© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Wissensrepräsentationsmethoden
natürlich sprachlicheBeschreibung
logisch formaleDarstellung
KI
Wissensrepräsentation,Wissensdarstellung,Datenmodelle
Wissensverarbeitung
© Prof. Dr. H. Gläser, Künstliche Intelligenz
objektorientierte WRM
Wissensrepräsentationsmethoden
Wissensrepräsentationsmethoden (WRM)
deklarative WRMhybride WRM
prozedurale WRM
Datenbanken
relational entityrelationshipModell
regelorientierte WRM
lexikalische WRM
Thesauri Lexika
Logik orientierte WRM
grammatikalische WRM
Produktionsregelsysteme
semantische Netze Frame - Repräsentationen
strukturierte Vererbungsnetze
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Kognitive Modellierung
Begriff:
Wortetikett (bezeichnet Begriff und vertritt ihnin der Kommunikation)
alle Beziehungen zu anderen Begriffen
komplexes Muster perzeptuellen (meist visuellen)Ursprungs
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
semantisches Netz:
Darstellung von Begriffen und deren Beziehung
Graph: Knoten = Begriffe, Kanten = Beziehungen, (Relationen)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Kognitives semantisches Netz:
Knoten sind Begriffe
Kanten sind jeweils Klassen von ähnlichen Beziehungenzwischen Begriffen = „semantische Tiefenbeziehung“
Beispiel:
Tisch - TischplatteSchiff - BugHaus - WohnungAuto - Kotflügel...
} semantisch TiefenbeziehungRelation PARSAbstraktionsklasse aller physischenTeil-Ganzes Beziehungen
Sorten:
Die Begriffe können in Sorten eingeteilt werden
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
vertikal gilt z.B. k ent, horizontal sind die Sorten disjunkt
Entitäten [ent]
Spezifikatoren [sp] Abstrakta [a]
Eigen-schaften [p]
Merk-male [me]
relationaleAbstrakta [ra]
Sachverhalte [sv]
Sub-stanzen [s]
Diskreta [d]
Kollektiva [co]
Zeiten [t]
Konkreta [k] Situations-deskriptoren [sd]
formaleEntitäten [fe]
operationaleMerkmale [op]
nicht operationaleMerkmale [nop]
Vorgänge [v]
Zustände [z]
handlungsfähigeDiskreta [ag]
Artefakte[ar]
Zahlen [n]
Quantitäten [q]
...
Lokationen [l]
...
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Beispiele {leer, rot, ... } {Charme, Feigheit, ... }{regnen, integrieren, laufen,... }
p nop
v{Milch, Eisen, Sauerstoff,... } s{Haus, Flugzeug, Zaun,... } ar{gestern, Mittelalter, Winter,... } t{drei, hunderte,... } n{Höhe, Masse, Frequenz,... } op{Äquivalenz, Analogie, ... } ra{wohnen, ruhen, krank sein, ... } z{Mann, Firma, Tiger, ... } ag{Gebirge, Wald, Gemeinde, ... } co{<in der Schule>, <auf dem Hof>, ... } l{3 km, 5 kg, ... } q
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Relationen
SUB: k x k
SUB x y <=> Begriff x ist Begriff y untergeordnet
• Was ist ein x ?• Welche y gibt es ?
Beispiel:
Eiffelturm
Turm
Bauwerk
SUB SUB
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
SUBA: v x v
SUBA x y <=> Vorgang x ist abstrahierten (generischen)Vorgang y untergeordnet
• Was tut <N.N.> ?• Was {geschieht / wird getan} ?
Beispiel:
<Wegeners letzte Grönlandfahrt>
fahren
bewegen
SUBA SUBA
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
PARS: k x k
PARS x y <=> x ist Teil von y
• Woraus besteht y ? Wovon ist x ein Teil ? Wozu gehört x?
POSS: ag x k
POSS x y <=> Besitzer x besitzt materiellen Besitz y
• Wem gehört y ? Wer {besitzt/hat}y ? Was besitzt x?
PROP: k x p
PROP x y <=> Zuordnung von Eigenschaft y zu Objekt x
• Welche Eigenschaft hat x? Welche x sind y ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Beispiel:
kaputt
Schiebedach
POSS
SUB
Peter PROPPARS
AutoSUB
„Peter besitzt ein kaputtes Auto mit Schiebedach“
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Tiefenkasusrelationen
Innerhalb eines Vorgangs nehmen Entitäten Rollen ein
Vorgang = KnotenTiefenkasusrelationen = Kanten
In natürlichen Sprachen werden Tiefenkasusrelationendurch Fälle oder Präpositionen ausgedrückt („mit Hilfe von“)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
AGT: v x ag
AGT x y <=> Handlung x wird aktiv von handlungsfähigemObjekt y ausgeführt• Wer hat x {getan/ausgeführt} ? Von wem wird x durchgeführt ?
DAT: v x k
DAT x y <=> Vorgang x wendet sich Objekt y zu
• An wen wendet sich x ? Wem wendet sich x zu ?
OBJ: v x kOBJ x y <=> Objekt y ist passiv am Vorgang x beteiligt (wirdnicht verändert).• {Wen/Was} <transitive Handlung> man ? <transitive Handlung> {„sieht“, „trifft“, „beschreibt“,...}
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
INSTR: v x ag
INSTR x y <=> Beziehung zwischen Vorgang (Handlung) x und Instrument y, mit dem die Handlung ausgeführt wird• Womit wird x ausgeführt ?
THM: v x {a k}
THM x y <=> Beziehung zwischen Vorgang und thematischem Inhalt, wenn Vorgang geistiger Prozeß• {Worüber/Wovon <inf-handlg> ? <inf-handlg> {„schreiben“, „berichten“, „nachdenken“,...}
INIT / RSLT: v x {z k} INIT x y bzw RSLT x y <=> Anfangs- bzw End-Zustand (Ergebnis) einer Handlung x.• Was ist der Anfangszustand / Ergebnis von x ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Beispiel:
Bericht Praktikum
SUB
Peter AGT
SUBA schreiben
SUB
„Peter schreibt mit der Schreibmaschine einen Berichtüber das Praktikum“
Schreibmaschine
INSTR
SUB
OBJ
THM
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Attribut-Wert Beziehungen
DATTR: {a k} x {a k} DATTR x y <=> x wird durch definierendes Attribut ycharakterisiert• Welches {Merkmal/Attribut} besitzt x ? Wodurch ist x charakterisiert ?
VALR: {a k}x {a k fe}
VALR x y <=> Wertebereich für Merkmal x
• Welche {Werte/Ausprägungen} kommen für das Merkmal y prinzipiell in Frage ?
VAL: {a k}x {a k fe} VAL x y <=> y ist die konkrete Wertausprägung von Merkmal x• Welchen Wert {besitzt/hat} x ? Welche(n) <Merkmalsname> hat dasObjekt ? <Merkmalsname> {Höhe, Dichte, Farbe, ...}
© Prof. Dr. H. Gläser, Künstliche Intelligenz
SUB: k x kSUB x y <=> Begriff x ist Begriff y untergeordnet
SUBA: v x vSUBA x y <=> Vorgang x ist abstrahierten (generischen)Vorgang y untergeordnet
PARS: k x kPARS x y <=> x ist Teil von y
POSS: ag x kPOSS x y <=> Besitzer x besitzt materiellen Besitz y
PROP: k x pPROP x y <=> Zuordnung von Eigenschaft y zu Objekt x
AGT: v x agAGT x y <=> Handlung x wird aktiv von handlungsfähigemObjekt y ausgeführt
DAT: v x kDAT x y <=> Vorgang x wendet sich Objekt y zu
OBJ: v x k
OBJ x y <=> Objekt y ist passiv am Vorgang x beteiligt (wirdnicht verändert).
INSTR: v x agINSTR x y <=> Beziehung zwischen Vorgang (Handlung) x und Instrument y, mit dem die Handlung ausgeführt wird
THM: v x {a k}THM x y <=> Beziehung zwischen Vorgang und thematischem Inhalt, wenn Vorgang geistiger Prozeß
INIT / RSLT: v x {z k} INIT x y bzw RSLT x y <=> Anfangs- bzw End-Zustand (Ergebnis) einer Handlung x.
DATTR: {a k} x {a k}
DATTR x y <=> x wird durch definierendes Attribut ycharakterisiert
VALR: {a k}x {a k fe}
VALR x y <=> Wertebereich für Merkmal xVAL: {a k}x {a k fe}
VAL x y <=> y ist die konkrete Wertausprägung von Merkmal x
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Beispiel:
PeterPOSS
SUB
„ Ein Auto hat einen Preis, der zwischen 2500 € und 75000 € liegt. Peters Auto kostet 22500 €“
Auto
DATTR
Preis
DATTR
SUB
VALR
VAL
[2500 € , 75000 € ]
22500 €
SUBAutopreis
<Preis von Peters Auto>
Oberbegriff
Instanz
Slotname
Filler
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Temporale und lokale Restriktionen
Gehören aus logischer Sicht anderer Ebene an als die bisherigenRelationen
Schränken Gültigkeitsbereich von Aussagen ein (Operatorenüber Aussagen) - bisherige Relationen machen Aussagen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
TEMP: sv x t
TEMP x y <=> Einschränkung der Gültigkeit von Sachverhalt x aufdas Zeitintervall y• {Wann/Zu welcher Zeit} {galt x/fand x statt}?
LOK: sv x l
LOLK x y <=> Einschränkung der Gültikeit des Sachverhalts x aufdie Lokation y
• {Wo / an welchem Ort} {gilt/findet statt/ereignet sich} x ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Beispiel: „ Im Mittelalter trugen Ritter in Europa eine Eisenrüstung“
tragen
OBJ
SUBA
LOK
Mittelalter
SUB
Eisenrüstung
Europa
Ritter
SUB
AGT
TEMP
Kapsel (propositionaler Kern)
g
Allg Bhptg.
aFOR
ME
L
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Schichten:
Einführung einer Unterscheidung zwischenIndividualbegriffen (Peter I., Beethoven, Rembrandt)und (generische Begriffe) (Zar, Komponist, Maler)
=> Einführung zweier Schichten
Beispiel:individuell generisch
<gestern Nacht> nachts
<Peters Krankheit> Krankheit
Besonderheit:Unterscheidung zwischen individuell und generischbei nicht Konkreta
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
„der“, „dieser“, „ein“, ...
„alle“, „jeder“, ...
Determinatoren
Quantoren
Referenz auf Extension
Mengen
„drei Schüler“, „mehr als hundert Teile“,Aufzählungen„die einen ... die anderen“,„einige davon“,„außer“....
=> 2 zusätzliche Schichten: intesionale Ebene präextensionale Ebene
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Der Hund beißt den Postboten
AGT
beißen
SUB
Hund Postbote
b p
SUB
h
SUBA
OBJ
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Jeder Hund beißt einen Postboten
AGT
beißen
SUB
Hund Postbote
b p
SUB
h
SUBA
OBJ
x [ Hund(x) (y Postbote(y) beißt(x,y)) ]
SUB
a
Allg. Bhptg.
FORMEL
SA
S1
automatisch mit quantifiziert
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Jeder Hund beißt jeden Postboten
AGT
beißen
SUB
Hund Postbote
b p
SUB
h
SUBA
OBJ
x y [ (Hund(x) Postbote(y)) beißt(x,y) ]
SUB
a
Allg. Bhptg.
FORMEL
SA
S1
Sonderschicht,um bei Abfragen wie„Wer wird gebissen“ nichtp geliefert zu bekommen(p ist Variable)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Jeder Hund in der Stadt beißt den Wachtmeister
AGT
beißen
SUB
Stadthund Wachtmeister
b w
SUB
h
SUBA
OBJ
x [ Stadthund(x) beißt(x,Wachtmeister) ]
SUB
a
Allg. Bhptg.
FORMEL
SA
S1
HundSUB
nicht mit quantifiziert
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Semantische Netze: Fragebeantwortung
„Das ALGOL Programm QUADI6 berechnet das bestimmte Integral einer Funktion mit Hilfe der Simpson Regel. Die Funktion ist vom Nutzer durch ihre Werte in äquidistanten Schnittstellen vorzugeben. Die Anzahl dieser Stützstellen muß gerade sein. Die Funktionswerte werden mit Hilfe des REX-Systems von einem externen Speicher übernommen.“
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Fragetypen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Fragebeantwortung
Frage: „Gibt es ein Programm, das ein bestimmtes Integral mitHilfe der Simpson-Regel berechnet ?“
(FRAGETYP Entex REFTEIL NIL FOKUS X SPEZIFIKATION ((SUB X Programm) (AGT Y X) (SUBA Y berechnen)(OBJ Y Z)(INSTR Y Simpson-Regel)(SUB Z Integral) (PROP Z bestimmt)))
Fragebeantwortung = Suche nach gleichen Teilstrukturen in der Frage und im semantischen Netz
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Erzeugung eines Suchbaums
Frageknoten: Konstanten in der Frage (Programm, berechnen, ..)Fragezentren: Knoten, die in mehreren verschiedenen Suchpfaden auftreten
Fragebeantwortung
© Prof. Dr. H. Gläser, Künstliche Intelligenz
© Prof. Dr. H. Gläser, Künstliche Intelligenz
informierte Suche:Bewertungskriterien
durch Fragemuster geleitet
(R K1 K2)
KanteRelation
} Kante des SN == Tripel der Frage--> Tripel „verifiziert“ // hohe Bewertung
Jeder Knoten des Suchbaums enthält - noch zu verifiierendes Fragemuster, - Liste der Variablenersetzungen die schon gemacht wurden
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Was, wenn zwei Pfade sich in einem Knoten des SN(semantisches Netz) kreuzen ?
--> Fragzentrum. Gibt zwei Knoten im Suchbaum (da unterschiedliches noch zu verifizierendes Fragemuster)Fragezentern haben hohe Bewertung.
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
<der neueLehrer>
<alle Lehrer>
<ein neuer Lehrer>
<der Bär>
<alle Braunbären>
<alle Bären>
parametrisiertes Individuum
Prototyp
<Menge aller Bären>MengenKardinalitätenMengenrelationen
präextensional
intensional
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden
Das Referenzproblem
Peter sah gestern den neuen Lehrer
einzigartiges Objekt der Realität
Peter kaufte sich ein neues Fahrrad
logische Variable, deren Belegung offen ist(parametrisiertes Individuum)
Peter hat noch nie einen Yeti gesehen
auch die Existenz eines entsprechenden Objektsbleibt offen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > Frames
Frame
bestimmte Entität (Objekt, Sachverhalt, Ereignis) oderKlasse von Entitäten beschrieben durchMerkmals-Wert Paare
Slots Filler
Frames können in Hierarchien angeordnet werden
untergeordnete Frames erben von übergeordneten Frames (sog. MEMBER-) Slots und Werte. OWN Slots werden nicht vererbt
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > Frames
Frame
KEE: Knowledge Engineering Environement
Programm von Intellicorp alsWissensrepräsentationsmethode
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > Frames
Vererbung Speicher sparenZeit sparenRedundanz vermeiden
V
S1 S2 S3
S31
p: wp Merkmalu,w Werte
p: wSAME
p: {u,w}UNION
p: u
p: uOVERRIDE p: u
p: u
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Strukturierte Vererbungsnetze
Repräsentierung von Wissen in Form von
Begriffen (Konzepte)
Beziehungen zwischen den Begriffen
Klassifikation der Begriffe
Erklärung
Unterschied zu Kognitiven Semantischen Netzen ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
generische Konzepte
individuelle Konzepte
Klassen
Individuum, Instanz
Mann
Peter
Unterbegriff - Oberbegriff - Klassenhierarchien
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Objekt
Lebewesen Gegenstand
Gebäude
Hörsaal Bibliothek
FH-Gebäude
Mensch
Frau Mann Angestellter
Mitarbeiterin Mitarbeiter
...
Wer fällt aus der Reihe ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Rollen = 2 stellige Relationen
Rollen sind gekennzeichnet durch :
Wertebereich: eigentlich eher Typ
Raum
v/r
Konzept:
Ausbildungsort
Rolle:Lehr-
veranstaltung
v/r value restriction
„Der Raum nimmt gegenüber der Lehrveranstaltung (RichtungPfeil!) die Rolle eines ‚Ausbildungsorts‘ an
Der Wertebereich ist die Menge aller Räume.
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Kardinalität:
Anzahl der Rollen, mit gleichem Wertebereich und Namen(n1,n2) : n1 Minimum, n2 Maximum der Anzahl der Rollen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Lehr-veranstaltung
Raum
Hörsaal
Seminar-raum
Seminar Assistent
ProfessorVorlesung
Person
LehrstoffAusbildungsort v/r
v/r
v/r
v/r
v/rv/r
v/r
v/r
Inhalt
Lehrender
Lernender
(1,NIL)
(1,3)
(1,1)
(1,1)
(1,1)
(1,NIL)
(1,NIL)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Beziehungen zwischen Rollen
Subsumption zwischen Konzepten Unterordnung zwischen Rollen
Ein subsumptiertes Konzept spiele eine Rolle:
Diese Rolle ist eine Restriktion der Rolle des oberen Konzepts• wenn sie gleich heißt und • wenn sie die Wertebeschränkung des oberen Konzepts sowie die Kardinalitätsbeschränkungen erfüllt.
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Beziehungen zwischen Rollen
Beispiel:
Lehr-veranstaltung
Raum
Hörsaal Vorlesung
Ausbildungsort
v/r
v/r
(1,1)
(1,NIL)
restricts
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Beziehungen zwischen Rollen
Differenzierung
LehrstoffLehr-
veranstaltung
kombinierteLehrveranstaltung
Inhalt
v/r
(2,nil)
(1,NIL)
restricts
Kernthema
Übung
(1,nil)
(1,nil)
diffs
diffs
Man beachte:(2,nil) bei restrict Inhaltaber (1,nil) bei differenziertenRollen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Individuelle Konzepte sowas wie „Instanzen“ der generischen Konzepte(Objekte der Klassen)
neue Rollentypen zwischen individuellen Konzepten
I - Rolle (individuelle Rolle)• verknüpft eine Instanz mit einer weiteren Instanz • werden von generischer Rolle abgeleitet (satisfies)• keine Werteinschränkung sondern konkreter Wert
P - Rolle (bestimmter Rollensatz)• verknüpft eine Instanz mit der Menge der aktuellen Instanzen, die die Rolle erfüllen (NICHT potentiell möglich Instanzen, wie bei generischen Rollen)• werden von generischer Rolle abgeleitet (partic.)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Beispiel:
PersonLehr-
veranstaltung
VorlesungKI
Lehrender
v/r
satisfies
Prof. Meierval
TeilnehmerVorlesung KI
v/r
(1,1)
(1,NIL)
partic.
v/r
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Sachverhaltsbeschreibungen (A-Box) ausgelassen(KE 5 S. 48)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Klassifizierung
Wie fügt man eine neues Konzept in das Netz ein ??
= Finden des speziellsten übergeordneten Konzepts
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Lehr-veranstaltung mit 80
Teilnehmern und1 Professor
PersonLehr-
veranstaltung
Vorlesung
Lehrender
v/r
restricts
Professorv/r
(1,1)
(1,NIL)
v/rTeilnehmer
(1,NIL)
restricts
(80,80)
(1,1) v/r
restricts
falsch klassifiziertLehrveranstaltung ist nicht das speziellste übergeordnete Konzept
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Lehr-veranstaltung mit 80
Teilnehmern und1 Professor
PersonLehr-
veranstaltung
Vorlesung
Lehrender
v/r
restricts
Professorv/r
(1,1)
(1,NIL)
v/rTeilnehmer
(1,NIL)
restricts
(80,80)
(1,1) v/r
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Algorithmus zum Einfügen eines definierten Konzepts X+unter das speziellste Oberkonzepts SOK
primitive Konzepte = Konzepte, die nicht vollständig spezifiziert (Baum, Zitrone,...)definierte Konzepte = Konzepte werden unter Bezugnahme auf primitive Konzepte definiert (Jungeselle = unverheirateter, erwachsener Mann) durch + gekennzeichnet
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
Man benötigt eine Funktion SOK(X+, W) die eine Menge Cs
liefert, die in dem Netzteilbaum mit Wurzel W die SOK zu X+bilden
d.h. für alle C aus Cs gilt:
• C subsumiert X+• es gibt kein definiertes Konzept C‘ mit C subsumiert C‘ und C‘ subsumiert X+
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Wissensrepräsentationsmethoden > SVN
1. Schritt•1.1 Setze Cs
= leere Menge•1.2 Ermittle spezifischstes primitives Konzept W in der Definition von X+ mit W subsumiert X+•1.3 Setze Cs = Cs vereinigt mit SOK(W, X+)•1.4 Falls W keine übergeordneten Knoten hat: fertig•1.5 Setze W := spezifischstes primitives Konzept, das W strikt subsumiert („Hochsteigen im Netz zu anderen Netzteilen“)• Weiter bei 1.3
2. Schrittvon X+ zu jedem C aus Cs
eine Subsumptionsbeziehung einschließlich Rollenrestriktionen eintragen
Top Related