知识表达方法课件.ppt

高级人工智能,1,概述,人类智能的表现之一：知识知识工程 (Knowledge Engineering)Knowledge RepresentationKnowledge AcquisitionKnowledge InferenceKnowledge Application知识表示（前提，重要性）按一定模式，用一些约定的符号编码知识，构造机器可接受的数据结构。,高级人工智能,2,知识对客观事物（自然的、人造的）及其规律的认识对客观事物原理的认识现象、本质、属性、状态、关系、联系、运动等利用客观规律解决实际问题的方法和策略步骤、操作、规则、过程、技术、技巧、等微观方法战术、战略、计谋、策略等宏观方法即：原理性知识、方法性知识。事务数据信息知识智慧,收集 处理 加工 升华,高级人工智能,3,知识是经过消减、塑造、解释、选择、和转换的信息Feigenbaum知识是由特定领域的描述、关系和过程组成的Bernstein知识事实信息启发式Roth,高级人工智能,4,知识属性,真假性不确定性不完备、不确定、模糊性矛盾性、相容性相容、一致：单调推理不相容、矛盾知识：非单调推理可表示性可利用性,高级人工智能,5,表达方法的衡量,表达能力正确有效地将问题求解所需知识表示出来。范围、高效性、精细程度、对不确定性知识的支持可利用性推理的适应性、高效算法的支持可维护性自然性可实现性,高级人工智能,6,知识构成：事实、规则、控制、元知识,事实有关问题环境的一些事物的知识，形如“x是y”如事物分类、属性、事物间关系、客观事实等静态的、共享的、可公开获得的、公认的知识如：雪是白的；鸟有翅膀；规则与事物的行动、动作、相联系的因果关系知识形如“如果那么”是动态的。如启发式规则。,高级人工智能,7,控制知识有关问题的求解步骤、技巧性知识当有多个动作时应选择哪一个的知识元知识有关知识的知识。是知识库中的高层知识。包括怎样使用、解释、校验规则，解释程序结构等知识。与控制知识有重叠。元知识存于知识库中控制知识与程序结合在一起。,高级人工智能,8,知识表示模型,知识表示的两层模型：逻辑层与实现层逻辑层不同表达模式逻辑表示法、产生式系统、语义网络、框架实现层实现技术、环境、语言面向对象、XML、关系模型,高级人工智能,9,逻辑表示法,将以自然语言描述的知识，通过引入谓词、函数来加以描述，得到相关逻辑表达式，进而以机器内部代码表示。逻辑表示法下，可以采用归结法进行推理。一阶逻辑的表达能力有限。如具有归纳结构的知识，多层次的知识类型都难以用一阶逻辑描述。例。机器人积木块问题房间内有机器人Robot，一个壁龛Alcove，一个积木Box, 两个桌子A、B。机器人把Box从一个状态变成另一状态,高级人工智能,10,引入谓词Table(A), EmptyHanded(robot), At(robot, A)Holds(robot, box), On(Box, A)初始状态：Table(A), Table(B) At(robot, alcove), EmptyHanded(robot), On(box, A)目标状态Table(A), Table(B)At(robot, alcove), EmptyHanded(robot), On(Box, B),高级人工智能,11,问题归纳为：从初始状态到目标状态的操作过程机器人的每个操作结果所引起的状态变化，可用对原状态的增添表和删除表来表示。如机器人由初始状态把积木从A移到B，然后返回到alcove，同初始状态相比，有增添表 ON(Box, B)删除表 ON(Box, A)又如，机器人由初始状态走近A桌，然后拿起积木。与初始状态比，有增添表： AT(robot, A), Holds(robot, A)删除表： AT(robot, Alcove), Emptyhanded(robot), ON(box, A),高级人工智能,12,进一步，机器人的每一步操作需要满足先决条件。如robot拿起A上的box，先决条件是 ON(box, A), AT(robot, A), Emptyhanded(robot)而先决条件成立与否的验证可使用归结法。如初始条件为已知条件，待验证的先决条件视作结论，便可使用归结法。从初始状态出发，每实现机器人的一个操作都先验证先决条件，并建立相应的增添表和删除表，便可逐步达到目标状态。,高级人工智能,13,谓词逻辑表达的特点自然明确精确灵活模块化,表示能力差库管理困难组合爆炸效率低,高级人工智能,14,产生式系统,Production 产生式。美国数学家 E. Post提出根据替换规则提出一种计算模型“波斯特机”模型中的每一条规则被称为一个产生式。产生式的一般形式 前件后件前件即前提，后件是结论或动作。前件和后件可以是由逻辑运算符AND、OR、NOT连接组成的表达式,高级人工智能,15,产生式规则的语义如果前提满足，则可得结论或者执行相应的动作。即后件由前件触发。前件是规则的执行条件，后件是规则体。如如果速度超限，则关小油门如果胶卷感光度为200，光线条件晴天，目标距离5米以内，则快门速度取250，光圈大小取f16产生式与逻辑蕴涵式相似，但不相等。产生式包括逻辑蕴涵式，此外还有各种操作、规则、变换、算子、函数等,高级人工智能,16,产生式描述了事物之间的一种对应关系（因果关系和蕴涵关系），其外延十分广泛。状态转换规则、程序设计语言的文法规则逻辑蕴涵式和等价式数学中的微分和积分公式规章制度等一个产生式规则就是一条知识。不仅可进行推理，还可以实现操作很好的一种知识表示形式,高级人工智能,17,产生式规则,事实：陈述句，断言一个语言变量的值或多个语言变量的关系。可用谓词逻辑描述。产生式规则：前件后件实现有前提条件的逻辑操作当一条规则的前提条件满足，该规则被触发，执行其后件规定的动作实现逻辑推理当有事实能与某规则的前提匹配（即规则的前提成立）时，就得到该规则后件的结论（即结论也成立）。,高级人工智能,18,产生式系统,产生式系统的组成产生式规则库推理机：控制执行机构一个程序模块规则的前提条件测试匹配，规则的调度与选取规则体的解释和执行动态数据库全局数据库、综合数据库、工作存储器、上下文、黑板，等等动态数据结构，存放初始事实数据、中间结果、最后结果,高级人工智能,19,产生式系统的控制策略,正向推理从初始事实出发，正向使用规则进行推理规则前提与GDB中的事实匹配，或用GDB中的数据测试规则的前提条件，然后产生结论或执行动作朝目标方向前进数据驱动反向推理（目标驱动）从目标出发，反向使用规则进行推理用规则结论与目标匹配，产生新的目标，对目标做同样处理朝初始事实方向，或数据方向前进,高级人工智能,20,正向推理算法,Step 1. 将初始事实置入GDBStep 2. 用GDB中的事实，匹配目标，若满足，成功，结束Step 3. 用RB中的各规则前提匹配GDB中的事实，将匹配成功的规则组成候用规则集Step 4. 若候用规则集为空，则失败，退出。Step 5. 在候用规则集中选择一条规则，作为执行规则Step 6. 将执行规则的结论加入GDB，或执行其动作Step 7. 转Step 2.,高级人工智能,21,讨论,随着推理的进行，GDB中的内容在不断变化。若GDB的每一个状态作为一个节点，则推理过程就是一个从初始状态到目标状态的状态图搜索过程。若把GDB中每一个事实作为一个节点，则推理过程就是一个反向（自底向上）的与或树搜索过程。算法中未记录GDB的状态变化历史，只保持当前的一个状态，并始终基于当前数据库进行推理,高级人工智能,22,例：动物分类知识库系统,规则库R1: 若某动物有奶，则它是哺乳动物R2: 若某动物有毛发，则它是哺乳动物R3: 若某动物有羽毛，则它是鸟R4: 若某动物会飞且生蛋，则它是鸟R5: 若某动物是哺乳动物且有爪且有犬齿且目盯前方，则它是肉食类动物R6: 若某动物是哺乳动物且吃肉，则它是肉食类动物R7: 若某动物是哺乳动物且有蹄，则它是有蹄类动物R8: 若某动物是有蹄类动物且反刍，则它是偶蹄类动物R9:若某动物是肉食类动物且黄褐色且有黑色条纹，则它是老虎,高级人工智能,23,例：动物分类知识库系统,规则库R10: 肉食类动物，黄褐色，有黑色斑点，则它是金钱豹R11: 有蹄类，长腿，长脖，黄褐色，有暗斑点，则它是长颈鹿R12: 有蹄类动物，白色，有黑色条纹，则它是斑马R13: 鸟，不会飞，长腿，长脖，黑白色，则它是鸵鸟R14: 鸟，不会飞，会游泳，黑白色，则它是企鹅R15: 鸟，善飞，不怕风浪，则它是海燕初始事实f1: 某动物有毛发 f2: 吃肉f3: 黄褐色 f4: 有黑色条纹目标条件：该动物是什么,高级人工智能,24,例：动物分类知识库系统,推理树,高级人工智能,25,反向推理算法,Step 1. 将初始事实置入GDB，将目标条件置入目标链Step 2. 若目标链为空，则推理成功，结束Step 3. 取出目标链中的第一个目标，用GDB中的事实与其匹配。若匹配成功，转Step 2Step 4. 用规则集中的各规则的结论同该目标匹配，若匹配成功，则将第一个匹配成功且未用过的规则的前提作为新目标，取代原来的父目标而加入目标链，转Step 3Step 5. 若该目标是初始目标，则失败，退出。Step 6. 将该目标的父目标移回目标链，取代该目标及其兄弟目标，转Step 3,高级人工智能,26,双向推理同时从初始数据和目标条件出发进行推理，如果在中间某处相逢，则推理搜索成功。 冲突消解策略从候选规则集中选取其中一条规则优先级法；可信度法；代价法等搜索策略启发式盲目碰撞搜索,高级人工智能,27,语义网络表示法,Quillian作为人类联想记忆的一个显式心理学模型，提出语义网络概念（1968）Simmon将语义网络用在自然语言理解的研究（70s）划分为5个级别执行级逻辑级认识论级概念级语言学级,高级人工智能,28,七种类型命题语义网（包括分块联想网络）数据语义网：以数据为中心的语义网络语言语义网：用于自然语言的分析和理解结构语义网：描述客观事物的结构常见于模式识别和机器学习等领域分类语义网：描述抽象概念及其层次推理语义网：命题网。在某种程度上规范化以利于推理框架语义网：与框架相结合的语义网,高级人工智能,29,语义网概念,由一些以有向图表示的三元组（节点1，弧，节点2）连接而成。节点：表示事物、对象、概念、事件、行为、状态、断言边(link)：表示两节点的关系例,高级人工智能,30,常见关系、联系实例关系 (is a)小华 是一个 大学生分类（从属、泛化）关系(a kind of, AKO)下层概念可继承、细化、补充上层概念节点的属性，也可变异鸵鸟 是一种 鸟组装关系(a part of，APO)下层概念是上层概念的一个方面或一部分桌子 部分是 桌面；桌子 部分是 桌腿属性关系对象的属性及其属性值,高级人工智能,31,常见关系、联系集合与成员关系 (a member of, AMO)小华 是成员 ACM逻辑关系一个概念可由另一个概念推出，因果关系雨天 则 带伞方位关系时间、位置、组成、形状等所属关系狗 具有 尾巴,高级人工智能,32,基于语义网络的推理,属性、性质继承操作：匹配、搜索根据待求问题的要求，构造一个网络片段，然后在知识库中与之匹配的语义网络当网络片段中的询问部分与知识库中的某网络结构匹配时，则与询问处匹配的事实就是问题的解,高级人工智能,33,Semantic Web,知识表示中的语义网络：Semantic Network语义互联网：Semantic Web语义Web是现在Web的一个延伸，而非独立的另一个Web在语义Web中，信息被赋予完整而明确的含义，即语义。机器可以识别并理解这种语义，从而对Web中的信息实现自动化采集、分割、组合乃至逻辑推理。,高级人工智能,34,WWW：一种Media，传输信息供人阅读，而非机器自动处理。语义Web是在Web基础上，在信息中加入语义，从而使得在Web世界中流动的不再是单纯的数据流而是机器可以理解的语义信息。利用这些语义，信息之间的交换就可以建立在语义的层面而非文字层面，从而可以使机器精确的理解、采集和组合信息。提供包含数字图书馆、电子商务、医疗保健等各种类型的自动化服务。,高级人工智能,35,挑战：提供一种语言，能够同时描述数据以及根据数据进行推理的规则，并且允许现存知识标识系统中的规则都能输出到Web上，由此在Web上增加逻辑性，即使用规则进行推理、选择行为并解答问题的方法。重要技术：XML、RDFXML：提供灵活、通用、丰富的结构化信息表示方式RDF：提供语义信息和推理规则的表达方式。,高级人工智能,36,Web创始人Tim Berners-Lee在1998年提出了Semantic Web的概念 标准化：W3C Semantic Web工作组http:/www.w3.org/2001/swThe Semantic Web is an extension of the current web in which information is given well-defined meaning, better enabling computers and people to work in cooperation. - Tim Berners-Lee, James Hendler, Ora Lassila, The Semantic Web, Scientific American, May 2001,高级人工智能,37,The Semantic Web provides a common framework that allows data to be shared and reused across application, enterprise, and community boundaries. It is a collaborative effort led by W3C with participation from a large number of researchers and industrial partners. It is based on the Resource Description Framework (RDF), which integrates a variety of applications using XML for syntax and URIs for naming.,高级人工智能,38,In Feb 2004, The World Wide Web Consortium released the Resource Description Framework (RDF) and the OWL Web Ontology Language (OWL) as W3C Recommendations. RDF is used to represent information and to exchange knowledge in the Web. OWL is used to publish and share sets of terms called ontologies, supporting advanced Web search, software agents and knowledge management. Read the press release and testimonials to see how organizations are using these technologies today.,高级人工智能,39,中国计算机学会第二届全国Web信息系统及其应用会议(WISA2005)2005年8月5-7日在沈阳召开 本次会议还将评选大会优秀论文和优秀学生论文征文范围: 语义Web与智能Web,高级人工智能,40,框架表示法,Minsky提出Frame理论 “A framework for representing knowledge”, 1975针对人们在理解情景、故事时提出的心理学模型基本观点人脑存有大量典型情景。当面临新的情景时，就从记忆中选择（粗匹配）一个称作框架的基本知识结构。这个框架是以前记忆的一个知识空框，其具体内容依新的情景改变。对这空框架的细节加工修改和补充，形成对新情景的认识，又记忆于人脑中,高级人工智能,41,框架理论将框架视作知识单位将一组相关框架联结起来，形成框架系统。系统中不同的框架可以有共同节点。系统的行为由系统内框架的变化来实现推理过程由框架间的协调来完成。适合表达结构性的知识概念、对象、行为、动作、情景,高级人工智能,42,框架结构,由若干个节点和关系（槽，Slot）构成的网络。其一般形式 | | | | ,高级人工智能,43,框架结构,是语义网络的一般化、形式化的一种结构。表示某一类情景的结构化的一种数据结构。最高层是固定的一类事物。基于概念的抽象程度表现出自上而下的分层结构。框架由框架名和一些槽组成每个槽有一些值，槽值可以是逻辑的、数字的、字符的。槽值可以是程序、条件、默认值、或一个子框架一个槽也可以有若干个侧面（Facet）一个侧面可以有若干个侧面值,高级人工智能,44,框架名：类属：工作：范围： 缺省：性别：（男，女）学历：（专科，本科，研究生）类型：（ ， ，）,高级人工智能,45,框架名：类属：学位：（学士，硕士，博士）专业：职称：（助教，讲师，副教授，教授）外语：语种：范围：（英，法，日，俄，德，） 缺省：英 水平：范围：（优，良，中，差） 缺省：良,高级人工智能,46,框架名：类属：姓名：黎明性别：男年龄：30职称：讲师学位：博士专业：计算机应用部门：计算机应用技术研究所工资：,高级人工智能,47,基于框架的推理,性质继承。property inheritance子框架可以拥有其父框架的槽及其槽值继承操作：匹配、搜索、填槽匹配问题框架同知识库中的框架的模式匹配问题框架：求解某个问题时，把问题用一个框架表示出来，然后与知识库中的已有框架进行匹配。成功即可获得信息搜索沿着框架间的纵向和横向联系，在框架网络中进行查找,高级人工智能,48,例,问题框架框架名：姓名：黎明性别：男年龄：30职称：讲师专业：计算机应用部门：计算机应用技术研究所外语水平：搜索，继承,高级人工智能,49,知识表示的实现,面向对象实现方式核心概念：对象、类对象：泛指一切事物类：一类对象的抽象模型对象是其所属类的实例类将其对象所具有的共同特征和操作组织在一起类中的数据和操作对外是隐蔽的类是被封装的。通过消息传递间接访问。结构化、模块化，性质继承大型知识库的开发与维护,高级人工智能,50,XML语义网：研究热点关于信息的语义。知识WebeXtensible Markup Language 特性可扩展性。让使用者创建和使用他们自己的标记灵活性。提供一种结构化的数据表示方式，使得用户界面分离于结构化数据 自描述性。包含文档类型声明，因而文档是自描述的 简明性,高级人工智能,51,Del 笔记本电脑D600 1.4 512 40 14000 ,高级人工智能,52,知识表示的关系模式,关系数据库理论与技术。关系模式关系数据库的普遍性网络技术、信息系统、数据累积。C/S结构、B/S结构决策支持、专家系统、知识管理数据挖掘与知识发现数据库能力：存储、处理、维护、检索数据同样也是知识处理所需要的数据库知识库,高级人工智能,53,关系模式下的知识处理,多层结构：C/K客户端/知识库服务器B/A/K浏览器/应用服务器/知识服务器考虑关系知识库的设计,高级人工智能,54,逻辑表示法的关系模式,记录相应事实谓词：设计成关系（表）每个谓词定义一个表谓词名为表名谓词的变元个数为字段个数每个谓词事实对应一个记录,高级人工智能,55,语义网络表示法的关系模式,语义网络基本元素：三元组（node1, link, node2)设计表的结构如下：CREATE TABLE semantic_net ( link_name char(8), node1 char(8) node2 char(8)所有数据存储在一个表中,高级人工智能,56,框架表示法的关系模式,框架表示法：结构化框架名 槽名 侧面名 侧面值表结构设计：Frame(frame_name, slot_name, facet_name, value)所有数据存储在一个表中,高级人工智能,57,产生式系统的关系模式,产生式系统知识库：事实与规则事实的关系模式表示：类似于逻辑表示法规则的关系模式表示：前提与结论的对应关系，多个表建立联系推理：搜索、查询、匹配关系数据库的强项,高级人工智能,58,例,规则R1：如果体温高于39度，则发高烧R2：如果收缩压大于160，则为高血压R3：如果不爱吃饭，且不爱吃肉，则为厌食症R4：如果不爱吃肉，且转氨酶阳性，则为乙肝R5：如果头痛，且痰多，且高烧，则为感冒初始事实头痛痰多体温高于39度,高级人工智能,59,建立动态数据库：GDB(fact char(12) 规则库：两个表承载。表1：rule_left 规则的条件。两个字段。rid，规则编号。fact，规则的前提。一条规则可有多个前提结构为： rule_left(rid int, fact char(12)表2：rule_right 规则的结论。两个字段。rid，规则编号。conclusuon，规则结论。每条规则一个结论表结构： rule_right(rid int, conclusion char(12),高级人工智能,60,高级人工智能,61,产生式系统关系模式的推理,利用DBMS的匹配、搜索、查询、集合运算能力建立视图，利用视图查询视图 V1：每条规则的条件个数CREATE VIEW v1(rid, fact_num) ASSELECT rid, COUNT(rid) FROM rule_leftGROUP BY rid视图 V2：每条规则的条件中，条件为真的个数CREATE VIEW v2(rid, match_num) ASSELECT rid, COUNT(rid) FROM rule_left, gdbWHERE rule_left.fact = gdb.factGROUP BY rid,高级人工智能,62,产生式系统关系模式的推理,视图 V3：条件个数等于条件为真的个数，则规则满足，结论成立CREATE VIEW v3(conclusion) AS SELECT conclusion FROM v1, v2, rule_right WHERE v1.rid=v2.rid AND v1.fact_num = v2.match_num AND v1.rid = rule_right.rid查询推理：集合运算。推理算法的一个循环。SELECT conclusion FROM v3结果：基于当前GDB内容，可以一步推出的所有结论,高级人工智能,63,推理出的结果 v3.conclusion 中的新的结论SELECT conclusion FROM v3WHERE conclusion NOT IN(SELECT fact FROM gdb)将新的结论添加到GDBINSERT INTO gdbSELECT conclusion FROM v3WHERE conclusion NOT IN(SELECT fact FROM gdb),高级人工智能,64,算法,高级人工智能,65,产生式系统关系模式的可信度推理,动态数据库。含事实可信度 fcfGDB(fact char(12), cf real) 规则库：两个表承载。表1：rule_left 规则的条件。两个字段。rid，规则编号。fact，规则的前提。一条规则可有多个前提结构为： rule_left(rid int, fact char(12)表2：rule_right 规则的结论。含规则可信度 rcf3字段。rid，规则编号。conclusuon，规则结论。rcf，规则可信度每条规则一个结论表结构： rule_right(rid int, conclusion char(12), rcf real),高级人工智能,66,产生式系统关系模式的推理,建立视图，利用视图查询视图 V1：每条规则的条件个数。CREATE VIEW v1(rid, fact_num) ASSELECT rid, COUNT(rid) FROM rule_leftGROUP BY rid视图 V2：每条规则的条件中，条件为真的个数，以及最小可信度CREATE VIEW v2(rid, match_num, cf) ASSELECT rid, COUNT(rid), MIN(fcf) FROM rule_left, gdbWHERE rule_left.fact = gdb.factGROUP BY rid,高级人工智能,67,产生式系统关系模式的推理,视图 V3：条件个数等于条件为真的个数，则规则满足，结论成立，且其可信度为规则可信度与前提可信度之积CREATE VIEW v3(conclusion, cf) AS SELECT rule_right.conclusion, v2.cf * rule_right.rcf FROM v1, v2, rule_right WHERE v1.rid=v2.rid AND v1.fact_num = v2.match_num AND v1.rid = rule_right.rid查询推理：集合运算。推理算法的一个循环。SELECT conclusion, cf FROM v3结果：基于当前GDB内容，可以一步推出的所有结论,高级人工智能,68,在多个规则支持一个结论情况，需要特殊考虑。特点集合运算，推出所有满足的结论无需进行“冲突消解”知识库与推理机分开。便于维护知识库容易共享方便与信息系统集成，建立决策支持系统。,高级人工智能,69,多个规则支持同一结论,动态数据库。增加标识字段fid，自动增1。GDB(fid int, fact char(12), cf real)增加GDB的附加表fact_rules，标识每个事实得自于哪些规则。0表示原始事实Fact_rules(fid int, rid int) 1 0 2 0 3 3 3 5表示事实1和事实2是初始事实，事实3得自规则3和规则5,高级人工智能,70,多个规则支持同一结论,视图 V3：增加字段rid，表示本次推理所用的规则号。CREATE VIEW v3(rid, conclusion, cf) AS将结论添加到GDB的条件：得到的结论是新的得到的结论已在GDB，但fact_rules中fid对应的rid不是本次推理所用规则,高级人工智能,71,新结论添加操作：GDB新增记录：fid自动增1，fact=v3.conclusion, cf=v3.cffact_rules新增记录：fid=GDB.fid, rid=v3.rid已有结论添加操作：更新GDB中的记录（前提：fact与conclusion匹配）：cf=v3.cf + gdb.cf - v3.cf * gdb.cffact_rules新增记录：fid=GDB.fid, rid=v3.rid,高级人工智能,72,习题：设计一个产生式系统，实现可信度不确定性推理。采用关系模式表达事实与知识。1、设计表结构gdb, fact_rules, rule_left, rule_right2、设计视图，包括可信度计算3、SQL语句：用于判断、Insert、Update。包括结论可信度的合成,高级人工智能,73,小结,本章讨论知识表示的各种方法。知识工程四大内容之一知识表示、知识推理、只是获取、知识应用是学习人工智能其他内容的基础。 知识表达模型（逻辑）、模式（实现）谓词逻辑法采用谓词合适公式和一阶谓词演算把要解决的问题变为一个有待证明的问题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明这个新语句也是正确的。谓词逻辑是一种形式语言，能够把数学中的逻辑论证符号化。谓词逻辑法常与其它表示方法混合使用，灵活方便，可以表示比较复杂的问题。,高级人工智能,74,语义网络一种结构化表示方法，它由节点和弧组成。节点用于表示物体、概念和状态，弧线用于表示节点间的关系。语义网络的解答是一个经过推理和匹配而得到的具有明确结果的新的语义网络。语义网络可用于表示多元关系，扩展后可以表示更复杂的问题。 框架一种结构化表示方法。框架通常由指定事物各个方面的槽组成，每个槽拥有若干个侧面，而每个侧面又可拥有若干个值。多个框架联成一个框架系统。框架表示已获广泛应用，然而并非所有问题都可以用框架表示。,高级人工智能,75,产生式系统Production是美国数学家 E. Post提出的一种计算模型。模型中的每一条规则被称为一个产生式。一般形式是 前件后件，前件即前提，后件是结论或动作。产生式与逻辑蕴涵式相似，但不相等。产生式包括逻辑蕴涵式，此外还有各种操作、规则、变换、算子、函数等。产生式是广泛使用的一种知识表达模型。知识表达模型的实现。面向对象、XML、关系模式其它,