Модели знаний

Фреймовая модель представления знаний задает остов описания класса объектов и удобна для описания структуры и характеристик однотипных объектов (процессов, событий) описываемых фреймами - специальными ячейками (шаблонами понятий) фреймовой сети ( знания ).

Фрейм - концентратор знаний и может быть активизирован как отдельный автономный элемент и как элемент сети. Фрейм - это модель кванта знаний (абстрактного образа, ситуации), активизация фрейма аналогична активизации этого кванта знаний - для объяснения, предсказания и т.п. Отдельные характеристики (элементы описания) объекта называются слотами фрейма. Фреймы сети могут наследовать слоты других фреймов сети.

Различают фреймы-образцы (прототипы), хранящиеся в базе знаний, и фреймы-экземпляры, создаваемые для отображения реальных ситуаций для конкретных данных.

Фреймовое представление данных достаточно универсальное. Оно позволяет отображать знания с помощью:

• фрейм-структур - для обозначения объектов и понятий;
• фрейм-ролей - для обозначения ролевых обязанностей;
• фрейм-сценариев - для обозначения поведения;
• фрейм-ситуаций - для обозначения режимов деятельности, состояний.

Пример. Фрейм-структурами являются понятия "заем", "вексель", "кредит". Фрейм-роли - "кассир", "клиент", "сервер". Фрейм-сценарии - "страхование", "банкинг", "банкротство". Фрейм-ситуации - "эволюция", "функционирование", "безработица".

Пример. Например, возьмем такое понятие, как "функция". Различные функции могут отличаться друг от друга, но существует некоторый набор формальных характеристик для описания любой функции ( фрейм "Функция"): тип и допустимое множество изменений аргумента (область определения функции), тип и допустимое множество значений функции (множество значений функции), аналитическое правило связи аргумента со значением функции. Соответственно, могут быть определены фреймы "Аргумент", "Значение функции", "Закон соответствия". Далее можно определить фреймы "Тип аргумента", "Вычисление значения функции", "Операция" и др. Пример слотов для фрейма "Закон соответствия": аналитический способ задания закона; сложность вычисления (реализации). Чтобы описать конкретное значение фрейма, необходимо каждому слоту придать конкретное значение, например, таким образом:

Имя фрейма - Функция ;

Аргумент - x ;

Значение функции - y ;

Закон соответствия - квадратичный.

Слоты:

Значения аргумента - R ;

Способ задания функции - y=ax²+bx+c ;

Сложность вычисления - 7.

Пример. Фрейм "Задача вычислительного типа" - на рис. 14.1.

Рис. 14.1. Структура фрейма "Задача вычислительного типа"

Фреймовое представление наглядно и структурировано (модульно) и позволяет получать описание системы в виде связанных, иерархических структур (модулей - фреймов, единиц представления знаний ).

Логическая (предикатная) модель представления знаний основана на алгебре высказываний и предикатов, на системе аксиом этой алгебры и ее правилах вывода. Из предикатных моделей наибольшее распространение получила модель предикатов первого порядка, базирующаяся на термах (аргументах предикатов - логических констант, переменных, функций), предикатах (выражениях с логическими операциями). Предметная область описывается при этом с помощью предикатов и системы аксиом.

Пример. Возьмем утверждение: "Инфляция в стране превышает прошлогодний уровень в 2 раза". Это можно записать в виде логической модели: r(InfNew, InfOld, n), где r(x,y) - отношение вида "x=ny", InfNew - текущая инфляция в стране, InfOld - инфляция в прошлом году. Тогда можно рассматривать истинные и ложные предикаты, например, r(InfNew, InfOld, 2)=1, r(InfNew, InfOld, 3)=0 и т.д. Очень полезные операции для логических выводов - операции импликации, эквиваленции и др.

Логические модели удобны для представления логических взаимосвязей между фактами, они формализованы, строги (теоретические), для их использования имеется удобный и адекватный инструментарий, например, язык логического программирования Пролог.

Модель предметной области можно определить упрощенно в виде:

<модель предметной области>=<понятийные знания>+<конструктивные знания>.

При реализации указанных выше моделей используются эвристики - эмпирические или полуэмпирические правила, с помощью которых эксперт (экспертная группа) в отсутствие алгоритма (например, задача плохо структурируема) пытается найти решение, моделируя возможный ход рассуждений эксперта на основе эвристической информации, получаемых в результате опыта, наблюдения, сбора и анализа статистики.

Пример. Сбор эвристической информации у представителей рынка приводит к следующим знаниям, которые можно представить, например, семантической сетью или продукциями:

1. нужно рекламировать свой товар активно в начальный период;
2. нужно поднимать цены в условиях отсутствия конкуренции;
3. нужно опускать цены в условиях жесткой конкуренции;
4. нужно стараться быть монополистом на рынке и др.

Многие знания, особенно находящиеся на стыке наук, трудно формализовать и описать формальными моделями, исследовать аналитически. В таких случаях часто применяют эвристики, эвристические процедуры, использующие аналоги, опыт поиска нового, исследования родственных задач, перебор вариантов с учетом интуиции.

Пример. Такими процедурами учат компьютер играть в шахматы. Шахматная программа - один из самых ранних примеров невычислительного применения ЭВМ. Если в 50-х годах она "играла" на уровне "разрядника", то за 40-50 лет она "научилась играть" на уровне чемпиона мира.

Вопросы для самоконтроля

1. Что такое знания, метазнания? Что такое представление знаний?
2. Что такое категория, функтор?
3. Каковы типы моделей знаний, их характеристики?

Задачи и упражнения

1. Формализуйте понятия "Решить задачу", "Решение задачи", "Метод решения задачи", "Алгоритм решения задачи".
2. Постройте одну продукционную и одну семантическую модели знаний по специальности.
3. Постройте одну фреймовую и одну логическую модели знаний по специальности.

Темы для научных исследований и выступлений (рефератов)

1. Формализованное и не формализованное знание. Методы формализации знания.
2. Модели знания.
3. Категориально-функторный анализ и его применения.