第十二章知识表示

第十二章知识表示的思维导图，包含为什么需要知识，知识表示定义及评价因素、知识表示的方法等内容，可收藏。

第十二章 知识表示1

• 知识
  • 定义
  • 研究原因
    • 大数据的日益积累、计算能力的快速增长为人类进入智能时代奠定了基础。大数据为智能技术的发展带来了前所未有的数据红利，机器计算智能、感知智能达到甚至超越人类。但随着数据红利消耗殆尽，以深度学习为代表的感知智能遇到天花板，感知智能并不够，需要提升为认知智能
  • 知识作用
    • 机器语言的深度理解需要知识
      • 语言是复杂的，具有多义性、上下文关联性以及模糊性的特点，表达同一意思的方式有无限多种
      • 语言理解十分困难，它只根植于人们的认知中，需要重要的背景知识
    • 使能认知智能
      • 机器理解数据的本质
        • 建立从数据到知识库中实体、概念、关系的映射
      • 机器解释现象的本质
        • 利用知识库中实体、概念、关系解释现象的过程
    • 使能可解释任务
      • 解释取决于人类认知的基本框架
      • 概念、属性、关系时认知的基石
    • 知识可以突破统计学习的天花板
      • 依赖数据驱动的统计学习基于统计模式解决问题
      • 单纯统计模式日益面临性能的天花板
      • 可解释性、健壮性、开放性、小样本、无监督
    • 知识将是比数据更重要的资产
• 知识表示
  • 定义
    • 知识必须经过合理的表示才能为计算机所处理。知识表示是现实世界的一种抽象表达
  • 评价因素
    • 表达能力
      • 一个知识表示应该具有足够强的表达能力，以充分完整地表达特定领域或者问题所需地知识
    • 计算效率
      • 基于这一知识表示的计算求解过程也应该具有足够高效的执行效率
  • 趋势
    • 知识表示从早期的单纯以符号表示为主，日益与统计模型与数值表示融合，侧重于表达专家的符号知识，以符号知识为主
    • 关键
      • 符号知识与数值表示的融合
      • 专家知识与统计模型的融合
        • 专家知识
          • 专家给出决策框架
        • 统计模型
          • 机器决定关联强度或者给出概率估计
  • 知识表示分类
• 知识表示的方法
  • 符号表示
    • 文字
    • 点、边等符号(用关联图表示关系)
    • 逻辑运算符号
  • 数值表示
    • 标量
    • 向量(文档的语义可以表示为词向量)
    • 概率分布
• 两种表示
  • 向量化表示是面向机器处理的
  • 符号化表示是面向人的理解的
  • 相对于向量化表示，符号表示易于理解，可以实现符号推理
• 专家知识与统计模型的融合的例子
  • 概率图模型
    • 随机变量的选择体现的是专家知识
    • 概率依赖关系的估计体现的是统计学模型
  • 决策树
    • 专家给出决策的因素(特征)
    • 机器自动从数据中学习决策时的权重