知识表示

在人工智能中，知识是人们在改造客观世界的实践中积累起来的认识和经验。费根鲍姆（E. Feigenbaum，知识工程奠基人）指出，知识是经过加工的信息，它既包括事实、信念，也包括启发式规则。一个智能系统的能力强弱，首先取决于它拥有知识的数量与质量。

知识的特性与分类

知识具有四个基本特性：相对正确性（在一定条件与范围内成立）、不确定性（可能带置信度或模糊性）、可表示性（可用符号、图形等形式表达）和可利用性（可被存储、推理和反复使用）。

知识表示就是为了描述世界所做的一组约定，是知识的符号化、形式化过程。它既要忠实于知识本身，又要便于计算机存储和运用。

知识表示方法的评价标准

没有一种表示法能在所有维度上最优。本章介绍的四种经典方法各有所长：谓词逻辑严密精确，产生式灵活直观，框架善于描述结构化对象，语义网络长于表达关联；而知识图谱则是语义网络在大数据时代的复兴与工程化。

一阶谓词逻辑（First-Order Predicate Logic）是最早用于人工智能、也是最严谨的知识表示方法。它以数理逻辑为基础，把知识表示为谓词公式，推理则等价于逻辑演绎。

谓词、个体与量词

一个谓词公式形如 P(x1, x2, …, xn)，其中 P 是谓词名，刻画个体的性质或个体间的关系；括号内是个体（项），可以是常量、变量或函数。例如：

• Man(ZhangSan)：张三是人；
• Father(ZhangSan, ZhangSi)：张三是张四的父亲；
• Greater(x, 5)：变量 x 大于 5。

常用连接词包括：否定 ¬、合取（且）∧、析取（或）∨、蕴含 →、等价 ↔；量词包括全称量词 ∀（对所有个体）和存在量词 ∃（存在某个个体）。

谓词逻辑表示知识的一般步骤是：① 定义谓词及个体，确定每个谓词的含义；② 用连接词、量词把事实和规则写成谓词公式；③ 借助推理规则（第 3 章的归结反演）从已知公式推出新公式。

谓词逻辑表示法的特点

产生式（Production）表示法由波斯特（Post）于 1943 年提出，因形式贴近人类"条件—结论"式的经验思维而被广泛使用，MYCIN 等著名专家系统都建立在产生式之上。

事实与规则的表示

产生式系统中，知识分为两类：

• 事实：表示静态知识，通常用三元组 （对象，属性，值） 或 （关系，对象1，对象2），如 （动物，类别，鸟类）。
• 规则：表示过程性知识，基本形式为 P → Q 或 IF P THEN Q，其中 P 是前提（条件），Q 是结论或动作。不确定性规则还可附加可信度，如 IF 发烧 AND 咳嗽 THEN 感冒 (CF=0.6)。

产生式系统的基本结构

按推理方向可分为正向推理（由事实推出结论，数据驱动）、反向推理（由假设寻找证据，目标驱动）和双向推理，第 8 章将给出可交互的完整实例。

特点评价

框架（Frame）表示法由明斯基（M. Minsky）于 1975 年提出。其心理学依据是：当人们遇到新事物时，总会从记忆中调用一个典型情境的结构化框架（如"走进一间教室"时头脑中已有的房间模式），再根据细节填充、修改。框架正是对这种"以原型理解新事物"认知方式的模拟。

框架的基本结构

一个框架由框架名和若干槽（Slot）组成，每个槽描述事物的一个属性；槽又可分为若干侧面（Facet），侧面存放值、默认值、取值约束或计算过程。

<框架名>
    槽名1：  侧面11： 值11
             侧面12： 值12
    槽名2：  槽值2
    ……
    约束条件： ……

框架名：<教师>
    姓名：  单位（姓，名）
    年龄：  单位（岁）
    性别：  范围（男，女）        默认：男
    职称：  范围（教授，副教授，讲师，助教）
    部门：  单位（系，学院）
    住址：  <教工宿舍框架>

框架名：<教师-1>
    姓名：  张三
    年龄：  32
    性别：  男
    职称：  讲师
    部门：  计算机学院
    住址：  <教工宿舍-302>

代码 2-1　框架结构示例（实例框架继承类框架的槽与默认值）

一组相关框架通过槽值中的框架名（如 <教工宿舍框架>）相互引用，构成框架网络，可以表达整体与部分、类与实例的层次结构。

框架系统的推理

框架系统的推理主要依靠两种机制：

• 匹配：把观察到的事实与候选框架的槽值约束逐一比较，找到最吻合的框架；若无完全匹配的框架，则按差异线索选择另一个框架重新匹配。
• 继承：子类（实例）框架自动共享父类（类属）框架的槽名、默认值与约束，这与面向对象程序设计中的继承思想一致，能有效减少冗余。

语义网络（Semantic Network）由奎廉（Quillian）于 1968 年在研究人类联想记忆时提出。它用一张有向图表示知识：节点表示事物、概念、属性或状态，带标记的弧（边）表示节点间的语义联系。

常用的语义联系

        ISA            AKO           Have
小燕 ─────▶ 燕子 ─────▶ 鸟 ────────▶ 翅膀
                          │
                        Can │
                          ▼
                          飞

语义网络不仅能表示事实，还能表示带变量的规则与情况、事件（如引入事件节点刻画"张三送给李四一本书"中的施事、受事与时间）。其推理方式主要有两种：匹配（把待证问题构造成网络片段，到知识库中寻找同构子图）与继承（沿 ISA/AKO 链获取祖先节点的属性）。

2012 年，谷歌正式提出知识图谱（Knowledge Graph），用于提升搜索引擎的理解能力——搜索"爱因斯坦"时，右侧直接呈现其生卒年、国籍、成就等结构化信息，背后正是知识图谱。可以说，知识图谱是语义网络思想在互联网规模数据上的工程化实现。

知识图谱的基本组成

知识图谱用三元组（头实体，关系，尾实体）描述世界：

• 实体（Entity）：现实世界中的事物，如人、机构、地点，对应网络中的节点；
• 关系（Relation）：实体间的语义联系，对应带标签的边；
• 属性（Attribute）：实体的特征值，如出生日期、身高，可用（实体，属性名，属性值）表示；
• 大量三元组构成一张巨大的有向网络，即知识图谱；可用 W3C 的 RDF（资源描述框架）或属性图（如 Neo4j）存储。

知识图谱的构建流程

代表性的开放知识图谱包括 Wikidata、DBpedia、Freebase，以及中文的 CN-DBpedia、OpenKG 开放社区。在大模型时代，知识图谱与大语言模型的结合（GraphRAG、知识增强生成）正在成为缓解大模型"幻觉"问题的重要方向。