Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
Семанти́ческая сеть - модель представления знаний предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам (понятиям) предметной области, а направленные дуги (рёбра) задают отношения между объектами.
Объектами могут быть понятия, события, свойства, процессы.
В названии семантическая сеть соединены термины из двух наук: языкознания и математики. Семантика в языкознании изучает смысл единиц языка, а сеть в математике представляет собой разновидность графа - набора вершин, соединённых дугами (рёбрами).
Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений.
Семантическая сеть – попытка визуализации логических формул
-
Семантические сети возникли как попытка визуализации математических формул. Основным представлением для семантической сети является граф. Но за графическим изображением непременно стоит строгая математическая запись. Поэтому обе эти формы являются не конкурирующими, а взаимодополняющими.
-
Понятия семантической сети записываются в овалах или прямоугольниках и соединяются стрелками с подписями — дугами, обозначающими отношения между понятиями (предикаты). Эта форма наилучшим образом воспринимается человеком.
-
Недостатки формы представления семантической сети проявляются при попытке строить более сложные сети или пытаемся учесть особенности естественного языка.
Классификация семантических сетей
-
По количеству типов, сети могут быть однородными и неоднородными. Однородные сети обладают только одним типом отношений, например, классификация биологических видов. В неоднородных сетях количество типов отношений больше двух.Неоднородные сети представляют больший интерес для практических целей, но и большую сложность для исследования.
-
По арности, типичными являются сети с бинарнымиотношениями (связывающими ровно два понятия). Бинарные отношения очень просты и удобно выглядят на графе в виде стрелки между двумя понятиями (концептами). На практике могут понадобиться отношения, связывающие более двух объектов - N-арные. При этом возникает сложность изображения подобной связи на графе. Концептуальные графы представляют каждое отношение в виде отдельного узла.
Семантические отношения (разнообразие)
-
Иерархические:
-
Отношение между объектом и множеством MemberOf(другое название ISA- «IS A»); . Связь ISA предполагает, что свойства объекта НАСЛЕДУЮТСЯот множества.
-
Отношение гипонимии между надмножеством (гипероним) и подмножеством (гипоним) называется AKO — «A KindOf» («разновидность»). Свойства элементов подмножества НАСЛЕДУЮТСЯ от множества.
-
Отношение меронимии между объектом и его частями (например, части компьютера) - HasPart.
-
Вспомогательные:
- функциональные связи (определяемые глаголами «производит», «влияет»…);
-
количественные (больше меньше, равно…);
-
пространственные (далеко от, близко от, за, под, над…);
-
временные (раньше, позже, в течение…);
-
атрибутивные (иметь свойство, иметь значение);
-
логические (И, ИЛИ, НЕ);
-
лингвистические.
Пример (4 объекта, 4 категории, 5 типов отношений)
Наследование свойств: определение значений по умолчанию
Важная особенность семантических сетей – способность представлять ЗАДАННЫЕ ПО УМОЛЧАНИЮ значения для категорий. В семантической сети утверждение, что все люди имеют 2 ноги, обладает лишь статусом, значения, применяемого по умолчанию.
Т.е. применительно к каждому человеку применяется это значение, если оно не противоречит более конкретной информации. В случае Джона наследуемое свойство категории перекрывается более конкретным значением, что он имеет 1 ногу.
Множественное наследование
-
Если Объект принадлежит более чем к одной категории, то такая ситуация называется множественным наследованием.
При множественном наследовании алгоритм вывода может находить два или несколько конфликтующих значения, представляющих собой ответ на запрос. По этой причине множественное наследование запрещено во многих языках ООП, например в Java.
- Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.
- Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.
- Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности
- Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
- Теория полезности. Обоснование s- образности кривой полезности.
- Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента.
- Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции.
- Стратегическая эквивалентность функций полезности. Линейная функция полезности.
- Логарифмическая функция полезности. Пример.
- Экспоненциальная функция полезности. Пример.
- Квадратичная функция полезности. Пример.
- Теоремы о несклонности к риску. Надбавка за риск.
- Теоремы о склонности к риску. Надбавка за риск.
- Пример функции полезности для лпр несклонного к риску.
- Пример функции полезности для лпр склонного к риску.
- Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
- Связь между надбавкой за риск и функцией несклонности к риску.
- Особенности и признаки интеллектуальности информационных систем.
- Классификация иис. Системы с интеллектуальным интерфейсом
- Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс.
- База знаний и механизм вывода на знаниях. Сравнительный анализ.
- Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей
- Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
- Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний
- Самообучающиеся системы. Технологии olap и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining
- Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений
- Искусственные нейронные сети. Обучение нейронных сетей
- Системы, основанные на прецедентах (Case Based Reasoning)
- Прямой логический вывод в эс на основе правила Modus Ponens.
- Обратный логический вывод в эс на основе правила Modus Ponens
- Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
- Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах
- Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
- Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
- Понятие нечеткого высказывания и нечеткого предиката
- Формирование базы правил систем нечеткого вывода
- Фаззификация
- Агрегирование
- Активизация
- Аккумуляция
- Понятие онтологии. Классификация онтологий и их применение.
- Редакторы онтологий, формализмы и форматы представления онтологий
- Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий
- 37.2. Последовательность создания онтологий.
- Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.Д.
- Язык создания экспертных систем clips: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода.