Reprezentacja wiedzy

Plan wykładu
Reprezentacja wiedzy
Joanna Józefowska
•
•
•
•
•
Dane, informacja, wiedza...
Reprezentacja wiedzy
Funkcje reprezentacji wiedzy
Aspekty reprezentacji wiedzy
Schematy reprezentacji wiedzy
Dane, informacja, wiedza, mądrość...
Informacja
Ponowne użycie
Wiedza
Reprezentacja
Pozyskiwanie
Mądrość
Dane
Dane
• Zbiór pojedynczych, obiektywnych faktów o
zdarzeniach. Dane są przekształcane w
informacje przez dodanie wartości w postaci
kontekstu, kategoryzacji, poprawek i agregacji.
• Fakty i liczby bez kontekstu i interpretacji.
• Natura danych jest bezkontekstowa. Dane po
prostu istnieją i nie mają żadnego znaczenia
poza swoim istnieniem. Mogą istnieć w każdej
formie: pożytecznej lub nie.
Wartość: 90 kg
Krotka: (zielony, brzydki, dwunożny, marudny)
Dane
Dane
Dane
• Tabele (macierze)
Reprezentacja
Pozyskiwanie
• Czytniki kodów
kreskowych
• RFD
• Dane wprowadzane
przez użytkowników
różnych systemów
• Dane wprowadzane
przez administratorów
różnych systemów
Lp
nazwa
cena
1
lizak
0,90
2
balonik
2,30
Dane
1
Dane
Informacja
Ponowne użycie
• Odczyt z tabeli
Lp
nazwa
cena
1
lizak
0,90
2
balonik
2,30
• Wiadomość, zwykle w postaci dokumentu lub
komunikatu audiowizualnego której celem jest
zmiana sposobu postrzegania sytuacji
wpływająca na sąd lub zachowanie;
• Wzorce w danych.
• Informacja to dane, które nabrały znaczenia
przez wprowadzenie kontekstu.
Dane
Wartość: 90 kg
Krotka: (zielony, brzydki, dwunożny, marudny)
Dane + „znaczenie” = informacja
Informacja
• Rodzaje „znaczenia” :
• Klasyfikacja
Informacja
• Obliczanie (np. suma,
iloraz)
• Analiza statystyczna
• Analiza wyjątków
• Agregacja
Informacja
• Bazy danych
• Hurtownie danych
Informacja
Ponowne użycie
Informacja
Reprezentacja
Informacja
Pozyskiwanie
– Kontekst: przeznaczenie danych nadaje im znaczenie (np.
klienci, do których należy wysłać informacje o promocji);
– Kategoryzacja: dane są klasyfikowane, uogólniane do postaci
pojęć (np. użytkownicy zarejestrowani i nie zarejestrowani);
– Obliczanie: znaczenie wynika z analizy matematycznej lub
statystycznej (np. dobry klient = kupuje ≥ 1$ milion);
– Korekta: usuwanie błędów z danych (np. wydatki w £ oznaczają
klientów z Wielkiej Brytanii);
– Kondensjacja: dane są agregowane do postaci łatwiejszej do
przyswojenia (np. suma wydatków poszczególnych klientów daje
informację o wielkości sprzedaży).
• Zapytanie do bazy
danych
• OLAP
2
Wiedza
Informacja + „coś” = wiedza
• Wiedza to informacja połączona ze
zrozumieniem i możliwością jej wykorzystania.
Zwykle wiedza pozwala przewidywać na
podstawie rozpoznawania określonych wzorców.
• Wiedza to informacja, która została uogólniona,
aby zwiększyć jej zakres stosowania.
• Rodzaje “czegoś”:
– Porównanie: czy ta informacja reprezentuje coś
podobnego do innej sytuacji (np. określenie
symptomów kryzysu w firmie);
– Skutki: wpływ informacji na decyzje i działania firmy
(np. określenie momentów, gdy firma powinna
inwestować);
– Związki: jakie są związki tej informacji z innymi (np.
stosunek wpływów do wydatków wynosi 2:1);
– Rozmowy: co ludzie myślą o użyteczności tej
informacji (np. pożyteczne/bezużyteczne pomysły).
• Coś = zastosowanie (Tobin, 1998)
Wiedza
• Odkrywanie wiedzy w
danych
• Uczenie maszynowe
Reprezentacja
Wiedza
Pozyskiwanie
Wiedza
Wiedza
• Metody statystyczne
• ......
Wiedza
• Rachunek predykatów
• Reguły produkcji
• Sieci semantyczne
• Ramy
• Scenariusze
• Ontologie
Ponad wiedzą
Wiedza
Ponowne użycie
• Co można dodać do wiedzy:
• Wnioskowanie
– intuicja
– doświadczenie
– zasady (moralność)
– ................................
3
Reprezentacja wiedzy
Aspekty systemu reprezentacji wiedzy
Reprezentacja wiedzy jest to sposób
przedstawienia całego zakresu wiedzy
wymaganej dla inteligentnego zachowania
w języku formalnym.
• syntaktyka: struktury reprezentacji (język);
• semantyka: znaczenie reprezentowanej wiedzy
(interpretacja);
• wnioskowanie: proces, w wyniku którego wiedzę
wykorzystuje się do wyprowadzenia wniosków.
Przykład
• Proces rozpoznawania wypowiedzi
obejmuje:
– Rozpoznanie sygnału mowy
– Rozbiór syntaktyczny
– Rozbiór semantyczny
– Umieszczenie wypowiedzi w kontekście
Time flies like an arrow but fruit flies like a banana.
System reprezentacji wiedzy powinien
spełniać następujące wymagania:
• Posiadać zdolność reprezentacji – czyli zdolność do
reprezentowania wiedzy wszystkich typów wymaganych w
danej dziedzinie.
• Posiadać zdolność wnioskowania – czyli zdolność
manipulowania strukturami reprezentacji w taki sposób,
aby tworzyć nowe struktury, odpowiadające nowej wiedzy
wyprowadzonej z dotychczasowej.
• Zapewniać efektywność wnioskowania – czyli zdolność
wbudowywania dodatkowej informacji do struktury wiedzy
tak,
aby
skoncentrować
uwagę
mechanizmu
wnioskującego na najbardziej obiecujących kierunkach.
• Zapewniać efektywność pozyskiwania wiedzy – czyli
zdolność łatwego pozyskiwania nowych informacji
(docelowo: sterowanie procesem pozyskiwania wiedzy).
Rodzaje wiedzy
• Wiedza deklaratywna (know what) – definicje,
klasyfikacje, opis pojęć, ról, relacji;
• Wiedza proceduralna (know how) – opis
procesów i strategii postępowania, metody,
algorytmy.
4
Odwzorowanie na reprezentację
Między faktami i ich reprezentacją można zdefiniować
odwzorowanie,
które
przyporządkowuje
faktom
odpowiednie symbole w reprezentacji, tzw. odwzorowanie
na reprezentację.
Odwzorowanie odwrotne przyporządkowuje
w reprezentacji odpowiednie fakty.
symbolom
Przykładem naturalnej reprezentacji wiedzy
naturalny (polski, angielski, itd.).
jest język
Odwzorowanie na reprezentację
FAKTY
REPREZENTACJA
WEWNĘTRZNA
REPREZENTACJA W
JĘZYKU NATURALNYM
FAKTY
Reprezentacja faktów
PROGRAMY
WNIOSKUJĄCE
REPREZENTACJA
WNIOSKOWANIE
Każdy kangur ma ogon.
FAKTY
POCZĄTKOWE
pożądane wnioskowanie
Spot jest kangurem.
FAKTY
KOŃCOWE
kangur(X) => maogon(X)
odwzorowanie na
reprezentację
odwzorowanie
odwrotne
kangur(spot)
Spot
maogon(spot)
REPREZENTACJA działanie programu REPREZENTACJA
WEWNĘTRZNA
WEWNĘTRZNA
FAKTÓW
FAKTÓW
POCZĄTKOWYCH
KOŃCOWYCH
Niejednoznaczność odwzorowania
X/spot
oderwanie
Spot ma ogon
Wpływ reprezentacji na efektywność
wnioskowania
Wszystkie kangury mają ogony.
Każdy kangur ma ogon.
.
...
Każdy kangur ma dokładnie jeden ogon.
5
Aspekty reprezentacji wiedzy
Relacje
Wiedza o relacjach – jest to najprostszy sposób
reprezentacji
wiedzy
deklaratywnej
(opisowej)
wykorzystywany w bazach danych. Taka reprezentacja
ma bardzo niewielką zdolność wnioskowania. Może
jednak reprezentować dane wejściowe dla bardziej
efektywnych mechanizmów wnioskowania.
Student
Nr indeksu
Średnia ocen
Kierunek
Abacki
123456
4.0
Informatyka
Babacki
123457
3.8
Zarządzanie
Cabacki
123567
3.0
Zarządzanie
Dabacki
123444
4.2
Automatyka
• Rachunek predykatów
– predykat (wieloargumentowy):
student(nazwisko, nr_indesu, sr_ocen, kierunek)
• Reguły produkcji
– reguła
nr_indeksu(X) = 123456 :- nazwisko(X) = abacki
Niezbyt wygodne...
.................................................................................................................
Aspekty reprezentacji wiedzy
Predykaty (atrybuty) uniwersalne
Wiedza o dziedziczeniu – odpowiada zbiorowi atrybutów
i odpowiadających im wartości, które opisują obiekty w
bazie wiedzy. Reprezentacja ta pozwala na umieszczenie
podstawowego mechanizmu wnioskującego w strukturze
reprezentacji.
ISA
ISPART
osoba (wiek, płeć)
ISA
INSTANCE
student (wiek, płeć, kierunek, numer indeksu, średnia ocen)
ISA
zdający egzamin (wiek, płeć, kierunek, numer indeksu, średnia ocen,, ocena)
INSTANCE
Abacki (wiek, płeć, kierunek, numer indeksu, średnia ocen, ocena)
Dziedziczenie
• Rachunek predykatów
Klasa w PO
isa(student, osoba)
• Reguły produkcji
osoba(X) :- student(X)
Reprezentacja wiedzy a
programowanie obiektowe
W rachunku predykatów
pierwszego rzędu predykat
nie może być argumentem...
student(nazwisko, nr_indesu, sr_ocen, kierunek)
Reprezentacja wiedzy
• odzwierciedla strukturę • odzwierciedla strukturę
danych i kodu
świata
• dotyczy zwykle
• dotyczy struktury pojęć
postępowania (metod)
• opisuje fizyczną
• fizyczna reprezentacja
reprezentację danych
nie jest istotna
(long int, char, itd.)
6
Aspekty reprezentacji wiedzy
Wnioskowanie
• Rachunek predykatów
Wiedza wnioskująca – jest to wiedza o tym jak
manipulować
strukturami
reprezentacji,
aby
wykorzystać wiedzę w nich zawartą i tworzyć nowe
struktury.
Taką
wiedzą
może
być
algorytm
dziedziczenia wartości, rezolucja, dedukcja itd.
α, α → β
β
student(X) → osoba(X),
student(abacki)
• Reguły produkcji
osoba(X) :- student(X),
student(abacki)
To jest tylko implikacja, bez
metody wnioskowania nie
umiemy wyprowadzić
żadnego wniosku
Zalety reprezentacji deklaratywnej
Aspekty reprezentacji wiedzy
co to jest?
Wiedza proceduralna – jest to wiedza nie tyle o
relacjach między obiektami, ale o tym jak coś zrobić.
• każdy
fakt
wymaga
tylko
jednokrotnego
przechowywania w pamięci, niezależnie od tego, ile
razy będzie wykorzystany;
• łatwo dodawać nowe fakty do systemu bez zmiany
innych faktów.
ax2 + bx + c = 0
∆ = b2 - 4ac
x1 = (-b - sqrt(∆))/2
x2 = (-b + sqrt(∆))/2
Zalety reprezentacji proceduralnej
Relacje między atrybutami
jak to zrobić?
¾ Odwrotność
• łatwo reprezentować wiedzę o tym jak coś zrobić;
student(nazwisko,kierunek)
• łatwo reprezentować wiedzę, która nie pasuje do
schematów deklaratywnych;
• łatwo reprezentować wiedzę
wykonać coś efektywnie.
heurystyczną,
jak
student(abacki,informatyka)
kierunek(nazwa, student1, student2, ...)
kierunek(informatyka,abacki,...)
7
Relacje między atrybutami
¾ Hierarchia atrybutów
miasto(poznań)
województwo(wielkopolskie)
Relacje między atrybutami
¾ Techniki wnioskowania o wartościach
typ wartości
zakres wartości
reguły obliczania wartości (if needed rules)
reguły postępowania
(if added rules)
Relacje między atrybutami
¾ Atrybuty jednowartościowe
dla
konkretnych
wartości
Reprezentacja zbiorów obiektów
¾ rozróżnienie wg nazwy
wykład_si_start(13:30)
zajęcia_start(8:00, 9:45, 11:45, 13:30, 15:10, 16:50, 18:30)
krokodyl
Krokodyle (krokodylowe) (Crocodilia) – rząd gadów, jedyni żyjący
przedstawiciele gadów naczelnych. Obecnie reprezentowany jest przez
trzy
rodziny:
krokodylowatych
czyli
krokodyli
właściwych,
aligatorowatych czyli aligatorów i kajmanów oraz gawiali z jednym
gatunkiem.
Reprezentacja zbiorów obiektów
¾ definicja ekstencjonalna
{ziemia}
{Błażewicz, Brzeziński, Morzy,...}
¾ definicja intencjonalna
Granulacja (poziom) reprezentacji
Jest to zagadnienie wyboru obiektów, które będziemy
traktować jako elementarne w rozważanej reprezentacji.
{matka, ojciec, syn, córka, brat, siostra}
Kasia = córka(brat(matka(Zosia)))
Kasia = córka(brat(ojciec(Zosia)))
Kasia = córka(siostra(matka(Zosia)))
Kasia = córka(siostra (ojciec(Zosia)))
?
Kasia jest kuzynką Zosi.
{X:sun-planet and human-inhabited(X)}
{X:pracuje_w_IIn_PP(X)}
{rodzic, dziecko, rodzeństwo, mężczyzna, kobieta}
Kasia = kobieta ∧ dziecko(rodzeństwo (rodzic(Zosia)))
8
Granulacja (poziom) reprezentacji
Mała liczba obiektów elementarnych powoduje:
• kanoniczność reguł;
Duża liczba obiektów elementarnych powoduje:
• dużą pracochłonność poszukiwania struktury;
• łatwość poszukiwania struktury;
• dużą zajętość pamięci;
• małą zajętość pamięci;
• dużą pracochłonność
wyższego na niższy.
Granulacja (poziom) reprezentacji
transformacji
z
poziomu
• trudno zadecydować, które obiekty powinny mieć
charakter elementarny.
Np. relacje rodzinne
Np. analiza tekstu na poziomie liter, słów, zdań, ....
Wyszukiwanie właściwych struktur
Inne problemy
reprezentacja meta-wiedzy
• wybór najbardziej odpowiedniej struktury początkowej;
• uwzględnienie szczegółów z opisu bieżącej sytuacji;
• wyszukanie bardziej odpowiedniej struktury w przypadku,
gdy wnioskowanie w oparciu o strukturę wybraną na
początku zawiedzie;
Tomek mógłby mieć lepsze stopnie, gdyby się więcej uczył.
Papieros zabija.
• postępowanie w przypadku, gdy żadna struktura nie
doprowadzi do sukcesu;
• kiedy wprowadzić nową strukturę?
Inne problemy
Inne problemy
reprezentacja wyjątków
reprezentacja wartości domyślnych
liczba_nóg(X)
Każdy ptak lata.
liczba_nóg(stół)
liczba_nóg(krzesło)
liczba_nóg(człowiek)
9
Modelowanie wiedzy w sztucznej
inteligencji
•
•
•
•
•
•
•
Rachunek predykatów (Newell & Simon, 1956)
Reguły produkcji (Buchanan & Shortliffe, 1960)
Sieci semantyczne (Richens 1956)
Ramy (Minsky 1975)
Scenariusze
Zależności pojęciowe
Ontologie
Narzędzia modelowania wiedzy:
• WordNet
• commonKADS
• Protégé 2000
• Unified Modelling Language (UML)
• Object Constraint Language (OCL)
• Multi-Perspective Modelling
Sieci semantyczne
Sieci semantyczne
W
sieciach
semantycznych
wiedza
jest
reprezentowana
jako
zbiór
węzłów
(pojęć)
połączonych
etykietowanymi
łukami,
które
reprezentują relacje między węzłami.
Zastosowania:
• automatyczne tłumaczenie tekstów,
• hypertext,
• HTML, XML,
• Wikipedia.
Sieć semantyczna z atrybutami o wielu argumentach
mecz
isa
goście
Legia
wynik
G23
3-0
gospodarze
Lech
wynik(Lech, Legia, 3-0)
Przeszukiwanie przekrojowe
Sieci semantyczne
Sieci semantyczne
pies
gryźć
isa
listonosz
isa
p
isa
g
napastnik
l
gryźć
pies
isa
isa
p
isa
l
SI
ofiara
∀
GS
isa
g
napastnik
ofiara
SA
listonosz
s
ma
for
Pies ugryzł listonosza.
Każdy pies ugryzł (jakiegoś) listonosza.
10
Sieci semantyczne
pies
gryźć
isa
isa
∀
GS
isa
s
pies
isa
g
napastnik
SA
gryźć
isa
p
l
napastnik
isa
∀
GS
Sieci semantyczne – WordNet
Baza danych i oprogramowanie zostały udostępnione w ramach licencji
BSD. Baza danych może być używana online.
Został opracowany w Cognitive Science Laboratory w Princeton
University pod kierunkiem profesora psychologii George A. Millera.
WordNet
• w roku 2006, baza danych zawierała ok.
150,000 słów w 115,000 synsetach dla 207,000
par słowo-znaczenie;
• rozmiar (po kompresji): ok.12 megabajtów;
• interfejsy:
– Jawbone – Java API do WordNet 2.1,
– Natural Language Toolkite Lite – Python.
• link:
http://wordnet.princeton.edu
http://wordnet.princeton.edu/perl/webwn
SI
ofiara
∀
s
ma
for
WordNet
•
Cele:
• kombinacja słownika i tezaurusa,
• automatyczna analiza i tłumaczenie tekstów,
• zastosowania w sztucznej inteligencji.
l
Każdy pies ugryzł każdego listonosza.
Każdy pies ugryzł tego listonosza.
WordNet jest leksykonem semantycznym języka angielskiego. Grupuje
słowa w zbiory synonimów (tzw. synsetów), zawiera krótkie, ogólne
definicje i różne relacje określające semantyczne zależności między
zbiorami synonimów.
isa
g
ofiara
SA
listonosz
isa
for
ma
p
SI
listonosz
Sieci semantyczne
•
•
•
•
Większość synsetów jest połączona relacjami semantycznymi. Relacje zależą od
tego jaką częścią mowy jest dane słowo i obejmują:
Rzeczowniki
– hypernym: Y jest hypernymem X jeżeli każdy X jest (rodzajem) Y;
– hyponym: Y jest hyponymem X jeżeli każdy Y jest (rodzajem) X;
– terminy współrzędne: Y terminem współrzędnym X jeżeli X i Y maja wspólny
hypernym;
– homonym: Y is a holonym of X if X is a part of Y;
– meronym: Y jest meronymem oX jeżeli Y jest częścią X;
Czasowniki
– hypernym: czasownik Y jest hypernymem czasownika X jeżeli czynność X jest
(rodzajem) Y (X=podróżować, Y=przemieszczać się);
– troponym: czasownik Y jest troponymem czasownika X jeżeli czynność Y
wykonuje X w pewien sposób (Y = seplenić, X = mówić);
– entailment: czasownik Y jest entailed przez X jeżeli wykonując X trzeba
wykonywać Y (y=spać, X=chrapać);
– terminy współrzędne: czasowniki posiadające wspólny hypernym;
Przymiotniki
– skojarzone rzeczowniki;
– Imiesłowy;
Przysłówki
– przymiotnik od którego pochodzi przysłowek.
Ramy
Rama jest zbiorem atrybutów (zwykle nazywanych slotami) i
związanych z nimi wartości (ewentualnie ograniczeniami
nałożonymi na wartości) opisującym pewien obiekt. [Minsky, 1975]
Cechy mechanizmu wnioskującego:
• Sprawdzanie spójności podczas dodawania wartości szczeliny
• Utrzymywanie spójności między wartościami wzajemnie
odwrotnymi
• Dziedziczenie wartości definiowanych i domyślnych zgodnie z
relacjami isa i instance
• Obliczanie wartości if-needed
• Sprawdzanie wartości atrybutów jednowartościowych
11
Ramy - przykład
ręka
Osoba
Przykłady języków opartych na ramach
Prawa
• KL – ONE
• Protege
isa
Mężczyzna
wzrost
isa
Dowolna
lub Prawa
rzuty
Zawodnik grający
w baseball
252
średni wynik
Fielder
Pitcher
isa
Chicago
Cubs
drużyna
Protege.ico
201
średni wynik
średni wynik
252
195
wzrost
262
isa
Three-FingerBrown
Pee-WeeReese
drużyna
Brooklyn
Dodgers
Reprezentacja wiedzy: ramy
Rama
• Rama: pojedyncza struktura zawierająca szczeliny.
• Klatka (slot): element ramy który zawiera jedną lub
więcej faset.
• Faseta: element opisujący coś w szczelinie.
Rama: Nazwa
– Fasety mogą być: liczbami, tekstami, piktogramami, lub nawet
kolejnymi ramami.
– Wartość wpisaną w klatce nazywamy wartością klatki. Jest ona
zapisana w fasecie jako wartość typu VALUE. Każdej klatce jest
przypisany pewien określony zbiór faset.
– W fasetach tych mogą być zapisane np. warunki dotyczące
uznania wartości atrybutów jako wartości dopuszczalnych,
procedury pozyskiwania tej wartości, itp. Zbiór ten może być
dowolnie uzupełniany dodatkowymi informacjami.
Klatka 1: Nazwa_1
Faseta 1: Nazwa_1
Faseta i: Nazwa_i
Klatka_2: Nazwa_2
Faseta 1: Nazwa_1
Faseta j: Nazwa_j
• Demon: procedura dołączona do szczeliny odpalana
warunkowo.
• Instancja: przykład ramy.
Rama
Typy klatek
•
Rama: Publikacja
Klatka 1: Tytuł
Faseta Value: Tytuł
Faseta 2: Podtytuł
Klatka_2: Autorzy
•
Faseta Value: Autor_1
Faseta j: Autor_j
•
•
klatka AKO (A Kind Of, czyli podrzędny względem) - klatka ta początkowo zawierała
jedynie nazwę ramy nadrzędnej w stosunku do danej ramy. Odwołanie do jednostki
nadrzędnej odpowiadało bezpośrednio powiązaniom typu IS-A lub KIND-OF
związanymi z relacją uogólnienie-wyszczególnienie np. "dog IS-A pies" lub "dog jest
KIND-OF pies". Obecnie przez AKO oznacza się klatkę zawierającą całość informacji
o dziedziczeniu ram. Przyjmując, że każda rama ma klatkę AKO ze standardowym
zestawem faset, opisującym w pełni dziedziczenie danej ramy, a więc odwołania
zarówno do uogólnień, jak i wyszczególnień.
klatka INSTANCE (Przykład) - zawiera listę ram stanowiących egzemplarze danej
ramy, jest więc odwołaniem do jej egzemplarzy. Egzemplarz ramy stanowi specjalny
rodzaj wyszczególnienia, dlatego często nie odróżnia się tej klatki od klatek AKO.
Klasyczna klatka AKO dotyczy raczej zawierania się pojęć niż odwołań do
egzemplarzy. Dlatego czasami wydaję się uzasadnione wyróżnienie klatki INSTANCE
jako wyraźnego odwołania jedynie do konkretnych egzemplarzy ramy.
klatka CLASS (Klasa) - zawiera standardowo informację o tym, czy dana rama jest
egzemplarzem, czy też prototypem reprezentującym pewną klasę. Klatka ta jest
czasem zaliczany do klatek typu AKO lub INSTANCE. Często jednak powiązania
prototyp-egzemplarz są wyraźnie odróżniane od powiązań opisujących zawieranie się
klas i wówczas klatka CLASS jawnie opisuje typ ramy.
klatka PART-OF (Część) - odpowiada ona relacji całość-część np. "koło jest PARTOF samochód". Zawiera odwołania do ram stanowiących części danej ramy.
Odwołanie to nie ma cech dziedziczenia. Na przykład rama "podwozie" może być
PART-OF innej ramy "samochód", ale nie będzie zawierała klatki o zupełnie innej
strukturze.
12
Typy faset
•
•
•
•
•
•
•
•
•
faseta typu VALUE - w fasecie tej jest zawsze wpisywana bieżąca, rzeczywista wartość
klatki. Podczas próby odczytania zawartości klatki zawsze najpierw jest przeszukiwana
faseta VALUE.
faseta typu DEFAULT - zawiera tzw. domyślną wartość klatki. Jest to wartość
stereotypowa dla obiektów opisywanych przez ramę. Faseta ta jest brana pod uwagę
jedynie wówczas, gdy faseta typu VALUE jest nie wypełniona lub nie istnieje.
faseta typu REQUIRE - zawartość tej fasety określa ograniczenia dla wartości zawartej w
fasecie VALUE. Opisuje ona dziedzinę wartości możliwych do wpisania do klatki i
najczęściej sprowadza się do określenia górnej i dolnej wartości granicznej. Zawartość tej
fasety jest wykorzystywana przez fasetę IF-ADDED.
faseta typu COMMENT - zawiera tekst będący opisem klatki.
faseta typu CARDINALITY - podaje liczbę faset typu VALUE występujących w klatce.
faseta typu RANGE - zawiera listę lub zakres dopuszczalnych wartości fasety VALUE.
faseta typu IF-NEEDED - zawiera funkcję, która wyznacza nie znaną wartość klatki
poszukując jej w ramach nadrzędnych w stosunku do ramy wyjściowej. Faseta ta jest
poszukiwana w klatce, jeżeli fasety VALUE i DEFAULT są nie wypełnione albo nie
istnieją. faseta IF-NEEDED jest często kojarzona z fasetą DEFAULT, gdyż jej rola jest
podobna. W przeciwieństwie jednak do fasety DEFAULT, która zawiera wprawdzie
domyślną wartość ale jest jednak konkretną wartością, faseta IF-NEEDED jest funkcją,
która oblicza i udostępnia wartość.
faseta typu IF-ADDED - zawiera funkcję, która wpisuje wartości do klatki i jest
poszukiwana w klatce wówczas, gdy próbujemy wstawić do klatki nową wartość.
faseta typu IF-REMOVED - zawiera funkcje usuwania wartości z klatki i jest poszukiwana
w klatce, jeśli tylko próbujemy wymazać jej wartość.
System ram
Rama: Publikacja
Rama: Książka
Rama: art. w
książce
Scenariusze
¾
¾
¾
¾
¾
¾
Warunki wejściowe
Rezultaty
Rekwizyty
Role
Ścieżki
Sceny
Rama: Artykuł
Rama: art. w
czasopiśmie
Rama: art. w
materiałach
konferencyjnych
Scenariusze
(script
(name
(type
(props
(roles
(opening
(results
(scenes
(values BUY-A-CAR))
(values GENERIC))
(values SHOP MONEY CAR CATALOG OFFICE))
(values CUSTOMER SELLER))
(wants CUSTOMER CAR))
(if-needed
(owner CAR CUSTOMER)
(has-less-money CUSTOMER)
(increase-sells SHOP)))
(ENTERING (enters CUSTOMER SHOP)
(go-to-scene INSPECTING))
(INSPECTING (observes CUSTOMER CAR)
(or (go-to-scene ASKING) (leaves SHOP CUSTOMER)))
(ASKING
(look-for CUSTOMER SELLER)
(meet CUSTOMER SELLER OFFICE)
(asks-for CUSTOMER CATALOG)
(informs SELLER CUSTOMER)
(or (go-to-scene BUYING) (leaves SHOP CUSTOMER)))
(BUYING
(pays CUSTOMER MONEY SELLER)
(leaves SHOP CUSTOMER))
))
Zależności pojęciowe
Zależności pojęciowe*) (CD)
Zależności pojęciowe (conceptual dependency)
stanowią koncepcję reprezentacji tego rodzaju wiedzy,
która jest zwykle wyrażana w zdaniach języka
naturalnego.
Celem jest reprezentacja wiedzy w taki sposób, aby:
Elementarne kategorie
ACTs
Czynności
PPs
Obiekty (producenci obrazów)
• ułatwiała wyprowadzanie konkluzji ze zdań,
AAs
Modyfikatory czynności (opisy czynności)
• była niezależna od języka, w którym wypowiedziano
zdanie.
PAs
Modyfikatory obiektów (opisy obrazów)
_____________________
*)
Schank (1973, 1975)
13
Zależności pojęciowe
Elementarne czynności
ATRANS
Przekazanie abstrakcyjnej relacji (dać).
PTRANS
Zmiana fizycznej lokalizacji obiektu (iść).
PROPEL
Przyłożenie siły do obiektu (pchnąć).
MOVE
Wykonanie Ruchu częścią ciała (kopnąć).
GRASP
Ujęcie obiektu przez aktora (chwycić).
INGEST
Wchłonięcie obiektu (łykać).
EXPEL
Wydalenie czegoś z wewnątrz (płakać).
MTRANS
Przekazanie informacji (powiedzieć).
MBUILD
Utworzenie informacji (decydować).
SPEAK
Wydawanie dźwięków (mówić).
ATTEND
Skupienie uwagi (słuchać).
Zależności pojęciowe
Formy czasowników
p
czas przeszły
f
czas przyszły
t
zmiana
ts
początek zmiany
tf
zakończenie
zmiany
k
ciągłość
?
pytanie
/
negacja
nil
czas teraźniejszy
delta nieskończony
c
warunkowy
Zależności pojęciowe
Zależności pojęciowe
Reguły
Przykład
1. PP
ACT
Tomek czyta.
2. PP
PA
Tomek jest wysoki.
3. PA
PP
wesołe dziecko
4. PP ⇒ PP
książka Tomka
Jaś
Jaś
p
ATRANS
o
R
<
Marysia
książka
PP
R
5. ACT
Tomek daje książkę Gosi.
PP
Ja dał książkę Marysi.
Jaś
Strzałka zawsze wskazuje podmiot.
Główne niedostatki popularnych
schematów reprezentacji wiedzy
Rachunek zdań
modeluje tylko wartości logiczne, a nie fakty
Rachunek predykatów
trudne sterowanie wnioskowaniem
Reguły produkcji
trudne zastosowanie do wiedzy nieproceduralnej
Relacyjne bazy danych trudne sterowanie wnioskowaniem
Hierarchia pojęć
ograniczone do jednej relacji
Sieci semantyczne
brak standardu
Ramy
jest to jedynie metoda, a nie schemat
Ograniczenia
brak standardu
Podsumowanie
• Forma reprezentacji wiedzy jest
odpowiednikiem struktur danych
• Reprezentacja musi zapewniać zdolność i
efektywność wnioskowania
• Wybór formy reprezentacji wiedzy zależy
od dziedziny wnioskowania
• Wybór formy reprezentacji wiedzy wpływa
na efektywność wnioskowania
14