlen, aber klar nicht der einzigen Weise, Rahmen auf die Aufgabe anzuwenden; folglich ist es eine andere Schicht des ontologischen Engagements.

Am dritten (und in diesem Fall endgültig) Schicht wird dieser Satz von Wahlen realisiert: Welche Krankheiten werden eingeschlossen, und in welchen Zweigen der Hierarchie werden sie erscheinen? Fragen von Ontologic, die sogar an diesem Niveau entstehen, können ziemlich grundsätzlich sein. Denken Sie zum Beispiel zu bestimmen, welcher vom folgenden als Krankheiten (d. h., anomale Staaten betrachtet werden soll, die Heilmittel verlangen): Alkoholismus, Homosexualität und chronisches Erschöpfungssyndrom. Das ontologic Engagement hier ist genug offensichtlich und genug wichtig, dass es häufig ein Thema der Debatte im Feld selbst, ziemlich unabhängig ist, automatisierte logische Geiste zu bauen.

Ähnliche Sorten von Entscheidungen müssen mit allen Darstellungstechnologien gemacht werden, weil jeder von ihnen nur einen ersten liefert, kommandieren Annahme herum, wie man die Welt sieht: Sie bieten eine Weise an zu sehen, aber zeigen nicht an, wie man diese Ansicht realisiert. Da Rahmen Prototypen und taxonomies andeuten, aber uns nicht erzählen, welche Dinge, als Prototypen auszuwählen, Regeln andeuten, in Bezug auf plausible Schlussfolgerungen zu denken, aber uns der plausible Schlussfolgerungen nicht erzählen sich zu kümmern. Ähnlich Logik-sagt uns, die Welt in Bezug auf Personen und Beziehungen anzusehen, aber gibt der Personen und Beziehungen zum Gebrauch nicht an.

Das Engagement zu einer besonderen Ansicht von der Welt fängt so mit der Wahl einer Darstellungstechnologie an und wächst an, weil nachfolgende Wahlen darüber gemacht werden, wie man die Welt in jenen Begriffen sieht.

Gedächtnishilfe: Ein KR ist nicht eine Datenstruktur

Bemerken Sie, dass an jeder Schicht sogar die ersten (z.B, Regeln oder Rahmen auswählend), die Wahlen, die machen werden, über die Darstellung, nicht Datenstrukturen sind. Ein Teil dessen, was eine Sprache Vertretungs-macht, ist, dass sie Bedeutung trägt, d. h. es gibt eine Ähnlichkeit zwischen seinen Konstruktionen und Dingen in der Außenwelt. Diese Ähnlichkeit trägt der Reihe nach damit Einschränkung.

Ein semantisches Netz ist zum Beispiel eine Darstellung, während ein Graph eine Datenstruktur ist. Sie sind verschiedene Arten von Entitäten, wenn auch einer unveränderlich verwendet wird, um den anderen genau durchzuführen, weil das Netz hat (sollte haben) eine Semantik. Diese Semantik wird Manifest teilweise sein, weil es die Netzwerkarchitektur beschränkt: Ein Netz, das vorgibt, Familienmitgliedschaften zu beschreiben, weil wir sie wissen, kann keinen Zyklus in seinen Elternteilverbindungen haben, während Graphen (d. h., Datenstrukturen) natürlich unter keiner solcher Einschränkung sind und willkürliche Zyklen haben können.

Während jede Darstellung in der Maschine durch eine Datenstruktur durchgeführt werden muss, ist das Vertretungseigentum in der Ähnlichkeit zu etwas in der Welt und in der Einschränkung das

Verbindungen und Strukturen

Während Hypertext-Links in weit verbreiteten Gebrauch eingetreten sind, wird die nah zusammenhängende semantische Verbindung noch nicht weit verwendet. Der mathematische Tisch ist seit babylonischen Zeiten verwendet worden. Mehr kürzlich sind diese Tische verwendet worden, um die Ergebnisse von Logikoperationen wie Wahrheitstabellen zu vertreten, die verwendet wurden, um Logik von Boolean zum Beispiel zu studieren und zu modellieren. Spreadsheets sind noch eine andere tabellarische Darstellung von Kenntnissen. Andere Kenntnisse-Darstellungen sind Bäume, Graphen und Hypergraphen, mittels deren die Verbindungen unter grundsätzlichen Konzepten und abgeleiteten Konzepten gezeigt werden können.

Sehdarstellungen sind im Feld des Kenntnisse-Managements relativ neu, aber geben dem Benutzer eine Weise sich zu vergegenwärtigen, wie ein Gedanke oder Idee mit anderen Ideen verbunden werden, die die Möglichkeit des Bewegens von einem Gedanken bis einen anderen ermöglichen, um erforderliche Information ausfindig zu machen.

Notation

Die neue Mode auf Kenntnisse-Darstellungssprachen ist, XML als die auf niedriger Stufe Syntax zu verwenden. Das neigt dazu, die Produktion dieser KR für Maschinen leichten Sprachen zu machen, auf Kosten der menschlichen Lesbarkeit und häufig Raumleistungsfähigkeit grammatisch zu analysieren.

Prädikat-Rechnung der ersten Ordnung wird als eine mathematische Basis für diese Systeme allgemein verwendet, um übermäßige Kompliziertheit zu vermeiden. Jedoch können sogar einfache auf dieser einfachen Logik gestützte Systeme verwendet werden, um Daten zu vertreten, der gut außer der in einer Prozession gehenden Fähigkeit zu aktuellen Computersystemen ist: Sieh Berechenbarkeit aus Gründen.

Beispiele von Notationen:

• DATR ist ein Beispiel, um lexikalische Kenntnisse zu vertreten
• RDF ist eine einfache Notation, um Beziehungen zwischen und unter Gegenständen zu vertreten

Lagerung und Manipulation

Ein Problem in der Kenntnisse-Darstellung besteht darin, wie man versorgt und Kenntnisse in einem Informationssystem auf eine formelle Weise manipuliert, so dass es durch Mechanismen verwendet werden kann, eine gegebene Aufgabe zu vollbringen. Beispiele von Anwendungen sind Expertensysteme, Systeme der maschinellen Übersetzung, computergestützte Wartungssysteme und Informationsgewinnungssysteme (einschließlich Datenbankvorderenden).

Semantische Netze können verwendet werden, um Kenntnisse zu vertreten. Jeder Knoten vertritt ein Konzept, und Kreisbogen werden verwendet, um Beziehungen zwischen den Konzepten zu definieren. Das Begriffsgraph-Modell ist wahrscheinlich das älteste noch lebendige Modell.

Eines der ausdrucksvollsten und umfassend beschriebenen Kenntnisse-Darstellungsparadigmen

entlang den Linien von semantischen Netzen ist MultiNet (ein Akronym für Multilayered Verlängerte Semantische Netze).

Von den 1960er Jahren, dem Kenntnisse-Rahmen oder entwickeln sich gerade ist verwendet worden. Jeder Rahmen hat seinen eigenen Namen und eine Reihe von Attributen oder Ablagefächer, die Werte enthalten; zum Beispiel könnte der Rahmen für das Haus ein Farbenablagefach, Zahl des Stöcke-Ablagefaches usw. enthalten.

Das Verwenden von Rahmen für Expertensysteme ist eine Anwendung der objektorientierten Programmierung, mit dem Erbe von Eigenschaften, die durch beschrieben sind, "ist - eine" Verbindung. Jedoch hat es keinen kleinen Betrag der Widersprüchlichkeit im Gebrauch gegeben "ist - eine" Verbindung: Ronald J. Brachman hat eine betitelte Zeitung geschrieben, "Was - A IST, ist und ist nicht", worin 29 verschiedene Semantik in Projekten gefunden wurde, deren Kenntnisse-Darstellungsschemas eingeschlossen haben, "ist - eine" Verbindung. Andere Verbindungen schließen den "Teil - der" Verbindung ein.

Rahmenstrukturen sind für die Darstellung von schematischen Kenntnissen und stereotypischen kognitiven Mustern gut passend. Die Elemente solcher schematischen Muster werden ungleich beschwert, höhere Gewichte den typischeren Elementen eines Diagramms zuschreibend. Ein Muster wird durch bestimmte Erwartungen aktiviert: Wenn eine Person einen großen Vogel sieht, wird er oder sie ihn eher als ein Seeadler klassifizieren als ein Steinadler, annehmend, dass sein oder ihr "Seeschema" zurzeit aktiviert wird und sein "Landschema" nicht ist.

Rahmendarstellungen werden auf denselben Sinn Gegenstand - wie semantische Netze sind: Alle Tatsachen und mit einem Konzept verbundene Eigenschaften werden in einem Platz gelegen - es gibt kein Bedürfnis nach kostspieligen Suchprozessen in der Datenbank.

Eine Verhaltensschrift ist ein Typ des Rahmens, der beschreibt, was zeitlich geschieht; das übliche angeführte Beispiel ist das des Beschreibens des Gehens zu einem Restaurant. Die Schritte schließen das Warten ein, das, Empfang eines Menüs, Einrichtung usw. zu setzen ist.

Die verschiedenen Lösungen können in einem so genannten semantischen Spektrum in Bezug auf ihren semantischen expressivity eingeordnet werden.

Siehe auch

• Kenntnisse des gesunden Menschenverstands stützen
• Persönliche Kenntnisse-Basis
• Schätzungsbasiertes System

Weiterführende Literatur

• Ronald J. Brachman; was - A IST, ist und ist nicht. Eine Analyse von Taxonomischen Verbindungen zu Semantischen Netzen; IEEE Computer, 16 (10); Oktober 1983
• Ronald J. Brachman, Hector J. Levesque Knowledge Representation und das Denken, Morgan Kaufmann, 2004 internationale Standardbuchnummer 978-1-55860-932-7
• Ronald J. Brachman, Hector J. Levesque (Hrsg.) Lesungen in der Kenntnisse-Darstellung, Morgan Kaufmann, 1985, internationale Standardbuchnummer 0 934613 01 X
• Chein, M., Mugnier, M L. (2009), Graph-basierte Kenntnisse-Darstellung: Rechenbetonte Fundamente von Begriffsgraphen, Springer, 2009, internationale Standardbuchnummer 978-1-84800-285-2.
• Randall Davis, Howard Shrobe und Peter Szolovits; was Ist eine Kenntnisse-Darstellung? AI Zeitschrift, 14 (1):17-33,1993
• Ronald Fagin, Joseph Y. Halpern, Yoram Moses, Moshe Y. Vardi Reasoning Über Kenntnisse, MIT Presse, 1995, internationale Standardbuchnummer 0-262-06162-7
• Jean-Luc Hainaut, Jean-Marc Hick, Vincent Englebert, Jean Henrard, Didier Roland: Das Verstehen von Durchführungen dessen IST - Beziehungen. ER 1996: 42-57
• Hermann Helbig: Kenntnisse-Darstellung und die Semantik von Natürlicher Sprache, Springer, Berlin, Heidelberg, New York 2006
• Arthur B. Markman: Knowledge Representation Lawrence Erlbaum Associates, 1998
• John F. Sowa: Kenntnisse-Darstellung: Logische, Philosophische und Rechenbetonte Fundamente. Bäche/Kohl: New York, 2000
• Adrian Walker, Michael McCord, John F. Sowa und Walter G. Wilson: Kenntnisse-Systeme und Einleitung, die Zweite Ausgabe, Addison-Wesley, 1990

Außenverbindungen

• Was ist eine Kenntnisse-Darstellung? durch Randall Davis und andere
• Einführung in Kenntnisse, die durch Pejman Makhfi modellieren
• Einführung in den Beschreibungslogikkurs durch Enrico Franconi, Fakultät der Informatik, Freie Universität von Bolzano, Italien
• DATR Lexikalische Kenntnisse-Darstellungssprache
• Webstuhl-Projekt Hausseite
• Beschreibungslogik in der Praxis: Eine KLASSISCHE Anwendung
• Die Regel-Preiserhöhungsinitiative
• Diagramme
• Nelements KOS - ein nichtfreies 3. Kenntnisse-Darstellungssystem