人工智能8 專家系統2 人工智能課程 中國海洋大學

第五章專家系統的解釋機制

本章學習目的：

1.掌握ES解釋機制的功能、作用；2.掌握ES解釋機制的實現原理及常用方法。

主要內容包括：

1.專家系統解釋機制的基本概念；2.專家系統解釋機制實現中常用的方法；3.專家系統解釋機制的實現。5.1專家系統解釋機制的基本概念1.ES解釋的定義

?ES的解釋功能是ES區別于傳統程序系統的主要特征之一。

?ES的解釋主要定義為：一種合理性說明，在系統KB調試、ES測試及運行過程中，對問題求解、知識應用狀況等作靜態與動態的合理性說明，以解決ES求解的可理解性、透明性及可信賴性。2.ES解釋機制的作用

根據定義，其將在四個方面起作用：

?ES生成中對KB的調試；?ES原型測試；?用戶使用中的運行解釋；?起某種程度上的“教師”作用。

(1)作用1：ES生成中對KB的調試，該作用主要涉及

?檢索知識庫中已有內容；?跟蹤系統運行；?提供出錯信息。

(2)作用2：進行ES原理測試的輔助記錄與顯示

?記錄、顯示KB中知識的使用情況；?記錄、顯示上下文中各種參數、中間結果的演變。

(3)作用3：用戶使用中的運行解釋

?解釋問題求解的過程（策略）；?解釋知識在推理過程中的應用情況；?解釋推理過程和結論的合理性。

(4)作用4：起“教師”的作用3.專家系統解釋機制的解釋類型

ES的解釋機制有以下幾種類型：

(1)動態

?Why解釋：說明系統或某一求解動作為什么要這樣做。?How解釋：說明系統或某一求解動作是怎樣達到當前目標的。?What解釋：說明系統當前正在做什么。

(2)靜態

?系統求解范圍解釋：

說明系統求解的邊界及出錯信息。

?知識內容的解釋：說明KB中知識形式、內容應用等信息。?求解策略的解釋:對問題求解范圍內的問題求解給出一個靜態的說明。4.解釋機制實現應考慮的問題

我們在設計ES解釋機制的時候，應考慮以下幾方面的問題：

(1)建立適當的人機接口。(2)建立對應于由推理機生成的推理路徑，動態解釋類型與所選取的靜態解釋內容間的關聯，并記錄相應的推理路徑及信息。(3)建立易于用戶接受的解釋信息的表達方式，即解釋的敘述問題便于用戶理解、接受。

(4)建立并組織好所有的靜態解釋信息，它是實現動態運行過程解釋的前提。解釋信息可以是：?直接由表層知識，如KB中規則的描述規定；?對應于規則的對其的深層描述；?直接的深層知識（含因果、屬性、聯系等）。5.解釋機制的一般體系結構或實現用戶人機界面解釋信息的表達、敘述控制推理路徑及動態信息對應于KB及問題求解組織機構的解釋空間構造上下文推理機5.2專家系統解釋機制實現的常用方法

專家系統常用的解釋方法包括：

?唱片/預制文本解釋法?追蹤解釋法?策略解釋法?自動程序員法1.唱片/預制文本解釋法

(1)方法的基本思想

這是一種最簡單也是最早的解釋方法，通過預先估計所有可解的問題，將每個問題的解釋語句存入系統中，這些被存入的語句可隨時調出和顯示。

當用戶使用ES時，“放”出來的唱片句子用來幫助用戶：

?回答系統正在做什么；

?跟蹤系統運行；

?顯示出錯信息。

(2)唱片程序（句子）與解釋空間的關聯問題

?問題求解策略的每一個步驟：一段唱片程序；?問題求解的每個動作：一段唱片程序，說明系統正在做什么，通過顯示以說明或提前說明一個動作部分要做的具體工作：—系統調用了哪些函數；—函數的各種參數；—所作的假設；—所運用的推理方式。?結合已有上下文內容的狀態變量（對應于唱片程序的不同片段）設置。

(3)唱片解釋法的特點與不足

?唱片解釋法主要用于回答系統正在做什么；?方法簡單明了；?但知識工程師要事先估計所有可解的問題，并對每一問題提供解答；?唱片程序是預制的，運用過程不是生成的，而是“放出”的；?唱片和知識庫相互獨立修改，不便于維護；?不具備解釋的智能性。2.追蹤解釋法

(1)基本思想

通過重新顯示系統問題求解過程的推理路徑和通過重新顯示系統問題求解過程中知識庫中知識的使用情況，來解釋系統是怎樣求解問題直至得出結論的。?這種方法從系統運行的角度來說明系統的動作；?解釋基于系統運行中所產生的動態信息，而唱片法則是基于預制唱片的靜態信息。

(2)設計追蹤法應解決的關鍵問題

Ⅰ.解釋中基本操作的確定：

?基本操作是解釋的基本層次；

?在這一層次上系統的求解行為將得到具體解釋；

?在基于不同知識表示模式的ES中，基本操作建議為知識表示中最基本的、獨立的數據單元，為框架系統中的框架，產生式系統中的規則。

Ⅱ.對應于基本操作（或所選定的解釋層次）的動態信息紀錄程序：

?用于記錄系統問題求解過程中選定層次上的行為，這些行為包括：—各中間狀態下知識的匹配情況；

—各狀態的轉化情況；

?紀錄結果用于系統行為的跟蹤。

Ⅲ.設計一個與系統控制結構相對應的/相反的解釋控制結構：

?控制對記錄信息結果的行為理解；?對于“How”解釋，采用“自頂向下”的動態信息樹（推理路徑)的搜索；?對于“Why”解釋，采用動態信息樹（推理路經及動態信息）的搜索；

Ⅳ.設計一個接口程序：

根據記錄內容和解釋控制結構把跟蹤結果翻譯成用戶能理解的解釋語句。

(3)追蹤解釋法特點

?解釋基于動態信息；?解釋過程簡單；?同唱片法相比，能保證問題求解過程與解釋代碼的一致性；?但把記錄內容翻譯成用戶易理解的解釋難以做到，甚至做不到，原因在于：—程序代碼（動態信息）與用戶領域專用術語間的區別，自然語言接口難以實現；—只能偏重“How”解釋，而不能過多過深地進行動作合理化的“Why”解釋。3.策略解釋法

(1)基本思想

?對應于兩級ES結構的ES解釋機制；?問題的求解策略由元知識定義；?對元知識庫的推理構造了求解任務序列；?所有解釋基于元推理產生；?具體求解操作由領域ES完成。

(2)策略解釋法實現中應注意的關鍵問題

?其借用追蹤法的基本思想，所以應在元級、領域級注意前后問題；?建立元級、領域級解釋間的關聯。(3)策略解釋法的特點

?具備追蹤法的特點；?解釋層次抽象度高，解釋起點高；?但問題求解策略知識必須能顯示抽象出來。4.自動程序員方法

前面幾種方法，對“Why”解釋的支持性很弱，因為“Why”解釋涉及到解釋行為的合理性問題，而合理性解釋相關于問題求解表層知識之外的深層知識，自動程序員方法是為解決這一問題而提出的。

(1)基本思想

?利用一個自動程序員（程序生成器）來產生ES;?當程序生成器從抽象目標利用領域知識求精產生具體的執行程序時，其保留求精過程的推理軌跡；?這種推理軌跡并不是執行程序用于問題求解所必需的知識，它是用于論證系統動作的合理性。

(2)自動程序員法的結構?ES生成器：產生待求任務的執行程序（其含ES的主要功能）；?其中“領域模型”和“領域原則”是領域專門知識，為生成器產生執行程序提供知識；

ES生成器領域模型領域原則英語產生器用戶求精結構ES

?求精機構：是生成器產生執行程序過程中所留下的軌跡，它含有產生過程中間軌跡和最終的軌跡程序；?領域模型：是問題領域的描述性事實，包括實體間的因果關系、分類層次等；

?領域原則：

—是領域的問題求解方法和啟發式過程，是關于問題求解的過程性知識。—它告訴生成器具體工作的做法；—一條領域原則可看作一種抽象的過程模式；—利用領域模型中的事實填充這種抽象過程可產生具體的過程和操作；

領域模型領域原則生成執行程序

?英語產生器：利用“求精結構”，“領域模型”、“領域原則”構造解釋語句，在不同層次上回答“Why”。

(3)特點?能給出“Why解釋”的合理性解釋，克服因深層知識的缺陷而導致的“Why”解釋的薄弱；?但自動求精過程不易實現；?自動程序生成是難點；?利用這種解釋方法來構造英語解釋語句存在障礙。第六章專家系統的知識獲取

本章學習目的：

1.了解ES知識獲取的手段、方法、過程等；2.了解機器學習的方法、途徑及其在ES知識獲取中的地位、作用及應用；3.了解知識獲取輔助工具的原理、結構及建立方法。

本章主要講述以下內容：

1.知識獲取的一般性問題；2.知識/學習文本的生成：從知識源確定到概念化；3.知識的形式化過程；4.知識庫的建立；5.知識庫的調試與維護。6.1知識獲取的一般性問題

ES用于領域問題求解必須依賴于其知識庫的容量、質量，而知識獲取就在于建筑出上述要求的知識庫。1.知識獲取的概念

?指從人類專家處獲取領域知識，并將其轉化成知識庫的過程；?知識獲取是ES建造的關鍵環節，亦是建造ES的“瓶頸”；?知識工程師在知識獲取過程中協調領域專家進行領域知識的形式化，并在知識獲取中起關鍵作用。2.知識獲取的過程

知識獲取一般經歷以下五個階段：

?知識源的確定?概念化階段文本形成；

?形式化階段；

?知識庫建立階段；

?知識庫測試、精煉與維護階段。

(1)知識源的確定

?首先由知識工程師根據待解領域問題選擇一個（組）專家；?請教這些專家并學習領域有關的概念、問題等；?制定（與專家一起）系統的設計目標；?確定ES所需的知識源，如：—專家過去的問題求解實例；—教科書中的知識；—隱含在專家大腦中的問題求解經驗；

(2)知識文本形成或概念化階段針對各種知識源，與專家配合，確定系統目標內的主要概念、關系等的描述。

?確定數據類型——知識類型；?分析系統預定的輸入輸出；?系統目標的分解（子問題的劃分）；?每個子目標的約束；?領域問題的求解策略；?可使用的局部假設；?問題領域中各實體的相關性；?問題領域中各實體間的因果關系；?問題領域中各實體間的層次、網狀結構等；?形成知識文本（以自然跟蹤、圖形表示的上述內容）；?當采用機器學習自動獲取知識時，形成學習文本。

(3)形式化階段

?選擇合適的知識表示模式（數據結構）把概念化階段得出的知識文本表示出來；?或利用學習文本，調出相應的機器學習算法，形成相應的合適的知識表示模式。

(4)知識庫建立階段

?利用知識庫編輯機制把由知識文本轉化而來的形式化知識輸入，以建立知識庫；?或利用形式化知識自動錄入機制，把經機器學習生成的知識輸入到知識庫中；

(5)知識庫的測試、精煉、維護階段

?檢查、測試知識庫的推理路徑可達性（用實例）；?消除知識冗余——精煉；?消除知識的二義性——精煉；?對新增加知識的測試、精煉——維護。領域問題學習文本形式化知識知識庫(2)自動型知識獲取(3)混合型知識獲取結合兩種模型的知識獲取。3.知識獲取的類型從上述知識獲取的過程，我們可得出知識獲取的幾種類型：

(1)交互式知識獲取領域問題知識文本形式化知識知識庫環境知識庫編輯知識庫推理機交互式系統知識獲取環境學習元知識庫性能元學習系統知識獲取4.關于知識獲取的交互系統與學習系統的一般結構6.2常用的機器學習方法

如前所述，利用“學習元”可將“學習文本”自動地轉換成“形式化知識”。“學習元”的構造取決于：—各種不同的學習算法；—學習策略；—知識表示方法；—應用領域；學習元的構造需使用“機器學習”技術。1.基本概念

所謂機器學習，就是要使計算機能夠模擬人的學習行為，自動地通過學習獲取知識和技能，不斷改善技能，實現自我完善。2.機器學習的分類

目前常用的分類方法：

機械式學習指導式學習示例學習類比學習解釋學習基于演繹的學習基于歸納的學習歸納學習分析學習連接學習遺傳算法(1)按學習方法分類(2)按推理方式分類(3)按綜合屬性分類3.機械學習（RoteLearning）

(1)基本概念

這是一種最簡單、最原始的學習方法，它通過記憶和評價外部環境所提供的信息達到學習的目的，學習系統（學習元）要做的工作是把經過評價取得的信息存儲到知識庫，求解問題時就從知識庫中檢索出相應的知識直接用來求解問題。?機械學習就是記憶；?學習元所做的工作僅僅是存儲新的知識；?需要時檢索出來即可。

例如：某個計算的輸入是：(x1,x2,……,xn)，計算后輸出是：(y1,y2,……,yn),

如果經評價后得知該結果正確，則把聯想對:[(x1,x2,……,xn),(y1,y2,……,yn)]存入知識庫，當以后需要做同樣的計算時，只要從知識庫中檢索出來即可，而不需要重新計算了。

(2)利弊

機械式學習實質上是用存儲空間來換取處理時間，雖然節省了計算時間，但卻多占了存儲空間。當因學習而積累的知識逐漸增多時，占用的空間就會越來越大，檢索的效率也就隨之下降。

2.歸納學習（LearningbyInduction)

歸納學習是應用歸納推理進行學習的一類學習方法，按其有無教師指導可分為示例學習和觀察與發現學習。

?環境提供的信息是關于實際例子的輸入與輸出描述；?輸入數據、輸出結果規定了一個特殊的知識原則(特殊知識);?學習元從這些特殊知識中假設和歸納出一般性知識。

(1)歸納推理

歸納是指從個別到一般，從部分到整體的一類推論行為。歸納推理是應用歸納方法進行的推理。常用的歸納推理方法有：

枚舉歸納聯想歸納類比歸納Ⅰ.枚舉歸納設a1,a2,

…是某類事物A中的具體事物，若已知a1,a2,

…,an

都有屬性P,并且沒有發生反例，當n足夠大時，就可得出“A中所有事物都有屬性P”的結論。這是一種從個別事例歸納出一般性知識的方法，“A中所有事物都有屬性P”

是通過歸納得到的新知識。

例如：設有如下已知事例：張三是足球運動員，他的體格健壯。李四是足球運動員，他的體格健壯。……趙十是足球運動員，他的體格健壯。

當事例足夠多時，就可歸納出一個一般性知識：

凡是足球運動員，他的體格一定健壯。

考慮到可能會出現反例，可給這條知識增加一個可信度：凡是足球運動員，他的體格一定健壯（0.95）。Ⅱ.聯想歸納

若已知兩個事物a與b有n個屬性相同或相似，即：

a具有屬性P1，b也有屬性P1

a具有屬性P2，b也有屬性P2

。。。

a具有屬性Pn，b也有屬性Pn

并且還發現，a具有屬性Pn+1，則當n足夠大時，可歸納出：

b也有屬性Pn+1

這一新知識。

例如：通過觀察發現，兩個孿生兄弟都有相同的身高、體重、相貌，都喜歡唱歌、跳舞，且喜歡吃相同的食物，而且發現其中一人喜歡畫山水畫，雖然我們沒有看到另一個也喜歡畫山水畫，但我們很容易聯想到另一個“也喜歡畫山水畫”，這就是聯想歸納。

由于聯想歸納是一種主觀不充分置信推理，因而經歸納得出的結論可能會有錯誤。

(2)示例學習（LearningbyExamples）示例學習是通過從環境中取得若干與某概念有關的例子，經歸納得出一般性概念的一種學習方法。

在這種學習方法中，外部環境（教師）提供的是一組例子（正例和反例），這些例子實際上是一組特殊的知識，每一個例子表達了僅適用于該例子的知識，示例學習就是要從這些特殊知識中歸納出適合于更大范圍的一般性知識。

例如：我們用一批動物作為示例，并且告訴學習系統哪一個動物是“馬”，哪一個動物不是，當示例足夠多時，學習系統就能概括出關于“馬”的概念模型，使自己能識別“馬”。這一學習過程就是示例學習。

Ⅰ.示例學習的學習模型

其學習過程是：首先從示例空間（環境）中選擇合適的訓練示例，然后經過解釋歸納出一般性的知識，最后再從示例空間中選擇更多的示例對它進行驗證，直到得到可實用的知識為止。

Ⅱ.常用的歸納算法——

強化/弱化算法：—用于歸納產生式規則：學習元的輸出為規則；—強化指使規則前提取值范圍加大：擴大范圍；—弱化指使規則前提取值范圍變小：縮小范圍；

驗證示例空間搜索解釋形成知識知識庫找一個規則模式用實例匹配判斷規則前提范圍大？弱化前提強化前提獲取一般性規則Stop判斷規則前提范圍小？YYNN3.類比學習（LearningbyAnalogy）?指在幾個對象（實體）間檢測相似性；?根據一方對象（實體）所具有的事實和知識，推出相似對象所具有的事實與知識；?環境提供相關領域知識（與當前所學習的問題間有相似性）;?學習元找出相似性并得出相似準則/知識。

(1)類比推理類比學習的基礎是類比推理。

所謂類比推理是指：

由新情況與記憶中的已知情況在某些方面相似，從而推出它們在其它方面也相似。

類比推理是在兩個相似域之間進行的：

?一個是已經認識的域，它包括過去曾經解決過且與當前待解決問題類似的問題以及相關知識，稱為源域，記做S；

?另一個是當前尚未完全認識的域，它是遇到的新問題，稱為目標域，記做T；

類比推理的目的是：從S中選出與當前問題最近似的問題及其求解方法來求解當前問題，或者建立起目標域中已有命題間的聯系，形成新知識。

(2)屬性類比學習

屬性類比學習是根據兩個相似事物的屬性實現類比學習的。

我們以1979年溫斯頓開發的一個系統為例進行說明。在該系統中：

?原域和目標域都是用框架表示的，分別稱為源框架和目標框架；

?框架的槽用于表示事物的屬性；

其學習的過程是把源框架中的某些槽值傳遞到目標框架的相應槽中去。傳遞分兩步進行：

Ⅰ.從源框架中選擇若干槽作為候選槽選擇方法是相繼使用如下啟發式規則：

?選擇那些具有極端槽值的槽作為候選槽；?選擇那些已經被確認為“重要槽”的槽作為候選槽；?選擇那些與源框架相似的框架中不具有的槽作為候選槽。如，S為源框架，S’是任一與S相似的框架，如果在S中有某些槽，但S’中不具有這些槽，則就選擇這些槽作為候選槽；?選擇那些相似框架中不具有這種槽值的槽作為候選槽。如，S為源框架，S’是任一與S相似的框架，如果在S中有某槽，其槽值為a，而S’中雖有這個槽，但其槽值不是a，則這個槽可被選為候選槽；?把源框架中所有槽都作為候選槽。當用上述啟發式規則都無法確定候選槽，或所確定的候選槽不夠用時，可把源框架中所有的槽都作為候選槽，供下一步進行篩選。

Ⅱ.根據目標框架對候選槽進行篩選篩選按以下啟發式規則進行：

?選擇那些在目標框架中還未填值的槽；?選擇那些在目標框架中為典型事例的槽；?選擇那些與目標框架有密切關系的槽，或者與目標框架的槽類似的槽；

通過上述篩選，一般都可得到一組槽值，分別把它們填入到目標框架的相應槽中，即實現了源框架中某些槽值向目標框架的傳遞。

(3)轉換類比學習（略）6.3知識/學習文本的生成

知識/學習文本是構造知識庫的基礎，概念化階段以獲得完整的（基本上的）文本而結束。文本的獲得方法有：

?面談法（Interview)；?模擬法（Simulation）；

?協議分析法（ProtocolAnalysis）；

1.

面談式知識/學習文本的生成

(1)面談式知識文本的生成方法及過程

?知識工程師與專家直接對話；?知識工程師紀錄會話內容；?對詳細的會話記錄進行編輯并定義與領域問題相關的術語、詞匯等，形成初始文本；?對初始文本不斷更新，形成知識的類自然語言表示（如事實、規則、信念、懷疑、假設等）的知識文本。

(2)面談式知識文本的生成過程中應考慮的問題

?如何有效的提問，以解決對專家求解問題過程的了解，提問范圍：—求解什么（What?)；—為什么要這樣做（Why?)；—為何求解（How?)；—求解難點是什么（What?)；?應抓住問題的“要害”，使專家敘述的問題有利于知識文本的生成；?解決怎樣才能很好的把會談記錄轉化為初始文本，即：

—初始字典形成；—初始知識形成；?應考慮下列幾方面問題：

—解決不切題意的敘述、矛盾的敘述問題；—解決專家與知識工程師對專門術語理解的一致性；—對模糊表示的切題理解；—對知識可信度的判斷。?解決好各階段知識工程師與專家間的反饋。(3)面談式知識文本生成的特點

?這是一種最常用的知識獲取（概念化）手段，具有直觀性、易操作性；?但缺乏宏觀上的整體結構；?過程冗長，得出的記錄有時難以分析。2.模擬法知識/學習文本的生成模擬法有靜態和動態兩種形式：

(1)靜態模擬法知識/學習文本的生成過程

?知識工程師提出一組實例：

—1.給出所有的好數據；—2.給出不完備的初始數據；?專家針對該問題（實例）進行求解，并說明求解過程所用的知識與步驟，得到一套資料；?知識工程師總結后，形成文本。

(2)動態模擬法知識/學習文本的生成過程?在專家處理某真實問題時，知識工程師觀察并記錄下其求解步驟與相關知識信息；?分析處理所記錄內容；?形成知識文本。

(3)模擬法知識文本的生成的特點

?無論靜態、動態法皆能將知識獲取集中到所感興趣的場合中；?文本生成依賴于對問題求解的操作過程，因此，知識文本生成有良好的結構性；?所生成的文本知識專業、面窄（針對實例）；?對靜態法：工作壓力、時間壓力不同，可能導致專家在考慮問題中的細節忽略；?對動態法：雖然能了解專家在自然狀態下的工作，但費時、費力。3.協議分析法知識文本的生成

協議分析法實質上是靜態模擬法的深化。

(1)過程

?首先在專家與知識工程師之間達成一個協議；—專家完成：解決問題的處理知識與手段，講述思維活動。—知識工程師：記錄、分析、歸納相應內容。

?專家根據實驗報告、實例求解過程作詳解，強調求解理由及深層知識信息，但也包括過程信息；（模擬法強調求解過程，但也包含詳細信息）。專家實驗報告、案例等知識工程師?知識工程師記錄；?知識工程師分析記錄內容：—把記錄內容據詳解分成細目；—分塊形成結構化形式；—總結出知識模型；—實現從特殊到一般的抽象；

—寫出文本。

(2)特點

?結構化了會談式知識獲取方式；?不僅強調了求解過程的信息，更重要的是強調了求解理由及相關的深層知識；

?但知識工程師從特殊的具體特性到一般概念的抽象不易實現。

6.4知識的形式化及知識庫的建立

知識文本是對領域問題的文字性的敘述或描述，而用適當的數據結構表示它們——“知識表示”是形式化的主要工作。1.用于知識形式化的“知識表示”方法的選擇原則

(1)根據文本所描述的知識類型選擇相應的“知識表示”模式

?深層：描述性知識事實性知識用命題等表示；

?淺層：判斷性知識啟發性知識用產生式表示。?過程性知識：用啟發式算法或其它算法實現。

(2)根據領域問題求解習慣及方便性選擇“知識表示”模式

?對帶有循環或排序性質的問題求解：如工序順序安排等，可采用過程型（算法）知識表示方法；?對診斷問題求解，其帶有因果鏈的搜索，可采用因果網等表示；

?對一般性的工藝設計（如工程決策、機床選擇、設計方案選擇等），可采用“產生式規則+框架”。

應該指出的是：在一般情況下，一個工程ES中混合多種知識表示模式是不可避免的。2.知識形式化文本的建立過程在“知識表示”模式確定后，可將知識/學習文本轉變為形式化的新文本，其建立過程為：

Ⅰ.針對知識文本：

(1)首先按ES未來的組織結構將知識文本劃分為若干塊；(2)對每塊選擇相應的“知識表示模式”（單獨或組合）；(3)按符合知識庫創建的輸入模塊的輸入格式要求寫出每塊的知識；(4)對每塊知識進行樹狀、層次式、圖狀重排；總之，生成形式化后的、符合KB輸入模塊的輸入數據格式要求的新文本。

Ⅱ.針對學習文本主要是根據學習算法模塊的輸入數據格式要求，把學習文本映射成相應的新文本（過程類同于上）。3.知識庫的建立一旦知識的形式化過程完成，則可用三種模式實現KB的建立。

?通過KB編輯模塊；

?通過學習算法模塊；

?通過知識庫管理系統（KBMS）。

(1)利用KB編輯模塊建立KB

Ⅰ.

流程：形式化新文本KB編輯模塊組織結構

Ⅱ.

KB編輯模塊的構造及組成：

?規定一致于形式化文本表示模式的輸入格式；?規定一致于形式化文本組織知識塊的結構的錄入控制機制；?錄入知識的語法、句法檢驗；

?錄入或已入庫知識的進一步編輯、插入、刪除、修改、顯示等。

Ⅲ.該方法的特點：?形式化文本、KB編輯器、KB三者在數據格式、組織形式、知識表示模式方面密切相關、不能相互獨立；

?

KB編輯器屬專用的文本處理器；

?編程實現方便；

?系統在邏輯及具體實現上易行、方便。

Ⅳ.目前一種新的智能KB編輯器的框架：

知識文本用戶接口自然語言理解知識入庫控制知識管理模塊KB

(2)利用學習算法模塊建立KB

Ⅰ.流程這是一種智能化知識自動獲取及建庫模式。

?學習算法模塊：—1.由其輸入格式決定的形式化學習文本，產生出特定數據結構的知識（最一般的為產生式規則）；—2.而學習算法如前所述，為歸納學習中的“強化-弱化算法”。形式化學習文本學習算法模塊知識入庫模塊知識管理模塊KB

?知識入庫控制模塊—1.相關到KB的組織結構；—2.檢查新生成知識的合法性；—3.把學習所得的知識存入KB相應位置。

?知識管理模塊

用于在特定的KB組織結構和知識表示模式的控制下的顯示、修改、刪除、插入及語法、語義檢查。

Ⅱ.特點

?實現KB的自動獲取；?所有模塊密切關聯；

?但本知識獲取方式實現困難，理論支持下降。(3)利用知識庫管理系統創建知識庫

Ⅰ.流程

?類似于DBMS，首先用KBMS定義知識庫模式；—1.KB結構；—2.知識表示模式。

?利用KBMS的庫操作語言錄入形式化文本信息，并根據所定義的庫模式映射出相應的庫文件來。

?對KB的管理由KBMS的庫操作語言（程序）執行。形式化文本KBMSKB

Ⅱ.特點

?知識獲取方式仍為交互式（用知識編輯模塊）；?但KBMS本身與“形式化文本和KB”相分離，而由KBMS定義的KB模式、子模式（知識模式）與它們有關；?KBMS為知識庫建立提供了通用工具；?KBMS實現復雜。

以上用于建立KB的功能模塊也稱知識獲取輔助工具，包括：

?KB編輯模塊;

?學習算法模塊;

?KBMS;4.關于單條知識的合法性檢查

在知識錄入過程中，必須對單條知識進行合法性檢查：?單條知識的語法是否符合具體的知識表示模式的定義；?單條知識的詞法是否符合具體的知識表示模式的定義；?單條知識的語義是否符合具體的知識表示模式的定義；6.5知識庫的調試與精煉、知識求精、維護

知識庫初建后，還必須進行調試、精煉與維護。1.知識庫的調試與精煉

(1)調試與精練的用途

?知識庫調試主要是用推理機測試所有可能推理路徑的可達性；

?知識庫的精煉指：—消除KB中的冗余；—消除知識中的知識二義性；—消除不可達現象。

調試與精煉兩者相輔相成。

(2)知識庫調試中應考慮的問題

?盡可能多的選擇KB能表達的推理目標進行測試；?用于測試的推理機應匹配于KB的組織形式；

?推理機與解釋機制能很好結合并方便地進行錯誤定位。

(3)關于知識庫精煉

Ⅰ.冗余知識的消除：

例如：ifa&bthenc,ifathend,ifb&dthencd為與其它規則無關聯命題，則最后一組規則冗余，可去除。

Ⅱ.二義性消除修改

例如,ifa&bthencifa&bthend

如果要消除，可通過增加前提，去除一個。

Ⅲ.不可達知識去除修改所有可能的推理路徑都不會用到的知識必須去除或修改。

Ⅳ.知識順序的再組織知識存放順序影響到：—推理效率；—沖突消除。因此，有時有必要重新組織知識順序，提高推理效率及方便沖突消除。

Ⅴ.去除矛盾性知識例如：ifa&bthenc,ifa&bthenc應解決。

2.知識求精知識庫中除了可能存在上述的冗余、茅盾等問題外，還可能存在知識不完整的問題，以至在系統運行時產生錯判或漏判的錯誤。

?錯判：指對給定的不應產生某一結論的條件，但系統運行卻得出了這一結論。例如，對一個肝病診斷專家系統來說，把不是肝炎的診斷為肝炎，這就是錯判。

?漏判：指在給定條件下，本來應該推出的結論沒有推出來。例如把肝炎病人診斷為不是肝炎。

?知識求精：為了找出導致錯誤的原因，就需要找出產生這些錯誤的知識，予以改進，以提高知識庫的可靠性，這稱為知識求精。

?知識求精的一般方法：

用一批有已知結論的實例考核知識庫，看有多少實例被知識庫錯判及漏判，然后對知識作適當修正，以提高知識的精度。

知識求精方法與知識的表示方法有密切關系。3.知識庫的維護當調試與精煉完成提供給ES使用后，要對ES進行維護。這些維護包括：

?KB的顯示；

?KB知識增加后再調試與精煉；?KB知識刪除后再調試與精煉；?KB知識修改后再調試與精煉；具體實現方法使用前述過程。

第七章專家系統開發方法學及典型系統評述

前面各章介紹了ES的各組織環節的原理及開發：

?知識表示；?推理技術?解釋機制?問題求解控制策略；?知識獲取等。

但如何將他們“集成”起來，創造出面向專門領域的ES，則是專家系統開發方法學應解決的問題。

本章主要內容涉及ES開發方法學部分內容:1.ES的選題與設計原則；2.研制ES的基本步驟；3.深化ES。

4.此外，我們還要介紹一個典型的專家系統：MYCIN（RULE）；

7.1專家系統開發方法學1.概述經驗表明，ES的開發是一項曠日費時的復雜工作，其具備以下幾方面的特點：

(1)開發ES的特點

Ⅰ.在方法學的成熟性方面

?AI及ES各項基本技術的有效性、適用性無法精確說明；?開發ES在很大程度上憑經驗和直覺工作；?研制ES不存在可共同遵循的一套完整規范化方法；

Ⅱ.在ES的程序開發方面?不同于傳統的基于算法的程序開發；?將知識表示技術、利用知識的推理技術，融于傳統的程序設計過程；?有人認為：ES的程序開發與其說是一門科學，還不如說是一門藝術；

Feigonbaum教授曾說：“設計專家系統的藝術既是程序設計藝術的一部分，又是它的擴展，這就是用表示知識的技術和利用知識進行推理的技術來構造復雜的計算機程序的藝術。”

Ⅲ.在ES的知識方面

?“知識”是開發ES的“瓶頸”，這一點在前面已有介紹；?ES要達到專家求解水平，必須掌握專家求解問題的經驗知識，它們是：大量的、專門的、非結構化的、隱式的、長期積累的；?知識層不良結構，在專家頭腦中無定型形式，KB整理困難；?專門知識建立在經驗基礎上，缺乏嚴謹的理論依據；?知識抽取往往憑某些重復出現的因果聯系或直覺，而專家在描述這些知識時，很難做到準確無誤。

Ⅳ.在ES的發展狀況方面?ES的發展正向復雜化、實用化方面發展，并不斷進入到新應用領域；?ES的開發更多地利用著當前AI技術的新成果；?ES開發更多地利用AI技術與其它技術（如數據庫技術、CAD技術、模式識別技術、數據采集技術及各種接口技術等）的結合。

(2)開發ES的難點

主要定位在知識獲取方面，即：專家的知識與ES所用的表示知識的方法在抽象層次上的不一致性，這種層次包括：

?語義描述；?組織結構；?表達形式。實現這種“不一致”的轉換極為困難。

(3)專家系統開發方法學涉及的主要內容

Ⅰ.對各項ES單元技術的使用方法：

?知識表示；?推理；?解釋。

Ⅱ.集成各項單元技術的方法：問題求解的組織結構與控制策略；

Ⅲ.ES的選題與設計原則；

Ⅳ.研制ES的基本步驟。2.ES的選題與設計原則

(1)ES的選題原則

Ⅰ.

ES的選題原則是：

指出哪種特定的問題比較適合于應用專家系統；

Ⅱ.適合于應用ES的問題須滿足三個先決條件：

?存在一個可以與之合作的DE（DomainExpert），通常，不存在公認專家的領域有二：—1.問題求解已有成熟的方法，領域內一般人員均可處理好；—2.問題求解過于復雜，人類無法較好地解決它們。

?DE是通過啟發式方法求解問題的，即領域含人類未徹底掌握的，不存在成熟算法的場合；?DE的知識能盡量的用語言表達清楚：

—

這樣便于KE整理、形式化知識；—而依賴于感覺、直覺工作的領域，ES求解效果不顯著。

Ⅲ.ES選題的其它應考慮的問題

?問題的范圍應比較狹窄，因為：—1.AI技術受限，無表示知識、利用知識、獲取知識的通用技術；—2.不便于表示大量的、形式多樣的常識性知識。

?問題難度適當，因為：—1.太簡單，失去應用ES的意義；—2.太復雜，使系統難以構造，且處理效率及水平過低。

?針對特定的應用目的及領域：—1.對缺乏高級專門人才的領域，用ES發揮DE級的應用水平；—2.代替人的部分腦力勞動：涉及到大量重復性勞動，如信號數據解釋等。

(2)ES的設計原則

Ⅰ.眾所周知，設計ES的基礎是：領域專家DE；知識工程師KE；大量的知識（經驗、實例等）。這也稱開發ES的三個基本要素。Ⅱ.知識庫與推理機分離

?它是實現或設計ES的基本原則；

?使解釋、可信度傳播等能夠實現。

Ⅲ.盡量使用統一的知識表示方法；

Ⅳ.

推理機盡量簡化，保證解釋等工作量小；

Ⅴ.利用冗余以彌補知識的不完整，不精確；3.研制ES的基本步驟

雖然目前還沒有一種規范化的開發步驟，但近三十年的開發表明，開發一個成功的ES大致要經歷：

準備階段；研究問題；整理知識；建立模型系統；改進與擴充；測試與評價；商品化；

(1)準備階段

當KE與DE打算合作開發ES時，雙方可著手以下準備工作：?雙方共同探討、選擇一種合適的問題；

?初步規劃、制定系統求解問題的范圍；

?一旦雙方確定基本目標，可開始著手知識獲取的前兩步工作。

(2)研究問題：

KE與DE共同探討ES開發的細節：范圍與難度，開發費用、時間、機器等。

Ⅰ.系統求解范圍細化及難度討論

?細化求解范圍；

?確定各子任務求解難度，以得到分配資源的原由；

Ⅱ.合理分配資源、開發費用、時間等?合理的開發資源分配取決于問題求解的難度。一般：

—1.

開發一個難度適中的ES約需5~6人年的工作量；

—2.

開發一個難度較大的ES約需10人年的工作量；

—3.開發一個難度很大的ES約需20人年的工作量；

?一種參考到中等難度的ES的時間分配可為：

時間：2年工作量：6人年人員分配：高級KE：6.5年低級KE：2年人工智能程序員：2年領域專家：3.5年

?合理分配開發ES所用的設備、軟件支持、開發資金等。主流類型小型中型大型規則數量50~350(條)500~3000(條)5000~10000(條)工作量3~6（人年）8~15（人年）20人年以上資金$40,000~60,000$500,000~1000,000$2000,000~5000,000機器微型機、小型機小型機、中型機中型機、大型機預算表

(3)整理知識主要完成知識獲取從“知識源確定”到“知識概念化”到“知識形式化”的三個階段。

(4)建立模型系統

Ⅰ.建立模型系統，從三個方面著手：

ⅰ.完成初級知識庫的建立；

ⅱ.建立一個初級ES的程序系統；

?知識編輯；

?推理機；?解釋機；?簡單界面等。

ⅲ.測試該模型系統，證明技術可行性。

這些工作也可由所選擇的適當的ES開發工具實現。

Ⅱ.模型系統的作用：

?驗證前階段所形成的系統設計方案的正確性；

?提高ES開發者的興趣（指領域專家）。

Ⅲ.實現模型應注意的問題：

?不追求系統盡善盡美，尤其是不追求KB的完美無缺；?保持模型系統的簡單化，以便隨著對系統的修改、對附加功能的修改而增加。

?開發一些簡單的輔助功能（如知識編輯、解釋功能等）；?模型系統的建造是開發ES過程中很重要的一步，它對ES后期的開發有重要影響。

(5)改進與擴充以一種循環工作模式著手下面三方面的工作：

Ⅰ.知識庫的逐步深化

Ⅱ.ES程序功能的擴充—1.推理機；—2.解釋機；—3.控制策略等；—4.輔助功能。

Ⅲ.構造和應用一些測試工具—1.測試實例庫的建立；—2.運行跟蹤等。應指出，對于第二方面的工作，“ES的核心部分（KB、推理機等）程序量”<“輔助模塊”。例如：Schlumbeiger公司開發的石油測井數據解釋專家系統DipmeterAdvisor中：推理機：8%人機接口：40%知識庫：22%支持環境：15%檢驗：15%4.專家系統的評價

ES的開發過程是一個經過長期反饋、逐步進化、完善的過程，對ES的評價（含非正式）實際上貫穿于系統開發的全過程：

(1)ES評價的定義

?檢測所開發的ES在各個層次上的正確性、準確性、實用性；?在評價中獲得各種基于AI的技術指標。

(2)ES評價的內容

對ES的評價內容有多種不同的考慮，概括為：

?評價系統的性能：了解求解水平是否達到DE水準、可否實際應用；

?評價系統的靈活性：看其是否便于修改和擴充知識庫的知識；

?評價系統的透明性：看其解題過程及系統本身是否容易為用戶和系統維護人員所理解；?評價系統的可用性，如評價：—1.系統使用方法是否簡單易行；—2.人機通信手段是否直觀；—3.系統求解問題的效率是否令人滿意；—4.系統能否推廣應用等。?評價系統的效益：—1.系統能否產生經濟效益、社會效益；—2.系統效益與系統造價是否相適應。?評價系統的意義：—1.理論意義：對ES的發展和推廣的貢獻；—2.現實意義：對國民經濟的貢獻。上述六項內容依次形成一個“由低到高”的評價層次結構，一般來說，只有通過較低的評價才能進入較高的評價。

(3)ES評價的原則針對上述各層次的評價內容，ES的評價遵循以下各原則：

Ⅰ.復雜的事物或過程不能用某種單一的指標來評價;

Ⅱ.評價的指標越多，評價的等級越細，構成總體評價的信息就越多；Ⅲ.人們根據各自的興趣產生的評價會有沖突；

Ⅳ.只要準確定義如何評價，評價工作都可根據實驗來進行。

根據以上原則，可為各層次的評價內容設計評價方法與指標。

(4)ES的評價方法

?開發者自評價法；

?同行專家評議法（鑒定會法、調查表法）；

?用戶評價法（實例測試法、調查表法）。

無論哪種方法，都必須：Ⅰ.從低層次到高層次逐次評價；

Ⅱ.設計好相應的評價指標；

Ⅲ.做好對反饋信息的處理；

Ⅳ.借助特定的評估工具（如實例庫、Batch程序）。

(5)評價出的ES級別

Ⅰ.演示原型：

?這類系統能解決應用領域中的一部分問題；

?主要作用是說明系統所采用的AI技術適于該領域；?進一步表明該領域可用ES求解以達到目標。

Ⅱ.研究原型：

?對領域問題的求解較完整，且性能可靠；?但未進行完整的測試與認真的修改，系統行為有些脆弱。

Ⅲ.領域原型：

?已在用戶環境下接受大范圍的測試；?具有足夠的可靠性和良好的性能。

Ⅳ.產品模型：

在用戶環境下，在性能、求解問題的效率、靈活性、透明性等方面都達到比較令人滿意的程度。7.2典型專家系統評述

典型系統的實現對ES技術的發展具有里程碑的作用，這些系統包括：

?MYCIN——（醫學診斷專家系統）?PROSPECTOR——（地質勘探專家系統）?DENDRAL——（化學分析專家系統）?AM——（數學發現專家系統）

本節將從知識表示、推理實現、問題求解組織與控制等方面對MYCIN系統作一介紹。醫學診斷專家系統MYCIN

(1)研究與開發背景

?1972年開始，由Stanford大學開始開發，1974年基本完成，后經多次改進，最終發展成一個著名系統。MYCIN用LISP開發。?其原始工作基于shortliffe的ph.D論文。