知識表示
![](http://upload.wikimedia.org/wikipedia/commons/thumb/6/67/Semantic_Net.svg/330px-Semantic_Net.svg.png)
知識表示(粵拼:zi3 sik1 biu2 si6;英文:knowledge representation,KR)係認知科學同人工智能領域當中一個受關注嘅課題[1][2],指一個認知系統-無論係人類定係人工智能-內部點樣表示有關「周圍世界點運作」嘅資訊,以及點樣用呢啲資訊對事物作出判斷同預測[3][4][5]。
舉個簡單例子說明,想像家陣有一個噉樣嘅神經網絡(neural network):個網絡有兩層,每層有若干粒神經細胞,第一層表示「見到嗰樣物件嘅特徵」,而第二層表示「將件物件分做乜嘢類」,第二層每粒神經細胞會同第一層嘅某啲細胞有連繫,喺某啲特定嘅第一層細胞啟動嗰時會跟住啟動,即係話,攞第 粒第二層細胞:
- ;
- 係第二層細胞 嘅啟動程度,
- 係第 粒第一層細胞嘅啟動程度,
- 係第 粒第一層細胞對第二層細胞 嘅影響力,而 數值可以係 0。
假想第一層細胞每粒代表咗一個特徵,而第二層細胞每粒代表咗一個類別。當個網絡望到外界有一件具有「有毛皮」、「有鬚」同「四隻腳」等特徵嘅物件嗰時,呢啲特徵相應嘅第一層細胞就會啟動,而第二層細胞當中同呢柞細胞有連繫嗰粒-例如代表「貓」嗰粒第二層細胞-就會跟住啟動。噉即係話,呢個網絡曉一接收到某啲特徵,就將件物件歸類做某個相應嘅類別-「貓有毛皮、有鬚、四隻腳」係一個知識,而呢個知識就係用一個神經網絡嘅方式「表示」咗出嚟[6][7]。
對知識表示嘅研究有相當嘅跨學科性:呢個領域會參考神經科學等領域嘅研究,尤其係有關「人腦點做知識表示」嘅研究(已知人腦曉做知識表示,問題係「到底人腦係點做到嘅呢?」),然後人工智能領域嘅研究者就會按呢啲知識,嘗試製作出能夠好似人噉做知識表示嘅電腦系統[8][9]。
神經基礎
[編輯]![](http://upload.wikimedia.org/wikipedia/commons/thumb/9/99/Neural_network_example.svg/langyue-240px-Neural_network_example.svg.png)
細胞
[編輯]神經細胞(neuron)可以帶有同傳遞資訊:一個腦由極大量嘅神經細胞組成,例如一個正常大人嘅腦據估計有成 860 億粒神經細胞咁多[10];一粒神經細胞喺接收到某啲特定嘅刺激嗰陣,會用微弱電流等嘅型式傳訊號,例如視網膜上面嗰一大柞感光細胞喺受光刺激嗰時,會射訊號上個腦嘅視覺皮層(visual cortex)嗰度,而每種感光細胞都淨係會對某啲特定刺激有反應,所以每當個腦收到呢啲訊號嗰陣,就可以判斷對眼望到乜-「射緊訊號嘅得感應藍色光嘅感光細胞,對眼梗係望緊啲藍色嘅嘢喇」。神經編碼(neural coding)係神經科學一個子領域,專門研究解讀神經細胞帶同傳嘅資訊[11][12]。
網絡
[編輯]想像有個由若干粒神經細胞組成嘅神經網絡(neural network)。輸入層(input layer)嗰啲細胞會對某啲外界刺激(例如係光或者聲)有啟動反應,隱藏層(hidden layer)收到輸入層細胞嘅訊號嗰時會啟動,而最後嗰浸輸出層(output layer)收到隱藏層細胞嘅訊號嗰時又會啟動。即係話是但搵粒細胞,佢嘅啟動程度 可以用以下條式計[13]:
- ;
- 係粒細胞第 個輸入嘅數值,
- 係粒細胞第 個輸入對粒細胞 嘅影響力(權重值;weight)。
而家假想輸出層有 5 粒細胞,每粒都有一個門檻值(threshold),如果嗰粒細胞個 超越門檻值,佢嘅數值會變成 1,否則佢嘅數值會變成 0(睇埋數碼訊號),所以喺是但一個時間點,個神經網絡嘅輸出可以用 5 個 1 同 0 嚟表達-「11000」、「10010」、「10101」等分別代表唔同款嘅輸出。如果柞 數值恆定不變,噉輸入同輸出之間會成某啲特定嘅關係,例如每次輸入層數值等如某個數,輸出都會等如「11000」。呢段關係反應咗個神經網絡對輸入同輸出嘅知識[13],假想家陣輸入層有 4 粒細胞,而個網絡柞 經已調整好,令輸入同輸出成以下關係:
輸入 | 輸出 |
---|---|
00 00 | 00000 |
00 01 | 00000 |
01 00 | 00000 |
01 01 | 00001 |
10 01 | 00010 |
10 10 | 00100 |
想像輸入係兩個用二進制表達嘅數,而輸出係一個用二進制表達嘅數,將上述數字變成十進制嘅話:
輸入 | 輸出 |
---|---|
0 0 | 0 |
0 1 | 0 |
1 0 | 0 |
1 1 | 1 |
2 1 | 2 |
2 2 | 4 |
呢個輸入同輸出關係表示,個神經網絡曉計(兩個輸入都喺 2 以內嘅)乘數-係一個將有關乘法嘅知識「表示」咗出嚟嘅網絡。同一道理,假想有個神經網絡,有數以百億計嘅細胞(好似係人腦),佢會識處理好複雜嘅輸入,俾好複雜嘅輸出,而且仲能夠運算好複雜嘅輸入輸出關係[14][15]。睇埋人工神經網絡。
處理過程
[編輯]普遍同複雜
[編輯]- 普遍化(generalization)指一個智能系統對唔同嘅輸入俾同一個輸出:例如家陣有兩個唔同嘅輸入-「一隻身上有七條間條嘅老虎」同「一隻身上有八條間條嘅老虎」,而有一個人感知到;對個人嚟講,喺兩個情況下,最理想嘅輸出都係「識驚、走佬」,而如果有個人類見到前者識走佬,但見到後者唔識嘅話,佢好有可能生存唔到;「普遍」化指緊就係將對一個刺激 嘅知識應用落去第啲同 有啲相似(但唔完全一樣)嘅刺激嗰度-而「概念」喺定義上就係指普遍化所產生嘅知識表示,個人睇咗一柞(隻隻個樣都有啲唔同嘅)老虎之後心靈當中有咗一個「老虎」嘅概念。普遍化嘅能力對於知識系統嚟講好重要[16]。
- 複雜化(orthogonalization)指一個智能系統對唔同嘅輸入俾唔同輸出:假想頭先見親老虎都識走佬嗰個人,佢從來未見過貓(貓一般對人唔危險),跟住有次佢見到貓,因為貓同老虎外形上有某啲相似嘅地方,所以佢見到隻貓就驚同走佬;但打後佢對貓嘅體驗多咗,發覺貓同危險之間並冇正統計相關(貓同危險好少可一齊出現),於是佢就學識「見到老虎要走佬,但見到貓唔使」-先前會引起同一個輸出嘅刺激,變成會引起唔同輸出,呢個過程就係所謂嘅複雜化[16]。普遍化同複雜化之間嘅平衡係有智能行為嘅基礎[16]。
聚類分析
[編輯]![](http://upload.wikimedia.org/wikipedia/commons/thumb/b/b7/SLINK-Gaussian-data.svg/270px-SLINK-Gaussian-data.svg.png)
聚類分析(cluster analysis)係一種常用嚟教智能系統學識做適當知識表示嘅方法[17]。假想而家有若干個個案,每個個案都係兩個變數 同 上有個數值,再用以下個演算法處理吓柞個案嘅數據[18]:
手上有 N 個個案,每個個案俾返個標籤(某個特定嘅「000011100...」規律)佢。
將啲個案冚唪唥攞喺 C 呢個聚類入面。
直至 size(C)(C 入面嘅個案數量) = 1 為止,一路做
將淨低嘅個案逐對逐對睇,計每對個案之間嘅距離(喺 X 同 Y 上差幾遠);
搵出最接近嗰兩個個案,設做 c1 同 c2;
將 c1 同 c2 加入 c3 入面,c3 係一個包含咗 c1 同 c2 在內嘅聚類,
將 c3 加入去 C 入面;
將 c1 同 c2 由 C 嗰度攞走。
如果個數據庫當中有 8 個個案,上述段演算法會俾類似以下噉嘅知識表示[18]:
C =
[[[[case_1, case_8], case_2], case_6], [[[case_3, case_4], case_5], case_7]]
假如柞個案真係有得清楚噉分做兩個聚類嘅話,噉呢個演算法嘅運算過程之中,應該臨尾會出咗兩個 同 ,跟住 同 喺最後嗰步變成一體。聚類分析能夠攞一柞輸入,再俾「將柞個案分做若干類」嘅輸出-所以上述個演算法喺人工智能上可以用嚟模擬人類「睇過一柞物體之後,自動噉喺心目中將柞物體分類」嘅心智過程-由數據嗰度產生「見過嘅物件可以分做邊幾類」嘅知識表示,並且喺下次再撞到個案嗰時,用手上呢個知識表示判斷「呢件物件係乜」[18]。
主成份分析
[編輯]![](http://upload.wikimedia.org/wikipedia/commons/thumb/f/f5/GaussianScatterPCA.svg/270px-GaussianScatterPCA.svg.png)
主成份分析(principal component analysis,PCA)係另一種常用嚟整知識表示嘅分析法。想像而家又係有柞個案,佢哋每個喺兩個變數上都有其數值(睇附圖),跟住可以畫兩條線(附圖嗰兩個箭咀),兩條線分別都可以用一條包含 同 嘅算式表達,當中由圖當中可以清楚睇到,長箭咀嗰條線成功噉捕捉更多嘅變異數(variance)-亦即係話長箭咀嗰條線所代表嗰個「成份」(component)比較能夠用嚟分辨啲個案,所以比較「重要」[19]。
舉個例說明,假想有柞新數據,啲個案係一隻隻動物,而每個個案一係就係隻老鼠,一係就係隻大笨象, 係隻動物嘅大細,而 係隻動物嘅色水;假設柞數據做咗標準化,用同一樣嘅單位表達 同 ,喺呢柞數據入面,沿「色水」嘅變異數好細(個箭咀會好短),因為老鼠同大笨象都係灰灰啡啡噉色嘅動物,但沿「大細」嘅變異數就會大得好交關(個箭咀會好長),因為老鼠同大笨象喺體型上差好遠-用 PCA 嘅話,會得出「用 作為重心線做分辨有用啲」嘅結果- PCA 幫到手由一柞數據嗰度,產生出「邊個成份喺用嚟分辨個案上比較有用」嘅資訊,而個智能系統可以用呢個資訊做一個知識表示,攞個知識嚟對將來撞到嘅個案作出判斷[18]。
喺最簡單嗰種情況下,一個做主成份分析嘅演算法大致上係噉[19]:
- 攞數據;
- 畫條線出嚟,條線有條式,而條式包含數據當中有嘅變數;
- 計出沿呢條線嘅變異數有幾多;
- 改變吓條線嘅參數(parameter);
- 再計出沿條新線嘅變異數有幾多;
- 一路做步驟 4 同 5,做嗮所有指定咗嘅可能性,最後俾具有最大變異數嗰條線做個演算法嘅輸出。
表示模型
[編輯]![](http://upload.wikimedia.org/wikipedia/commons/thumb/3/3d/Net21.jpg/300px-Net21.jpg)
語義網絡
[編輯]語義網絡(semantic network)係知識表示常用嘅一種模型。一個基本嘅語義網絡有以下組成部份:個網絡有若干個節點(node),每個節點代表一個概念,而節點之間會有一啲連繫,兩個概念之間嘅連繫表達佢哋之間嘅關係;語義網絡可以用嚟模擬促發效應(priming effect)-喺是但一個時間點,每個節點都有個數代表佢嘅「啟動程度」(activation level),而一個節點啟動會令佢掕住嘅節點跟住啟動,同佢連繫愈強嘅節點就會掕住啟動得愈勁;而呢點似十足人嘅促發效應-人都係噉,一講起一樣嘢嗰陣傾向諗起啲同嗰樣嘢相關嘅嘢,例如實驗就噉做過,實驗者叫受試者喺聽到個「狼」字嗰陣有咁快得咁快撳個掣,而喺聽「狼」打前聽到(例如)個「狗」字嘅受試者對「狼」嘅反應會變快[20][21]。
語義網絡可以用機械學習方法產生,例如一個人工智能程式接收咗一柞動物嘅影像,用聚類分析將柞影像分做若干個物種,程式內部每個物種俾個名佢,然後再按聚類分析嘅結果(例:「貓同老虎明顯係兩種動物,但兩者彼此之間嘅差距明顯細過佢哋同狼嘅差距,所以貓同老虎都屬貓科」)產生一個語義網絡(例:貓同老虎都各有一條線「屬於」掕去「貓科」嗰度)[22][23]。
貝葉斯知識
[編輯]有認知科學家主張,人同第啲動物嘅心靈係按貝葉斯定理(Bayes' theorem)學習判斷世界嘅系統。假想有兩件事件, 同 , 係 發生嘅機會率, 係 發生嘅機會率,根據貝葉斯定理,(已知 發生咗, 發生嘅機會率)可以用以下呢條式計[24][25]:
舉個例說明,有一個地區,個地區嘅人當中有 0.1% 嘅都有一隻病();而家有個新測試(「測試出陽性反應」係 ),而打前嘅醫學研究顯示,如果個病人真係有嗰隻病,個測試有 90% 機會呈陽性反應(),但就算個病人冇嗰隻病(),個測試都有 9% 嘅機會呈陽性反應(, 大約係 0.1)。家吓有個住喺呢個地區嘅人去做咗個測試,出咗陽性結果,用貝葉斯定理嚟計嘅話,佢真係有嗰種病嘅機會率()大約係 10% (個測試唔多靠得住)[24]。
根據主張貝葉斯腦假說(Bayesian brain hypothesis)嘅認知科學家,一個心靈會透過自己過去嘅經驗,計算一大柞 嘅數值,以此表示自己對「世界係點運作」嘅認識,而呢個知識表示就係所謂嘅「對世界嘅內部模型」(internal model of the world)[24]:想像一個心靈,佢內部會記住若干份經驗(有 同 呢啲資訊),而佢可以按過去嘅經驗計返 -例如係喺一個實驗裏面,研究者定時定候電隻動物,而隻動物冇能力迴避;隻動物記得 10 次俾人電嘅事件(),而喺某幾次事件當中佢有嘗試避開個痛楚(),喺某幾次入面佢冇(),但次次都一樣遭俾人電;佢個腦計咗之後會發現,自己行動咗跟住受痛楚嘅機率()同自己唔行動而受痛楚嘅機率()相約,-即係一個「我作唔作出行動結果都係會受痛楚」嘅知識表示,令佢進入「發現自己好無助」嘅狀態[26]。
第啲模型
[編輯]- 迴歸模型(regression model),表達「若干個連續性變數之間大致成乜關係」嘅知識[27]。
- 人工神經網絡(artificial neural network),一種能夠正確噉由輸入計輸出,但推論方法冇得開口講明嘅知識表示法[28]。
- 決策樹(decision tree),將知識表示成一連串「如果 A 數值等如點點點,噉 B 數值就大概會係點點點」嘅決策[29]。
- 支援向量機(support vector machine),用嚟將物件按若干個變數分類嘅知識[30]。
... 等等。
本體工程
[編輯]![](http://upload.wikimedia.org/wikipedia/commons/thumb/5/58/Wikidata-gun-ontology-2017-05-11.png/300px-Wikidata-gun-ontology-2017-05-11.png)
本體工程(ontology engineering)係電腦科學嘅一個子領域,研究點建造本體(ontology):定義上,一個本體係一柞概念嘅集合,會表明呢啲概念之間嘅啦掕,可以話係語義網絡嘅一種;本體嘅特徵係,佢啲概念要有明確講到出嚟嘅定義(相比之下,語義網絡可以用人工神經網絡等「計到正確答案、但講唔出口」嘅方法整)[31]。例:一個用嚟表示打機相關知識嘅本體噉,會包含「電子遊戲」、「遊戲機」同「遊戲設計」等嘅概念嘅定義,跟住仲會有一柞連結,表明概念之間嘅啦掕,例如「遊戲機」會有條拎(「用嚟玩」)連去「電子遊戲」嗰度,而「遊戲設計」又會有條拎(「做嚟整」)連落「電子遊戲」嗰度-形成一個描述打機相關概念同呢啲概念之間嘅關係嘅本體(所以本體係知識表示嘅一種)[32][33][34]。
本體工程對於製作人工智能嚟講相當有用,最幫到手教電腦做自動推理(automated reasoning)嘅工作-一個程式有咗一個本體,就會有能力答「貓屬於貓科,貓科屬於哺乳類,噉貓係咪屬於哺乳類?」等嘅問題,而答呢類問題嘅能力正正係智能嘅一個重要指標[3][35][36]。
以下呢段係一段用網絡本體語言(Web Ontology Language;一款專用嚟整本體嘅程式語言)表達嘅一個本體,用嚟描述一啲有關意大利薄餅嘅知識[37]:
Namespace(p = <http://example.com/pizzas.owl#>)
Ontology( <http://example.com/pizzas.owl#>
Class(p:Pizza partial
restriction(p:hasBase someValuesFrom(p:PizzaBase)))
DisjointClasses(p:Pizza p:PizzaBase)
Class(p:NonVegetarianPizza complete
intersectionOf(p:Pizza complementOf(p:VegetarianPizza)))
ObjectProperty(p:isIngredientOf Transitive
inverseOf(p:hasIngredient))
)
舉個例子說明,呢段碼 ObjectProperty
嗰行會同個程式指明個本體入面某啲物件嘅特性,呢行指令講咗幾樣嘢:首先,「係某某嘅原料」(isIngredientOf)呢個關係係有遞移性嘅(Transitive)-即係教部電腦,如果 A 係 B 嘅原料而 B 係 C 嘅原料,噉佢可以推斷 A 係 C 嘅原料;呢行指令仲表明咗「係某某嘅原料」係「原料包含咗」(hasIngredient)嘅反轉(inverse)-所以運用呢個本體嘅人工智能程式可以做(例如)「夏威夷薄餅原料包含咗菠蘿,所以菠蘿係夏威夷薄餅嘅原料」嘅推理[37][38]。
本體同相關技術有唔少應用價值,一個簡單嘅例子係攞嚟喺搜尋器嗰度俾建議:當一個用家搜尋某個關鍵字嗰陣,個搜尋器程式可以用一個事先學習(分析咗舊有嘅「啲人耖完呢篇文之後,傾向耖乜文」數據)形成嘅語義網絡,估計個用家跟住最有可能會想搜尋啲乜,然後將最有可能會想搜尋嘅嘢列做「建議」[39][40]。
睇埋
[編輯]文獻
[編輯]- Ronald J. Brachman; What IS-A is and isn't. An Analysis of Taxonomic Links in Semantic Networks; IEEE Computer, 16 (10); October 1983
- Ronald J. Brachman, Hector J. Levesque Knowledge Representation and Reasoning, Morgan Kaufmann, 2004 ISBN 978-1-55860-932-7
- Ronald J. Brachman, Hector J. Levesque (eds) Readings in Knowledge Representation, Morgan Kaufmann, 1985, ISBN 0-934613-01-X
- Chein, M., Mugnier, M.-L. (2009), Graph-based Knowledge Representation: Computational Foundations of Conceptual Graphs, Springer, 2009,ISBN 978-1-84800-285-2.
- Randall Davis, Howard Shrobe, and Peter Szolovits; What Is a Knowledge Representation? AI Magazine, 14(1):17-33,1993
- Ronald Fagin, Joseph Y. Halpern, Yoram Moses, Moshe Y. Vardi Reasoning About Knowledge, MIT Press, 1995, ISBN 0-262-06162-7
- Jean-Luc Hainaut, Jean-Marc Hick, Vincent Englebert, Jean Henrard, Didier Roland: Understanding Implementations of IS-A Relations. ER 1996: 42-57
- Hermann Helbig: Knowledge Representation and the Semantics of Natural Language, Springer, Berlin, Heidelberg, New York 2006
- Frank van Harmelen, Vladimir Lifschitz and Bruce Porter: Handbook of Knowledge Representation 2007.
- Arthur B. Markman: Knowledge Representation Lawrence Erlbaum Associates, 1998
- John F. Sowa: Knowledge Representation: Logical, Philosophical, and Computational Foundations. Brooks/Cole: New York, 2000
- Adrian Walker, Michael McCord, John F. Sowa, and Walter G. Wilson: Knowledge Systems and Prolog, Second Edition, Addison-Wesley, 1990
- Mary-Anne Williams and Hans Rott: "Frontiers in Belief Revision, Kluwer", 2001.
攷
[編輯]- ↑ Brachman, Ron (1985). "Introduction". In Ronald Brachman and Hector J. Levesque (ed.). Readings in Knowledge Representation. Morgan Kaufmann. pp. XVI–XVII.
- ↑ Roger Schank; Robert Abelson (1977). Scripts, Plans, Goals, and Understanding: An Inquiry Into Human Knowledge Structures. Lawrence Erlbaum Associates, Inc.
- ↑ 3.0 3.1 Davis, Randall; Howard Shrobe; Peter Szolovits (Spring 1993). "What Is a Knowledge Representation?". AI Magazine. 14 (1): 17–33.
- ↑ Hoskins, J. C., & Himmelblau, D. M. (1988). Artificial neural network models of knowledge representation in chemical engineering. Computers & Chemical Engineering, 12(9-10), 881-890.
- ↑ John F. Sowa: Knowledge Representation: Logical, Philosophical, and Computational Foundations. Brooks/Cole: New York, 2000.
- ↑ Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in neural information processing systems (pp. 926-934).
- ↑ Duda, Richard O.; Hart, Peter Elliot; Stork, David G. (2001). Pattern classification (2 ed.). Wiley.
- ↑ Omerovic, S., MILUTINOVIC, V., & TOMAZIC, S. (2001). Concepts, Ontologies, and Knowledge Representation.
- ↑ Tickle, A. B., Andrews, R., Golea, M., & Diederich, J. (1998). The truth will come to light: Directions and challenges in extracting the knowledge embedded within trained artificial neural networks. IEEE Transactions on Neural Networks, 9(6), 1057-1068.
- ↑ How many neurons make a human brain? Billions fewer than we thought.
- ↑ Thorpe, S.J. (1990). "Spike arrival times: A highly efficient coding scheme for neural networks". In Eckmiller, R.; Hartmann, G.; Hauske, G. Parallel processing in neural systems and computers. North-Holland. pp. 91–94.
- ↑ Zhang, H.; Chen, G.; Kuang, H.; Tsien, J.Z. (Nov 2013). "Mapping and deciphering neural codes of NMDA receptor-dependent fear memory engrams in the hippocampus". PLOS ONE. 8 (11): e79454.
- ↑ 13.0 13.1 Bishop, Christopher (1995). Neural networks for pattern recognition. Clarendon Press.
- ↑ Boger, Z., & Guterman, H. (1997, October). Knowledge extraction from artificial neural network models. In 1997 IEEE International Conference on Systems, Man, and Cybernetics. Computational Cybernetics and Simulation (Vol. 4, pp. 3030-3035). IEEE.
- ↑ Patterson, K., Nestor, P. J., & Rogers, T. T. (2007). Where do you know what you know? The representation of semantic knowledge in the human brain. Nature Reviews Neuroscience, 8(12), 976.
- ↑ 16.0 16.1 16.2 McMaster, R. B., & Mc Master, R. B. (1991). Conceptual frameworks for geographical knowledge. In Map Generalization: Making Decisions for Knowledge Representation (pp. 21-39). Longman's Inc.
- ↑ Jordan, Michael I.; Bishop, Christopher M. (2004). "Neural Networks". In Allen B. Tucker (ed.). Computer Science Handbook, Second Edition (Section VII: Intelligent Systems). Boca Raton, Florida: Chapman & Hall/CRC Press LLC.
- ↑ 18.0 18.1 18.2 18.3 Knowledge Representation in Neural Networks 互聯網檔案館嘅歸檔,歸檔日期2019年3月2號,. (PDF).
- ↑ 19.0 19.1 Jolliffe, I. T. (1986). Principal Component Analysis. Springer Series in Statistics. Springer-Verlag.
- ↑ Allan M. Collins; Elizabeth F. Loftus (1975). "A spreading-activation theory of semantic processing". Psychological Review. 82 (6): 407–428.
- ↑ Jang, H. Y., & Barnett, G. A. (1994). Cultural differences in organizational communication: A semantic network analysis 1. Bulletin of Sociological Methodology/Bulletin de Méthodologie Sociologique, 44(1), 31-59.
- ↑ Quillian, M. R. (1968). Semantic memory. Semantic information processing, 227–270.
- ↑ Knublauch, Holger; Oberle, Daniel; Tetlow, Phil; Wallace, Evan (2006-03-09). "A Semantic Web Primer for Object-Oriented Software Developers". W3C.
- ↑ 24.0 24.1 24.2 The Bayesian Brain Hypothesis. Towards Data Science.
- ↑ Delalleau, O., Contal, E., Thibodeau-Laufer, E., Ferrari, R. C., Bengio, Y., & Zhang, F. (2012). Beyond skill rating: Advanced matchmaking in ghost recon online. IEEE Transactions on Computational Intelligence and AI in Games, 4(3), 167-177.
- ↑ Lieder, F., Goodman, N. D., & Huys, Q. J. (2013). Learned helplessness and generalization. In Proceedings of the annual meeting of the cognitive science society (Vol. 35, No. 35).
- ↑ Linear Regression with example. Towards Data Science.
- ↑ Gardner, M. W., & Dorling, S. R. (1998). Artificial neural networks (the multilayer perceptron)—a review of applications in the atmospheric sciences. Atmospheric environment, 32(14-15), 2627-2636.
- ↑ Decision Trees in Machine Learning. Towards Data Science.
- ↑ Cortes, Corinna; Vapnik, Vladimir N. (1995). "Support-vector networks". Machine Learning. 20 (3): 273–297.
- ↑ Semantic Networks.
- ↑ Mizoguchi, R., & Ikeda, M. (1998). Towards ontology engineering. Journal-Japanese Society for Artificial Intelligence, 13, 9-10.
- ↑ Russell, Stuart J.; Norvig, Peter (2010), Artificial Intelligence: A Modern Approach (3rd ed.), Upper Saddle River, New Jersey: Prentice Hall, ISBN 0-13-604259-7, p. 437 - 439.
- ↑ Maedche, A., & Staab, S. (2001). Ontology learning for the semantic web. IEEE Intelligent systems, 16(2), 72-79.
- ↑ Hayes P, Naive physics I: Ontology for liquids. University of Essex report, 1978, Essex, UK.
- ↑ Hayes-Roth, Frederick; Donald Waterman; Douglas Lenat (1983). Building Expert Systems. Addison-Wesley. pp. 6–7.
- ↑ 37.0 37.1 OWL Example with RDF Graph. Ontologies and Semantic Web.
- ↑ López, M. F., Gómez-Pérez, A., Sierra, J. P., & Sierra, A. P. (1999). Building a chemical ontology using methontology and the ontology design environment. IEEE Intelligent Systems and their applications, 14(1), 37-46.
- ↑ Finkelstein, L., Gabrilovich, E., Matias, Y., Rivlin, E., Solan, Z., Wolfman, G., & Ruppin, E. (2002). Placing search in context: The concept revisited. ACM Transactions on information systems, 20(1), 116-131.
- ↑ Berners-Lee, Tim; James Hendler; Ora Lassila (May 17, 2001). "The Semantic Web – A new form of Web content that is meaningful to computers will unleash a revolution of new possibilities". Scientific American. 284 (5): 34–43.
拎
[編輯]![](http://upload.wikimedia.org/wikipedia/commons/thumb/4/4a/Commons-logo.svg/30px-Commons-logo.svg.png)
- What is a Knowledge Representation? by Randall Davis and others.
- Introduction to Knowledge Modeling by Pejman Makhfi.
- Introduction to Description Logics course by Enrico Franconi, Faculty of Computer Science, Free University of Bolzano, Italy.
- DATR Lexical knowledge representation language.
- Loom Project Home Page.
- Description Logic in Practice: A CLASSIC Application.
- The Rule Markup Initiative.
- Nelements KOS - a non-free 3d knowledge representation system.