本书以知识表示与处理所涉及的相关知识,如知识获取、知识表示、知识推理、知识迁移等内容为主体,完整呈现了知识表示与处理的知识体系。本书首先,介绍了知识表示与处理的发展、相关概念、流程等;其次,介绍了知识获取的内容;再次,重点介绍了知识表示的各种方法,如逻辑谓词、产生式规则、语义网络、本体、知识图谱等,以及知识推理所涉及的确定性知识推理和不确定性知识推理;最后,介绍了知识应用和知识迁移相关的内容。本书将免费提供配套PPT、实验及应用案例等基本教学材料。本书注重基础性、系统性和实用性,力求为学习知识表示与处理知识的读者提供一本基础的教材,同时为在其他学科应用知识表示与处理技术的读者提供一本深入浅出的参考书。本书适合作为人工智能、计算机科学与技术、自动化控制等相关专业的本科生和研究生的教材;部分内容也适用于高职高专学校的教学。
刘鹏:博士毕业于清华大学,教授,现任南京大数据研究院院长、中国大数据应用联盟人工智能专家委员会主任、中国大数据专家委员会委员。曾率队夺得2002 PennySort国际计算机排序比赛冠军(这是我国获得的第一个大数据比赛世界冠军),两次夺得全国高校科技比赛*高奖,三次夺得清华大学科技比赛*高奖。主持完成科研项目25项,发表论文80余篇,出版专业图书20部。获部级科技进步二等奖4项、三等奖4项。2002年开创性地提出了“计算池”模式,被2007年开始流行的“云计算”所证实。2003年开创性地提出了“反垃圾邮件网格”,被2008年开始流行的“云安全”所证实。荣获“全军十大学习成才标兵”、南京市“十大杰出青年”、江苏省中青年科学技术带头人、清华大学“学术新秀”等称号。刘河,现就职于重庆市教育科学研究院,中国计算机学会会员,重庆市教育信息化专家委员会成员;主要研究领域为大数据、人工智能等;独立开发了10余个软件系统,主持主研了多项省部级重点课题,编著了多部教材,获得了多个计算机软件著作权登记证书。
第1章 绪论 1
1.1 知识表示基本概念 1
1.1.1 知识 1
1.1.2 知识表示 2
1.1.3 知识表示方法 3
1.2 知识处理的基本流程 7
1.2.1 知识抽取 7
1.2.2 知识表示 8
1.2.3 知识存储 8
1.2.4 知识融合 9
1.2.5 知识推理 9
1.2.6 知识可视化 10
1.2.7 知识应用 10
1.2.8 知识更新 11
1.3 知识与人工智能的关系 11
习题 12
参考文献 12
第2章 知识获取 13
2.1 知识获取基本概念 13
2.1.1 知识 13
2.1.2 知识获取的发展背景 14
2.1.3 知识获取 14
2.1.4 知识获取的步骤和途径 15
2.2 知识获取的方式 15
2.2.1 人工知识获取 15
2.2.2 半自动知识获取 16
2.2.3 自动知识获取 16
2.2.4 其他方式 17
2.3 面向非结构化数据的知识获取 18
2.3.1 实体抽取 18
2.3.2 关系抽取 19
2.3.3 事件抽取 22
2.4 面向半结构化数据的知识获取 24
2.5 面向结构化数据的知识获取 25
2.6 实验:使用 jieba进行中文分词 28
2.6.1 实验目的 28
2.6.2 实验要求 28
2.6.3 实验原理 28
2.6.4 实验步骤 28
2.6.5 实验结果 29
习题 30
参考文献 30
第3章 谓词逻辑 32
3.1 逻辑学的基本研究方法 32
3.1.1 概念化和理性化 32
3.1.2 符号化 33
3.1.3 公理化 33
3.1.4 形式化 34
3.1.5 现代逻辑学形式系统 34
3.2 命题逻辑 35
3.2.1 语法 35
3.2.2 语义 37
3.3 谓词逻辑 42
3.3.1 语法 42
3.3.2 语义 47
3.4 命题演算推理系统 50
3.5 实验:苏格拉底推论符号化及论证 51
3.5.1 实验目的 51
3.5.2 实验要求 51
3.5.3 实验原理 51
3.5.4 实验步骤 51
3.5.5 实验结果 52
习题 53
参考文献 54
第4章 产生式规则 55
4.1 产生式表示 55
4.1.1 产生式的由来 55
4.1.2 产生式规则的一般形式 55
4.1.3 产生式规则与逻辑蕴含式 56
4.2 从规则到系统 57
4.2.1 产生式系统简述 57
4.2.2 产生式系统的组成 57
4.2.3 产生式系统的运行过程 60
4.3 规则匹配——Rete算法 65
4.3.1 规则匹配算法简述 65
4.3.2 Rete算法 66
4.3.3 Uni-Rete算法 70
4.4 产生式规则专家系统 73
4.4.1 专家系统简述 73
4.4.2 专家系统的基本结构 77
4.4.3 产生式规则专家系统实例 80
4.5 实验:基于产生式规则的动物识别专家系统 84
4.5.1 实验目的 84
4.5.2 实验要求 84
4.5.3 实验原理 84
4.5.4 实验步骤 84
4.5.5 实验结果 95
习题 96
参考文献 96
第5章 语义网络 97
5.1 语义网络简述 97
5.1.1 语义网络的概念 97
5.1.2 语义网络的特点 97
5.2 语义网络表示法 98
5.2.1 基本网元 98
5.2.2 基本语义关系 99
5.3 知识的语义网络表示 102
5.3.1 事实性知识的表示 102
5.3.2 情况、动作和事件的表示 102
5.3.3 连词和量词的表示 104
5.3.4 用语义网络表示知识的步骤 105
5.4 语义网络的推理方法 106
5.4.1 继承推理 106
5.4.2 匹配推理 106
5.5 实验:语义网络写入图形数据库 107
5.5.1 实验目的 107
5.5.2 实验要求 107
5.5.3 实验原理 107
5.5.4 实验步骤 107
5.5.5 实验结果 110
习题 110
参考文献 111
第6章 本体 112
6.1 本体概述 112
6.1.1 本体的定义 112
6.1.2 本体的作用 113
6.1.3 本体的构成要素 114
6.2 本体的分类 115
6.3 本体的构建 118
6.3.1 本体建模语言 118
6.3.2 本体构建的规则 121
6.3.3 本体构建的方法 122
6.3.4 本体的构建工具 126
6.4 本体的应用 128
6.5 领域本体的构建 129
6.5.1 领域本体的构建过程 129
6.5.2 领域本体的设计原则 130
6.5.3 领域本体建模的生命周期 131
6.6 实验:小型本体构建示例 131
6.6.1 实验目的 131
6.6.2 实验要求 132
6.6.3 实验原理 132
6.6.4 实验步骤 132
6.6.5 实验结果 139
习题 140
参考文献 141
第7章 知识图谱 143
7.1 知识图谱简述 143
7.1.1 知识图谱的概念 143
7.1.2 知识图谱的产生历程 145
7.1.3 知识图谱的生命周期 147
7.2 知识图谱的关键技术 150
7.2.1 知识图谱构建技术 150
7.2.2 知识图谱查询和推理计算技术 151
7.2.3 知识图谱应用技术 151
7.3 知识图谱可视化 153
7.3.1 知识图谱表示方法 153
7.3.2 知识图谱可视化类型 154
7.3.3 知识图谱可视化流程 154
7.3.4 知识图谱可视化方法 154
7.4 知识图谱分类 157
7.4.1 知识图谱分类概述 157
7.4.2 通用知识图谱 157
7.4.3 领域知识图谱 158
7.5 知识图谱工具 159
7.5.1 知识建模工具 159
7.5.2 知识获取工具 159
7.5.3 实体识别链接工具 160
7.5.4 知识存储工具 160
7.5.5 本体知识推理工具 160
7.5.6 知识图谱可视化工具 161
7.5.7 知识图谱数据智能平台 161
7.6 实验:知识图谱实践 162
7.6.1 实验目的 162
7.6.2 实验要求 162
7.6.3 实验原理 162
7.6.4 实验步骤 162
7.6.5 实验结果 169
习题 170
参考文献 170
第8章 知识推理 172
8.1 推理简述 172
8.1.1 推理的概念 172
8.1.2 推理方式及分类 173
8.1.3 推理控制策略及分类 176
8.1.4 匹配与冲突消解 178
8.2 自然演绎推理 180
8.2.1 推理规则 180
8.2.2 三段论 181
8.2.3 命题演算形式 182
8.2.4 谓词演算形式 182
8.3 归结演绎推理 183
8.3.1 命题逻辑中的归结演绎推理 186
8.3.2 谓词逻辑中的归结演绎推理 188
8.4 归纳推理 194
8.4.1 完全归纳推理 195
8.4.2 不完全归纳推理 195
8.5 非单调推理 201
8.5.1 缺省推理 201
8.5.2 非单调推理系统 203
8.6 实验:运用逻辑推理的方法解决八皇后问题 206
8.6.1 实验目的 206
8.6.2 实验要求 206
8.6.3 实验原理 206
8.6.4 实验步骤 207
8.6.5 实验结果 208
习题 208
参考文献 209
第9章 不确定性推理 210
9.1 基本概念 210
9.1.1 不确定性推理的概念 210
9.1.2 不确定性推理中的基本问题 210
9.1.3 不确定性推理方法的分类 212
9.2 不确定性推理中的数学基础 213
9.2.1 概率理论 213
9.2.2 模糊集 216
9.2.3 粗糙集 221
9.3 基于概率论的推理方法 224
9.3.1 贝叶斯网络方法 224
9.3.2 主观贝叶斯方法 229
9.3.3 可信度方法——C-F模型 232
9.4 模糊推理 235
9.4.1 模糊匹配 235
9.4.2 模糊推理的基本模式 236
9.4.3 模糊推理的基本模型 237
9.4.4 合成推理规则 238
9.5 实验:模糊矩阵的运算 239
9.5.1 实验目的 239
9.5.2 实验要求 239
9.5.3 实验原理 239
9.5.4 实验步骤 239
9.5.5 实验结果 242
习题 244
参考文献 244
第10章 知识迁移学习 246
10.1 知识迁移简述 246
10.1.1 人类知识迁移 246
10.1.2 迁移学习的意义 249
10.2 同构空间实例迁移学习 251
10.2.1 TrAdaBoost算法 251
10.2.2 核均值匹配算法 254
10.2.3 同构空间实例迁移学习的特点 255
10.3 同构空间特征迁移学习 256
10.3.1 基于特征选择的迁移学习算法 256
10.3.2 基于特征映射的迁移学习算法 258
10.3.3 同构空间特征迁移学习的特点 261
10.4 异构空间迁移学习 261
10.4.1 翻译学习 262
10.4.2 基于稀疏特征变换的无监督异构迁移学习 264
10.4.3 异构空间迁移学习的特点 266
10.5 实验:基于预训练VGG16网络的迁移学习 266
10.5.1 实验目的 266
10.5.2 实验要求 266
10.5.3 实验原理 267
10.5.4 实验步骤 267
10.5.5 实验结果 270
习题 270
参考文献 270
附录A 人工智能实验环境 272
附录B 人工智能云平台