第三章知识表达技术

第三章知识表达技术知识表达(KnowledgeRepresentation),即知识表示或知识的描述，也就是知识的形式化或模型化。知识及知识的表达是计算机科学中智能程序设计研究的主要领域，也是人工智能和心理学共同关心的基础性问题。所谓智能程序，就是把现实世界的知识有机地结合到计算机程序中，使程序具有识别、学习、推理和适应环境等能力。本章主要讨论知识、知识表达的基本概念和几种主要的表示方法。第一节知识—、什么是知识什么是知识？根据认知心理学的一般解释是：自有人类以来，人们天天在和自然作斗争，在这个斗争过程中，人们开始只有感性认识，随着这个过程的持续深入，这个认识产生了飞跃，最后由感性认识上升到理性认识，这种对周围事物的感性和理性统称为知识。对每个人来说，他的知识除了从实践中得来，还有一个重要途径就是向书本学习。从自然科学的角度来看：知识是一些事实与概念、规则或规律方法和技术，以及应用这些概念、事实、规则等能力的综合体。二、知识的层次结构模型知识的海洋浩瀚无穷，知识的存放是否乱麻一团呢？不是的，知识在人脑中的存放是一个多层次结构。它犹如一座高大雄伟的金字塔，我们可以把它称为智能塔。图2-1-1智能塔第一层知识为塔基，属低层次。它是这个智能塔的基础，是掌握知识、发展知识、培养能力的前提。它主要由一些事实和概念组成。所谓事实是指一些客观存在的现象，事物的性质，这些事实的“真”、“伪”要经受客观实际的检验。例如：一年有四季；人要穿衣吃饭；月球上没有生物，等等。所谓概念，指的是通过人的抽象思维和形象思维所得出的结论。例如：物理上的力、原子、电子、质子、中子，几何上的点、线、面，等等。在这些概念中，前面是客观存在的事物，而后面是本不存在的抽象概念。又如孙悟空、阿童木它们是形象思维图2-1-1智能塔第二层知识属较高层次，是建立在第一层知识上的。它是通过对事实和概念的观察思考、分析、判断、比较、推理等综合出来的客观规律，从而成为指导人们分析问题、思考问题的原则或规则。因此，第二层知识是由一些规则、定律和定理组成。例如：数学、物理、化学中的各种定理和定律等。它们都是对第一层知识加以分析、判断、比较、总结出它们内在联系所得到的结论。它们都表示了一定条件与一定结论之间的关系。又如：日常生活中的结论“今天下雨，所以地面湿疽'也属于第二层知识。第二层知识是十分广泛而丰实的，人们学习的过程不应该是对书本知识生吞活剥的死记硬背，而应该是一个研究客观事物，探索总结客观规律的过程，也就是一个不断丰实、更新第一层、第二层知识的过程。第三层知识我们把它称为能力知识，或称为控制性知识，或为指导性知识，它是智能塔的高层次。这一层知识的多寡反映了一个独立工作能力的强弱，解决实际问题水平的高低，在一定程度上还决定一个人的创造能力。它是应用前两层知识去解决实际问题、探索科学奥秘、产生新知识的知识。由于有了第三层知识，第一、二层知识才能极大地丰富起来。例如：几何上应用已知条件和定理去解决实际问题的技巧，日常生活中分析问题的方法等等都属于这一层知识。此外，还有第四层知识。我们把回忆、联想、分析、综合、比较、抽象、概括统称为第四层知识，它充分反映了人类的心理特征。研究第四层知识属于心理的范畴。大脑是产生第四层知识的物质基础。这一层知识目前比较难于用计算机实现。从人工智能的角度来看，层次较低的知识易于用机器来实现。层次愈高，用机器实现也愈困难。因此研究和发展更高层次的知识是智能研究的主要课题。但必须指出，智能塔中的知识不是静止的、孤立的，而是相互关联的，层与层之间的知识也不是孤立的。因此，研究知识表达、知识库、智能塔的结构，始终是专家系统及知识库系统中的基础性课题。第二节知识表达技术的基本概念知识表达技术为了使机器具有智能或设计智能机器，关键在于使机器能够拥有和运用知识。首先要研究在机器如何表达知识，即研究知识的形成化或矩形化方法。知识表达技术是研究在机器中表示知识的方法、可行性、有效性及一些通用的原则，以便于使用、修改、删除和更换。所谓知识的表示方法，就是用来描述和组织知识的规则符号、形式语言和网络图等。近年来，知识表达技术引起了广泛的注意，已成为人工智能研究领域中最活跃的部分之一。目前有人正着手研究通用的知识表达语言，然而知识表示的完整理论还没有形成。这一方面是由于人工智能本身正处于发展过程。另一方面是由于人们对于自己头脑中的知识的形成及其结构等机制还没有弄得很清楚。因此。知识的表达还是按照各人的理解从不同的角度进行探索。二、知识的类型回顾知识表达技术的发展。七十年代人们对知识表示形成了两种不同的看法，从而引起了争论。首先，由Winogred等人(1975)认为知识是陈述性的，即知识是一些已知的客观事物(KnowledgeWhat)。另一些人。如麻省理工学院的M.Minsky等(1972)认为知识是过程性的，是客观存在的一些规律。(KnowingHow)上述两种说法各有利弊。1975年，Wrnogrod总结了两派之争，提出了折中的观点，即加进了附加过程的概念，使提出了知识是控制性的，从而使知识的表达前进了一步。总而言之，知识的类型可以分为三种类型：叙述型知识：叙述关于系统状态、环境和条件，问题的概念、定义和事实的知识。例如：北京、上海、飞机、火车、时间、费用。过程型知识：有关系统状态变化、问题求解过程的操作、演算和行动的知识。例如：乘飞机、坐火车。控制型知识：关于如何选择相应的操作、演算和行动的比较、判断、管理和决策的知识。例如：乘飞机较快、较贵。乘火车较慢、较便宜。三、知识模型变换根据控制论中，关于“同构”和“同态”的概念，可以对知识模型进行变换和简化，以便更明确地、更简洁地表达知识，易于问题求解。通过同构或同态变换，将原始问题化为可求解的同构或同态问题。图2—2—1同构与同态变换同构变换可以使问题更加明确、便于求解。（例如：日常生活中的打比方就是一个同构的变换）。同构问题的解答等价于原始问题的解答。同态变换可以使问题更加简化、易于求解。原始问题有解，则同态问题有解；同态问题无解，则原始问题无解，它们之间是蕴含关系。实际上，各种知识模型都是真实问题有关知识的同构或同态模型。例：方格棋盘分割法。1.原始问题：在2nX2n方格棋盘中，去掉对顶角上2个小方格后，问能否将它分割为若干1X2的小长方块。显然求解此问题是比较困难的，因为对n的数值未加限制，随着n的增大，其分割方式有22n2种可能性，会出现“组合爆炸”。2.同构问题：将棋盘中的小方格相间的着色，化为其同构问题，由此可见，

无论n为何值，对角顶上的2个方格始终为同色方格。去掉它以后，显然黑、白二种方格数目差为，若以2的小长方块由黑白各一小格组成，显然分割下去，会多出两个小黑格来，即无法分割。3同态问题：为了使问题更加明确，弓|入序对(小黑格数，小白格数)用以表示每次使分割的棋盘的状态，使其化为同态问题。初始状态：＜2n2,2n2-2＞目标状态：＜0,0＞显然经过2n2-2次分割后，状态变为＜2,0＞，达不到＜0,0＞，则问题无解。因此，同态问题无解，蕴含着原始问题无解。2n(a)原始问题(b2n(a)原始问题(b)同构问题(c)同态问题图2—2—2四、设计知识表示的基本原则：在计算机中表示知识是为了使用，因此能否有效和准确地使用这些知识，能否有效地对知识进行检查、修改、增删，并经过修改过程中对已有知识的内容及结构不产生或少产生干扰；能否在工作过程中使系统不断地获得新的知识，通过知识的不断增加，使系统解决问题的能力不断提高，这些都是目前考虑知识表达技术的主要原则。此外，还必须考虑表示形式是否符合心理学特点，是否便于系统地开发和运行，是否能使人们直接地理解知识。第三节知识的状态空间表示法一、状态空间表示法的概念状态空间表示法是知识表达的基本方法。所谓“状态”是用来表示系统状态，事实对叙述性知识的一组变量或数组。如：Q=[q,q,……,q]T12n所谓操作是用于表示应其状态变化的过程性知识的一组关系或函数。F：{f「f2,......,fm}状态空间，即利用状态变量和操作符号，表示系统或问题的有关知识的符号体系，通常可用“三元组”表示：v{Q」,F,{Qg}>其中：Q为初始状态Qg为目标状态F为状态的操作二、状态空间法举例：例：钱币翻转问题：设有钱币，国徽为正面，麦穗为反面，现有钱币，设初始状态为（反、正、反）允许每次翻转一个钱币（只翻一个且必翻一个），连翻三次，问题是否可达到目标状态（正、正、正）或（反、反、反）？正反正反为了用状态空间方法表示上述问题，引入状态变量，且设正面为0,反面为1,可三个钱币可能出现的状态有：Q1=(0,0,0)Q2=(0,0,1)Q3=(0,1,0)Q4=(0,1,1)Q5=(1,0,0)Q6=(1,0,1)Q7=(1,1,0)Q8=(1,1,1)引入三元操作例子F={f1,f2,f3}且口=把q1翻一下？2=把q2翻一下？3=把q3翻一下，因此，上述问题的状态空间三元组表示如下：<{Q6},{f1,f2,f3},{Q1,Q2}>相应的状态空间图为：通过状态分析可知：从Q6不可能经三次翻转达Q1。从Q6经三次翻转可达Q8,且共有七种：其七种操作为：（fl、f2、fl）（fl、fl、f2）（f2、fl、fl）（f2、f2、f2）（f2、f3、f3）（f3、f2、f3）（f2、f3、f2）但如果对翻转的次数不限制，且不超过三次，可均可达到要求。思考题：设有三根火柴，允许每次倒置三根相邻的火柴，问能否出现三根都朝下的状态？第三节“与/或''图表示法一、“与/或"图表示法的概念与/或图是一种超图（AND-ORGraph），通常为树的形式也称与/或树。他基于人们求解问题时的两种思维方法。与/或图的主要思想是采用问题分解法求解的。当我们遇到一个非常复杂的问题时，设法将此问题分解成若干个子问题，而后对每个子问题求解，把求解的结

果综合起来，就得到了该问题求解。整个过程如图所示，这里的综合可理解为广义的过程（或称操作或称转子）。图2—4—1例如，欲计算Y=Sin6Oo+Cos600，可将求该值分为求Sin600和求Cos60o的值，最后把两者加起来，这里“加”就是综合。又如:图2—4—2对这一问题，其综合的含义较为复杂，要考虑到个人的实际情况做出结论。1、分解问题：“与”树与图或与树，用来描述问题的分解法。即将一个复杂的问题分解为一组简单的小问题，将总问题分解为子问题。若所有子问题都解决了，可总问题也就解决了，这时与的逻辑关系。而子问题又分解为子子问题。如此类推，直到子问题不能分解为止，这样就形成了问题分解的树图，称为与图。2、同构同态变换：或树或图用来描述同构同态变换。即将较难得问题变换为较易的等值或等效问题。若一个难问题可以等价的变换为几个容易问题，则任何一个容易问题解决了，也就解决了原有的难问题。如此下去，可形成变换的或树。在实际问题求解过程中，常常是用分解和变换的方法，因而可用与和或树相结合的图-------与或树的表达方法。根据图论知识，图2-4-5所示的与或图是一棵树，读此不难找到树中的与结点和或结点，也不难论述树中各结点可解的与否条件。为了讨论问题方便，我们规定终端结点式可解的。根据前面讨论，不难给出与或图中结点可解与否的定义。一个结点是可解的，如果：它是终端结点（本源问题）它是非终端结点，而他的后继是与结点且后继都可解。它是非终端结点，而它的后继是或结点且后继中至少有一个可解的。一个结点是不可解的，如果：它是一个非终端结点，但它没有后继结点（表示非本源问题又不能对它进行变化）它是一非终端结点，而它的后继结点是与结点，且后继中至少有一个是不可解的。它是一个非终端结点，而它的后继是或结点，且所有后继是不可解的。二、与或图的表达法举例例1.猴子和香蕉问题，如图所示：设机器人猴子位于a处，目的物香蕉挂在c上方,猴子想吃香蕉，但高度不够。在b处有可移动的台子，若猴子站在台子上，就可以够到香蕉，问题是制定机器人的行动计划，使猴子够到香蕉。先用状态空间表示法描述此问题，设系统的状态用四元数组描述，S=（W，X，Y，Z）其中，W一猴子所处的水平位置，X一台子所处的水平位置，Y一猴子是否在台子上（Y=1表示在，Y=0表示不在），Z一猴子是否够到香蕉（Z=1表示能够到，Z=0表示够不到），则可能出现的状态如下:S0=（a,b,0,0）S1=（b,b,0,0）S2=（c,c,0,0）S3=（c,c,1,0）S4=（c,c,1,1）其中，S0为初始状态，S4为目标状态，允许的操作集为：F=｛f1，f2,f3,f4｝，其中，f1（u）—猴子走到u处，（W，X，0，Z）—＞（u，X，0，Z）；f2（v）—猴子推台子到v处，（X，X，0，0）—＞（v，v，0，0）；f3为猴子爬上台子，（X，X，0，Z）—＞（X，X，1，Z）；f4为猴子够到香蕉，（c，c，1，0）—＞（c，c，1，1）；问题的状态空间为：〈｛S0｝，｛F｝，｛S4｝〉用状态空间法分析问题时，共有四种操作，那么应先选取哪一种操作，有可能早点使问题求解，应用GPS（通用问题求解法）中的“目标一手段”分析法，比较目标状态（S4）与初始状态（S0）的差异，来选择它的操作。由于S0与S4中的四个状态度量都有差异，相应的操作为f1，f2,f3和f4,都可选为它的操作。因此，可将原问题变换为四个新问题，而新问题又可分为几个子问题及子子问题，如图：这个问题的解为F=｛f1（b），f2（c），f3，f4｝，即机器人的行动计划为，猴子走到（b），台子推到（c）处，爬上台子，够到香蕉。第五节产生式系统表示法—.产生式系统的基本概念产生式系统最早由Post（1934）作为一种普遍的算法机制提出来的，近年来，人们把这个原理应用到人工智能方面，并很快得到了发展。目前，人们能熟知的人工智能等系统采用此结构。产生式系统的特点：模式化：每条规则具有相同的格式；结构化：每一条规则或知识结构的每一部分所含有的知识量非常少。解决问题是通过这些知识的不同组合完成的。因此，修改增删其中的某些部分比较容易，对其余部分的影响比较小。自然性:和人类的思维过程比较接近，其规则的格式为，如果…则…。与人的思维相接近，也容易被人们理解，便于人机互交信息。效率低：这的产生式系统固有的缺点，由于产生式系统的模式化和结构化，求解问题系统会过头。例如，产生式系统执行每一个动作主要依靠匹配，传送信息依靠知识库，因此，很难有效地匹配，也可能经过很长步骤才取得匹配。非适应性：这的产生式系统的第二个缺点。求解问题时控制不明确，换言之，产生式系统中，条件一动作知识能自然地表达，但算法知识不能自然地表达。在哪些情况下，人工智能系统可应用产生式系统呢？如果该领域的知识杂乱，事实众多（如临床医疗），没有统一的理论；如果该领域的知识能表示成一组独立无关的动作（如，病人监护系统）；如果该领域的知识可方便地从使用方式中分离出来（经典分类学）；Rychener1976年认为：若任务可以看作问题空间从一个状态到另一个状态的转移序列，这种行为可以用产生式系统模拟。因此，产生式系统目前可用于专家系统等一类知识体。产生式系统目前研究的重点：扩充条件和行动各自的表达能力，把条件设计成一个lisp函数，它可对任何复杂条件求值；动作部分设计成包含变量。规则库中的规则按产生式被激活的条件进行划分和编码，知识库内部结构复杂，必须解决冲突仲裁的手段和法则；推理方法的选择，正向推理（ForwardReasoning），它是自下而上的推理，又称数据驱动或事件驱动，逆向推理（BackwardReasoning），它是自上而下的推理，又称目标驱动；4.产生式系统对周围环境的适应能力，稳定性，自学习能力，控制性知识的形式化。4.产生式系统的基本结构产生式系统的大体可分为三大部分：事实库（又称知识库）：存储问题的有关状态，性质等事实的叙述性知识，也称为综合数据库。它是一个类似缓冲器的数据结构。一般都用表、数组或具有一定结构的缓冲器表示。规则集（又称规则库）：存储有关问题的状态转移，性质变化等规则的过程性知识。每一条规则包含条件和动作（操作）。简单产生式规则的格式如下：左部：IF（若）右部：THEN（则）前提结论条件行动控制器（又称解释器）：它含有第三层控制性知识，控制系统的运行，根据有关问题的控制性知识，选择控制策略，将规则与事实进行匹配，通过利用知识推理技术求解问题。图产生式系统与问题求解的关系产生式系统的问题求解过程，即首先把问题的状态描述成事实库并如何使事实转移到满足求解的终止条件的状态。通常，一条产生式规则向前提部分可以是能和事实库进行匹配的任何模式，若一条规则的前提被匹配，则该规则称为可用的，否则不可用。一条规则使用的结果是得到一个结论或产生一个行动，从而使事实库的状态发生转移。控制器的任务是按相应的策略，控制规则与事实匹配的过程。当若干条规则都能与事实相匹配时，选取适当的规则，使系统有效地进行问题求解。下面举一个例子说明如何用产生式系统表示法来描述一个问题的求解过程。例：“动物世界”识别。设机器人“罗伯特”具有机器感知能力，通过机器视觉可以辨认动物的有关特征和外貌。如，颜色、花纹、体态、动作等，以获取动物世界的知识。

现在，要求“罗伯特”利用知识进行机器思维对下列七种动物：老虎，金钱豹，斑马，长颈鹿，达有关知识：规则II：若则规则12：若则规则13：若则规则14：若豹，斑马，长颈鹿，达有关知识：规则II：若则规则12：若则规则13：若则规则14：若则规则15：若则规则16：若则规则17：若则规则18：若则规则19：若则规则I10：若则规则I11：若则规则I12：若则规则I13：若则动物，食肉，黄褐色，黑色条纹它是老虎动物有蹄，长长的颈，腿很长，黄褐色，黑色斑点它是长颈鹿动物有蹄类，白色，黑色条纹它的斑马动物是鸟类，不会非，腿很长，颈很长，具有黑白两色它的鸵鸟规则I14：若动物是鸟类，不会飞，会游泳，黑白二类则它是企鹅规则I15：若动物是鸟类，很会飞则它是信天翁下面我们来改变罗伯特识别长颈鹿的过程，开始，罗伯特观察该动物外部特征，即有事实库（黄褐色、黑色斑点），这两个断言都出现在规则9和规则11中，但规则9和规则11的前提必须被别的断言所满足，所以罗伯特需要观察到更多有关的动物特征，设罗伯特看该动物给它的幼兽喂奶，并能反刍，于是事实库内容增加为：（动物有黄褐色，黑色斑点，有奶，反刍）现在用规则集与事实库匹配，规则2首先可用，并更新事实库为：（哺乳类，黄褐色，黑色斑点，有奶，反刍），再次匹配事实库，规则8满足，更新事实库（有蹄类，黄褐色，哺乳类，有黑斑，有奶，反刍），到此，罗伯特还无法识别这是什么动物，而事实库也不能和其他规则的前提相匹配，因而还需要关于动物基本特征的新的信息，设罗伯特发现该动物腿长和颈部很长，即得到事实库（动物颈长，腿长，有蹄类，哺乳类，黄褐色，有黑斑，有奶，反刍），由此，再次进行匹配，推理，此时，规则11可用，推论出该动物为长颈鹿，问题求解终止。产生式系统的问题求解过程步骤如下：事实库初始化；若存在未用规则前提能与事实库相匹配，则转3,否则转2；使用规则，更新事实库，并将所使用规则做过标记；事实库是否包含解，若是，则终止求解过程，否则转2；要求更多的关于问题的信息，若不能提供所需要的信息，则求解失败，否则更新事实库并转2。上述是一个简单的产生式系统，其前提和结论都是一些简单的断言。实用的产生式系统无论在结构上或规模上更为复杂。如果改变产生式的条件，把新的产生式加入规则集，改变产生式的执行顺序等。规则集的可管理性也许是产生式系统的最大优点。综上所述，在产生式系统中，我们只要根据部分知识就能把完整的知识生成出来，这是其它表示法所不能及的。产生式系统非但可以作为知识表示的工具，还可以作为问题求解系统，可以按各种搜索策略来设计解释器，以实现知识层次模型的三个层次的知识。产生式系统的分析和设计前面已介绍过产生式系统由三大部分组成，这里我们分别讨论在实用产生式系统设计中应该提到的问题。规则集：规则集是产生式系统赖以进行问题求解的核心，它是解决相应领域问题的过程性知识的计算机模型，因而规则集的性能直接影响到产生式系统的解题能力。在设计规则库时应考虑：规则的表达能力：规则应能有效的表达关于解决问题的过程性知识。一般性情况下，一条规则的结论部分既可以是一些与问题有关的结论，也可以是所产生的一系列的行动。这些行动当然与求解有密切的关系。规则不一定是绝对严格的规律，只要在其它应用中有效即可，如上例中，规则5：若动物是鸟类，且会飞，则为信天游。显然会飞的鸟还不止是信天游，但在这七种动物中，只有信天游才会飞，所以这些可以成为另一条规则来表示，产生式系统广泛地应用在专家系统中，需要考虑专家系统的表达方法，涉及如何使用规则描述不确定性知识问题。规则库的管理：对规则库进行适当的管理，采用合理的结构形式，能够避免访问那些与当前问题无关的规则，有利于提高解题效率。如，上例中我们将规则分为｛II，12，15，16，17，18，19，I10，Ill，I12｝和｛13，I4，I13，I14，I15｝两个子集，一旦识别出动物属于其中的一个子集，另一个子集中的规则在整个求解过程中就不用考虑了，从而提高了系统的解题效率，这种划分可以逐级进行下去，构成“层次型”规则库，例如，上层（I1，I2），下层（I5，I6，I9，I10）和（I7，I8，I11，I12），这样可构成如下所需的层次表达式：｛I1，I2,（I5,I6,I9,I10），（I7，I8，I11，I12）｝。我们还可以利用推理网络或“与或”技术来反映规则库的这种特征。若一个断言只出现在某规则的结论部分，则该断言为一个“根结点”，若一个断言是某条规则的结论部分，作为“父结点”，则该规则的前提断言为其“子结点”，只出现在一些规则的前提部分的断言为“叶结点”，如图所示，虚线以下的为叶结点。2.事实库：事实库用以存储与问题求解有关的叙述性知识。在求解过程中，各种中间结果都将存放在事实库中，因而事实库的动态组织管理也影响新产生式系统的性能。如在上例中，可以用事实库的动态性反映问题求解过程。产生式系统问题求解的过程，可以理解为把事实库由初始状态通过多次的规则匹配转移到目标状态上去的过程。控制器：控制器的任务是对规则集与事实库匹配过程进行控制，使产生式系统能有效地进行问题求解。通常要考虑以下问题：如何选取将规则与事实库进行匹配的顺序；如何解决冲突和协调问题。当有多条规则能与事实相匹配时，如何选取适当的规则；推理方法的组织，包括如何利用启发知识等，围绕这些问题人们已提出各种控制策略，如：数据驱动，目标驱动，混合控制等。产生式系统的开发和应用产生式系统的开发扩大规则集的表达能力。其前提条件不再是简单的事实而是事实、情况和条件的综合模式：其结论行动不是一个单一动作，而是执行一些复杂的程序；提高规则集的检索效率。各规则不是孤立的，而是组成树型或网络结构，组成多层结构的规则集，知道规则的应用；改进控制策略。简单产生式系统是采取固定的顺序匹配的“识别一执行”策略，对于复杂情况存在匹配排序及访问冲突现象，需要改进控制策略，解决规则匹配的优先顺序和冲突仲裁问题；合理匹配知识。通常产生式系统中，事实库存放叙述性知识，在规则集表达过程性知识或启发规律。在实际系统中，为了提高事实库检索与规则集匹配的效率，需要灵活地将知识合理分配在规则集和事实库中。产生式系统的应用目前，产生式系统是人工智能中应用最为广泛的知识表达技术，特别是专家系统的常用结构，例如：化学专家系统DENDRAT医学专家系统MYCIN；多层知识结构的专家系统；产生式规则与其它知识表达方法结合，PROSPECTON系统中，将产生式规则与语义网络相结合；基于产生式的知识获取系统，由于产生式规则易于增删和修改，便于人们理解和接受，所以，适用于构成知识获取系统，特别地通过“人一机”交互获取知识。第六节逻辑表达法一.逻辑表达法概况逻辑是人们思维活动规律的反映和抽象。逻辑是到目前为止能够表达人类思维和推理的最精确的、最成功的语言，它能够被计算机精确处理，又和人类的自然语言非常接近，因此，很容易被人们接受，最先在人工智能知识表示中获得广泛的应用。用逻辑作为知识表示工具的最大优点是：它们的严密性和便于推理，因而这种系统的通用性比较强。但是，最大不足是工作效率较低，主要原因是它把表达的内容和推理过程截然分开。推理是按形式逻辑进行的，但抛弃了内容所含有的大量信息，结果使得处理过程比较冗长。例如，有三块积木，Y在Z的上面，X单独放在一个地方，机械手举起积木时就要用逻辑方法描述这一过程，即“举起积木X在行动之前，积木Y在积木Z上面，积木X并积木丫，也非积木Z，而且X上面无其它任何物品，当完成这一动作时，Y仍然在Z上面”，进行一一核对，才能举起积木X，这当然是见长了。如何用逻辑来表达层次的知识，理论上可以实现，但做起来确实存在很多困难。

知识的逻辑表达通常指用一阶谓词逻辑描述人工智能的问题求解的。二.命题逻辑(略)先复习一下离散数学与数理逻辑方面的知识。1.命题逻辑的基本概念：“命题逻辑”是“谓词逻辑”的基础，在现实世界中，人们常要描述一些客观事实，例如：(b)天晴(a)天在下雨((b)天晴(c)人是会死的(d)诸葛亮是人(e)血液是红色的(f)他在哭(g)灯关等(h)他会骑马((g)灯关等这些句子在特定的情况下都具有“真”或“假”的含义，在逻辑上称为命题。命题逻辑是研究命题及命题之间关系的符号逻辑系统。通常，可以用大写字母，a，P等表示命题。复合命题在命题逻辑中，表达单一含义的命题称为“原子命题”。原子命题可以通过“联接词”的联接构成复合命题。例如：设P：天在下雨Q：天晴P-!Q表示：如果天在下雨则天不晴；其中，联接词有：“八"——合取即与“八"——合取即与即或条件P—Q条件P—Q命题P是命题Q的条件合式公式为了形式地研究命题及其推理，在命题逻辑中，用符号P，Q…等表示不具有固定具体含义的命题，称为“命题变元”。一个命题变元可以表示具有“真”，“假”含义的各种命题。命题变元可以利用联接词构成所谓“合式公式”，它是命题逻辑中一个十分重要的概念，其定义如下：⑴若P为原子命题，则P为合式公式，称为原子公式；⑵若p为合式公式，则SEP也是一个合式公式；⑶若P和Q均为合式公式，则（P八Q）、（PVQ）、（PfQ）等都是合式公式；⑷经有限次使用规则⑴⑵⑶得到的原子公式联接词和圆括号组成的符号串，也是合式公式。定义了合式公式的概念后，我们就可以讨论如何用命题逻辑表示简单的逻辑推理。在命题逻辑中，人们主要研究所谓推理的有效性。艮L能都根据一些合式公式（称为前提）推导新的合式公式（结论）。命题逻辑的推理规则定义的推理规则如下：⑴规则P：在推导的任何步骤上，都可以补入前提；⑵规则T：在推导过程中，如果前面有一个或多个命题永真，蕴涵命题S，即可以把命题S补入推导过程中；⑶规则LP:如果能补一组前提集合和R中的推导出S来，那么就能够从这组前提集合中推导出RfS来，其中，R为任意补入的命题。例如：设有如下推理，如果天下大雨，则停止球赛。天在下大雨所以停止球赛我们用P表示天下大雨，Q表示停止球赛，则我们可做出如下证明：⑴(1)PP规则⑵(2)PfQP规则(1，2)(3)QT规则（蕴涵式）从而证明Q为P和PfQ的有效结论。谓词逻辑“谓词逻辑”是“命题逻辑”的扩充与发展。它将一个原子命题分成“客体”与“谓词”两个组成部分。例如，在谓词逻辑中，我们可以用Human(x)表示“x是人”，这里x可以代表任何一个人的客体，如张三、李四、王五等，而Human是“谓词”。如：？论证所有的人都是会死的(1)vx(Human(x)—Die(x))因为诸葛亮是人(2)Human(zhugeliang)所以诸葛亮是会死的(3)Die(zhugeliang)式(1)、(2)、(3)分别表示论证中的相应的命题，若要证明上述论证是正确的，即能够由()、(2)推出(3)，将在以后有介绍。与命题逻辑相适应的谓词逻辑有：谓词公式，原子谓词公式，复合谓词公式等，例如，Human(x)就是一个原子谓词公式，其中，Human是谓词，x是客体变元。它可以有一个定义域或客体域，一个谓词可以有若十个客体变元，如，谓词F(x1，x2，…，xn)称为n元谓词。复合谓词公式由原子谓词公式通过联接词构成。由于谓词公式中x不是特定的个体，因而谓词也称为命题函数。我们可以用个体域中任何一个客体取代命题函数中的客体变元。从而给相应谓词公式赋真假值。例如，Human(x)中，x可以是张三，则“张三是人”，x也可以是李四，则“李四是人”。我们还可以用量化的方式给谓词赋值，如：vx(Human(x)—Die(x))表示“所有的人都会死的”。在这个命题中，其中，“vx”为“全称量词”，它表示客体中所有的个体，还存在一种量词“？x”为“存在量词”，用存在“？”表示存在，表示“在客体域中存在某个个体”，例如，？xR(x)表示一些数量是有理数，其中，R(x)表示x是有理数。在谓词公式P(x)中，x也可以是一个谓词，若x是一阶的，则P(x)为二阶谓词，这里我们仅限于讨论一阶谓词。一阶谓词的逻辑表示方法下面我们通过两个实例来说明如何用一阶谓词表达知识:例1：设有下例一组命题集⑴马克斯是男人man(marcus)马克斯是庞贝人Pompeian(marcus)⑶所有庞贝人都是罗马人vxPompeian(x)—Roman(x)⑷恺撒是一位统治者Ruler(Caesar)⑸所有罗马人或忠于恺撒的或仇恨他vxRoman(x)一loyalto(x,Caesar)Vhate(x,Caesar)(6)每个人忠于某个人？x?yloyalto(x,y)⑺人们只想暗杀他们不忠于的统治者vxvyPerson(x)Aruler(y)八tryassault一？loyalto(x,y)⑻马克斯试图谋杀恺撒tryassault(marcus,Caesar)这些谓词公式集合就构成一个机器定理证明问题的知识库。这样以来，利用上述知识就可以求解“马克斯忠于恺撒吗？”，这是一个机器定理证明问题。设？loyalto(marcus,Caesar)我们可以用反证法，？loyalto(marcus,Caesar),对⑺进行量化：Person(marcus)ARuler(Caesar)Atryassault(marcus,Caesar)由(⑷：Person(marcus)tryassault(marcus,Caesar)由⑻：Person(marcus)到此问题归结为要证明“马克斯是人”。若证明马克斯是人则命题是正确的，否则不正确。但是，根据所给的命题集机器无法证明“马克斯是人”，因为他只知道“马克斯是男人”，而不知道“男人就是人”。因此应在命题集中加入一条：⑼所有男人都是人vxman(x)—Person(x)这样才可以证明结论："马克斯不忠于恺撒”？loyalto(marcus,Caesar)例2：机器人行动计划(图设在一个含有壁室(alcove)的房间里，有两张桌子A和B,一个机器人(robot)和一个箱子(box)。为了让机器人从壁室出发把桌子A上的箱子移到桌子B上，然后回到壁室。需要制定相应的行动计划。我们用一阶谓词来描述机器人的行动计划。先定义所需要的谓词和个体：个体：robots机器人alcove^壁室box^桌子A,B谓词：TABLE(x)——x是一张桌子EMPTYHANDER(y)——y双手空空AT(y,z)y在z附近HOLDS(y,w)y拿着wON(w,x)x在w上这些谓词表达了事物之间的关系，其中个变元的客体域为：X：{A,B}y：(robot}Z：{A,B,alcove}w：{box}在做了上述定义后，问题的初态与目标状态为下列谓词公式的合取：初态：AT(robot,alcove)EMPTYHAND(robot)ON(box,A)TABLE(A)TABLE(B)目标状态：AT(robot,alcove)EMPTYHAND(robot)ON(box,B)TABLE(A)TABLE(B)如果我们把初态或目标状态分别看作是一张语句表，即数据库。我们可以看到在这个数据库中，大多数语句保持不变只有ON(box,A)变到ON(box,B),这一特点是很典型的。我们在一个世界内所作出的每一个动作，只改变了数据库中的几条语句。所以在一个动作实施之后，我们的问题是集中精力注意数据库中的那些该动作所起的变化。这样就可以集中研究由动作引起的变量的变化，而不是把精力放在那些数量大而又保持不变的语句上。例如，对于机器人把箱子由桌子A移到B上，然后回到壁室，这一动作就可以用：删除：ON（box，A）增加：ON（box，B）来描述。这就是说，机器人动作后的总效果是在数据库中删除ON（box，A）语句，增加ON（box，B）语句。同样，对于机器人执行的其他一些动作，也用同样的办法来处理，比如希望机器人走近桌子A然后拿起盒子，这一动作的效果就是：删除：AT（robot，alcove）EMPTYHAND（robot）ON（box，A）增加：AT（robot，A）HOLDS（robot，box）因此，对于机器人行动中实施的任何动作，都可以用一张增加删除表来表示，删除表表示一个动作结束后要从数据库中删掉的那些语句，增表表示该动作结束后要加入到数据库中的语句。要使机器人由初始状态转移到目标状态，必须施加一系列的操作才能实现，而每一个操作是由一个条件和一个动作组成的。这个条件决定在一个具体的状态下，是否可以使用该操作。如果决定可以使用该操作的话，那么动作部分就会告诉我们状态是如何改变的。如果操作是可以实施的话，那么对于相应的状态来说，条件就必须是一个必定为真的命题，就是说，如果我们把从数据库中取出的语句作为前提，那么由此得到的结论即为操作的条件，只有在这种状态下才能使用该操作，否则不行。比如说，有一个操作要机器人拿起放在桌子A上的箱子，很显然，运用该操作必须首先满足以下条件：箱子放在桌子上，机器人站在桌子旁，机器人手是空的，否则操作无法实施，即使实施，也达不到预期的目的。这一操作的条件可以表示为：ON(box,A)andAT(robot,A)andEMPTYHAND(robot)在条件中使用变量，如同使用独立的常量那样，通常是很方便的。由此而得到的条件更加一般化。比如说，我们并不针对某个具体的个体alcove，而可以在alcove出现的地方用变量来表示。这样就可以允许其它任何名字的个体来替换这个变量。在同一个操作中，我们有两种使用变量的方法。在某些情况下，我们希望用某个常量来替换某个变量，而在其它的情况下，我们希望所使用的常量是原来已经用来替换过某一变量的常量。区别这两种情况有许多不同的方法，我们沿用温斯特在他的人工智能教科书中采用的方法：＞x试图用一个常量替换X，使得条件为真；＜x使用原来已经替换过X的那个常量，在这种情况下，决不进行新的替换例如，考虑下面这个条件：ON(box，＞x)AndAT(robot，＜x)AndEMPTYHAND(robot)在ON(box，＞x)中的＞x就是要我们去找到一个个体去替换它，以使ON(box，＞x)能在知识库中出现。比方在知识库中包含一个ON(box，A)那么A就是〉x的一个可能替换。而在AT(robot，＜x)中的＜x就是要我们去看看，当＜x取一个先前已替换过＞x的常量时，在数据库中是否存在这样的一个语句。比如，如果用A替换过＞x，那么我们必须看看数据库中是否有语句AT(box，A)。在给定了操作的格式之后，为了求解我们既定机器人行动计划问题，我们可以补入三个操作：机器人从x处走到A处Go一to一A(＞x)操作：Go一to一A(＞x)条件：AT(robot，＞x)删除：AT(robot，<x)增加：AT(robot,A)机器人从x处拿起箱子操作：Pick—up一box(>x)条件：ON(box,>x)TABLE(<x)AT(robot,<x)EMPTYHAND(robot)删除：ON(box,<x)EMPTYHAND(robot)增加：HOLDS(robot,box)机器人在x处放下箱子操作：Set一down一box(>x)条件：AT(robot,>x)TABLE(<x)HOLDS(robot,box)删除：HOLDS(robot,box)增加：ON(box,<x)EMPTYHAND(robot,box)机器人在采取每次行动之前，总要检查当前状态是否和相应的操作条件相匹配。若匹配则行动，若不匹配，则检查下一个条件。这种匹配过程实际上也可以看作是定理证明过程，即证明“当前状态到目标状态”是否成立。有以上操作定义可以得到机器人行动规划的问题求解过程：AT(robot,alcove)EMPTYHAND(robot)ON(box,A)TABLE(A)TABLE(B)施加Go一to一A(>x)AT(robot,A)EMPTYHAND(robot)ON(box,A)TABLE(A)TABLE(B)操作：Pick—up—box(>x)AT(robot,A)HOLDS(robot,box)TABLE(A)TABLE(B)操作：Go—to—B(>x)AT(robot,B)HOLDS(robot,box)TABLE(A)TABLE(B)操作：Set—down—box(>x)AT(robot,B)EMPTYHAND(robot)ON(box,B)TABLE(A)TABLE(B)操作：Go—to—alcove(>x)AT(robot,alcove)EMPTYHAND(robot)ON(box,B)TABLE(A)TABLE(B)谓词逻辑表达法的特点及应用1.谓词逻辑表达法有如下特点:A.优点：严密性：可以保证其演绎推理结果的正确性，可以较准确清楚地表达知识;通用性：具有通用的逻辑演绎法和推理规则；自然性：谓词逻辑是一种接近于自然语言的形式语言；模块性：便于计算机实现逻辑推理的机械化。B・缺点：效率低：由于推理是根据形式逻辑进行的，把推理演绎与知识含义截然分开，抛弃了表达内容中所含有的语言信息，往往使推理过程太冗长，有时会出现“组合爆炸”；灵活性差：不便于表达和加入启发性知识及元知识。2.谓词逻辑表达法的应用谓词逻辑是一种应用比较早，比较广泛，也是较成功的知识表达方法，比较适用于证明方法求解问题的系统。如，自动问答系统：Green(1969)用逻辑方法表达知识，以定理证明方式推理，进行化学等方面的问题解答的通用系统；机器人行动规划系统：Fikes(1971)，在问题求解中采用了演绎推理方法，规划决策采用了“目标一手段”分析法；机器博弈系统：Filman(1976)，采用一阶谓词逻辑表达和演绎推理方法；问题求解系统：Kawaleti(1979)，直接用逻辑子句表示知识，简易方便。第七节语义网络表达法一.语义网络的基本概念现在，很多人工智能系统都应用语义网络来表达知识。所谓语义网络就是使用一套符号的一种形式。若用图来表示，语义网络由结点和弧构成。其中结点表示事实、概念和事件等，而弧表示它们之间存在某种关系，这样的图称为语义网络，换句话说，语义网络是通过概念及其语义关系，来表达知识的一种网络图。如：苹果的语义网络图：

图苹果的语义网络图语义网络的推理机制是基于匹配网络的结构。在语义网络中，程序可以从它感兴趣的结点开始，沿着弧线到其它有关的结点，然后又从这些结点出发到更远的有关结点，如此类推。这就像人脑具备的能力一样，能够从一个思想跳到另一个相关的思想。人脑在自由联想和每天的思维中都含有这种情况产生。但是，语义网络也象个迷宫，计算机也很容易在里面迷路。就象语义网络也容易引导计算机得出所需要的信息一样，为了使计算机能够很快的得到它所需要的知识，需要提出一些更有力的组织原理。语义网络的特点优点自然性：直接明了地表达概念之间的语义关系，接近于人们的语义记忆方式；联想性：看重于表达语义关系知识，体现了联想思维过程。例如，通过正、反例的比较进行学习的过程；效率较高：通过语义关系检索和推理，能较快地导出与问题有关的解，而不必遍历整个知识库。这是因为语义网络能将各个主要结点及弧明确而又简单地加以表示，使得有关对象和概念可以从它们直接相连接的那些结点中导出来。缺点不能像逻辑表达法那样保证推理的严密性和有效性；不便于表达判断性知识；不便于表达深层知识，如与时间因素有关的动态知识。总之，用语义网络表示知识的最大优点是把各种事物有机地联系起来。它比较正确地反映了人类对客观事物本质的认识，它所表达的知识主要关系知识。Fikes和Hendrix试图把判断性知识也纳入语义网络中去，因为人类的知识领域中，关系知识也判断性知识占很大比重，所以这是一个值得探讨的课题。此外，诸如结点的定义是什么？能否有统一的方法表达思想？语义网络的性质遗传规律是什么？这些都是值得探讨的课题。二、语义网络表达法的应用机器学习过程的表达语义网络表达法特别适合于机器学习过程的描述，机器学习的方式很多，一般来说有二类：自学式：由机器自动比较和发现正例和反例，找各差异，修正错误，获取知识；示教式：有人比较正反例，通过程序设计、修改机器的知识模型和知识库；下面是一个通过学习，从而使知识进一步深化的例子：图其它应用Quillian(1969)：研制“可教语言理解器”中，把语义网络作为知识Raphael(1968)：语义信息重现系统SIR；Carbanell(1970—1973)：直接利用TLC,研制了回答地理问题的教学系统；Walker(1978)：研制的语言理解系统，基于Hendire分割式语义网络系统；Mytopoules(1975)：自然语言理解系统，利用语义单元，提高检索效率。⑥第八节特性表表达法一.特性表的概念特性表(Propertylist)是通过对象特征来表达知识的一种表格形式，便于检索，在人工智能语言LISP中，米用了这种表达法。特性表由属性(Attribute)和取值两部分组成。对于不同的问题、不同的对象，所感兴趣的特征不同，所取的属性也不同，对于同一个问题和对象，不同的观点，不同的方法，所关心的特征和属性也有所不同，同一种属性，当系统状态不同时，其取值也不同，因此，特征表便于表达叙述性知识，也可以表达过程性知识或控制性知识。属性取值颜色(Color)Red引擎(Engine)V8型号(Model)M-16v车体(Body)Sedan厂商(Maker)Ford所有这些特征都同汽车的描述有关。很显然，对此还可以给出更多的特征，更确切的说，需要给出的特性取决于我们描述它的目的。车主感兴趣的特性、汽车的出售商所关心的特性，以及汽车的修理技师所关心的特性都是各不相同的，当然，也会有相同的部分。描述一个现实世界的状态，有一种方法就是把这个世界中的每一个物体同一种特性表结合起来，这个特性表包含了该物体的所有特性，而这些特性都是同状态描述的目的相关联的。特性表应用举例下面我们把上述机器人的行动计划用特性表来描述初始状态对象属性取值RobotLocationAlcoveholdsemptyBoxSupported-byAAIs-aTablesupportsboxBIs-aTablesupportsempty2.目标状态对象属性取值RobotLocationAlcoveholdsemptyBoxSupported-byBAIs-aTablesupportsemptyBIs-aTablesupportsbox3.中间某种状态对象属性取值RobotLocationholdsBboxBoxSupported-byrobotAIs-asupportsTableemptyBIs-asupportsTableempty特性表的一个优点是，每一事物的属性都同事物本身结合在一起，比方拿一个以机器人为对象的程序来说，如果它运行的话，它就用不着为了寻找那些有关机器人的语句去搜索整个庞大的数据库，它已经有了包括机器人所有的特性的一张特性表。然而，特性表的最重要的优点也许在于：它们已经成为LISP程序设计语言的一个组成部分了，LISP目前是在人工智能中应用最广泛的一种人工智能语言。在该语言中，对于诸如robot，box，A这样的符号，它都含自动给出它们的特性表。LISP系统运用其中的特性放入特性表中，或增删它们或改变它们的值。具有这些功能的函数，在大多数LISP语言文本中都可以找到。因此，由于在程序语言中已经建立起来了处理特性表的各种手段，每一个程序用不着自己去重新搞一套特性表，所以对于使用LISP语言的程序设计来说，特性表用起来是非常方便的。第九节框架表达法框架表达法的概念及表示人们不必对自己的每一个动作都经过推理后才做决定，并且能一天天的这样生活下去。这是因为人们每天生活的内容大部分包含了一系列的典型情景。比如：坐在客厅里看电视；开车去上班；在办公室处理日常事务；上大学或高中课程；在饭馆吃饭；饭后收拾干净桌子等。如何处理以上的情景以及许多其它的情景，人们在刚刚接触生活的时候开始学习了。此后，人们就能不经过思考直接处理这些情景。人们可以把精力集中到那些不同点或重点上去。比方，这里的其它人都讲了些什么，略加思考以后就能解决情景所要求采取的行动。我们称之为常识的东西而实际上就是处理日常事务的能力。尽管我们以前没有同当前情景完全相同的经历，但是对于每一类典型的情景，我们还是能预料到会出现某些特征。例如，在进入一个新的饭馆以前，我们可以想象出：它有桌子，椅子，男女服务员，菜谱，坐在门口的收银员等，当然，一旦实际进入该饭馆后可能会发现一些细节与想象中的不同，或许没有服务员，人们必须自己到柜台领取饭菜等。在这种情况下，就要对自己预料的情况做一些的修改，其他都照原来预料的进行处理。由此可知，框架是用来描述典型情景的一种数据结构，或称一组“画面”。我们可以想象框架中有许多空槽（slot），这些空槽对应于我们预料在情景中能找到的各次具体内容。拿客厅为例子，它的空槽就是用来表示我们预料会在客厅里找出各种东西，如地板墙、天花板、沙发、咖啡桌、电视机以及挂在墙上的画等。当一个框架第一次被调用时，在其大部分空槽中都填有典型值，或称为默认值。例如，在客厅这框架中，电视机这一空槽的默认值可能是一台平常的彩色电视机。自然，当我们进入一间具体的客厅时，就会发现有些默认值需要替换，或许是这间客厅只有黑白电视机而不是彩色的，或许电视机不放在客厅里或许房子主人讨厌电视机等等。因此，一个框架，在我们对它有了切身体验之前，或在我们对自己的经验进行分析之前，就概括了我们所能设想到的那些事物。各种“框架“可以相互内外嵌套成框架系统。用于表达问题的状态变化或操作及相互关系。利用框架系统的嵌套结构，便于表达不同的层次的知识，通过扩充子框架可以进一步描述问题的细节。总之，框架是由一组描述物体各个方面的槽所组成的，每个槽都有它自己的名字，并可以填入相应的说明，补充新的事实的条件、数据或结果，修改问题的表达形式和内容，便于表达对行为后果和系统状态的预测和猜想。例1，描述个人的框架framePerson

PROFESSIONHEIGHTWEIGHTframe用框架系统进行推理或认识事物，很类似日常生活中的行为就是从现有的系统中选出最接近待定事物的框架，进行符合性检查，如果相差的太大，就要修改原有框架甚至构造新框架，直至达到规定的符合程度。例2.机器人纠纷问题设机器人罗宾和苏西在一块玩耍，淘气的苏西打了罗宾一下，其结果可以猜想，有两种可能：其一，罗宾愤怒，还击苏西一下，苏西也不示弱，二人撕打起来；其二，罗宾没有还手，但感到委屈然后就哭起来了。由于还可以看出，框架系统实际上也是一种广泛的特性表。框架表示法的特点及应用框架系统的优点：框架系统是Minekey(1975)提出来的，当时作为机器视觉、语言理解等知识的表达方法，有如下优点：利用框架的嵌套式结构，可以由浅入深地对事物的细节，作进一步的知识表达；利用空框对空槽可以自由填写补充，修改其内容，便于知识的修改和增删；便于表达推测和猜想，如看见桌子三条腿，就会推测它有四条腿；自然性，框架方法体现了人在观察事物时的思维活动，即从已有的记忆中，调用类似的概念和印象(框架或画面)，将其中某些细节加以修改、补充，形成对现有事物的认识。这里，套用了记忆中已有的框架，即利用了已获得的经验知识。框架系统的应用人们已利用框架系统表达法做了不少工作，例如：Bobrow(1977)研制了基本框架表示法的知识表达语言；Bobrow等(1977)研制的通用理解系统GUS，是用框架方法的“人机”对话系统；Stefik(1979。1980)研究用画面表达知识的多层规划系统；Grelner(1980)知识表达语言的语言RLL。知识表达法一一电影脚本与框架表达法相同的是电影脚本(Script)理论，它是Schank在1975年提出的，电影脚本描述的是一个事件的序列，它不只是描述事情本身，而且在描述时规定了一系列动作以及进入此脚本的条件，原因和有关的决定性的概念。这个脚本是标准化的，用来描述人类行为的序列。Schank和Abelson认为，人的头脑中有许多这样的脚本，根据上下文可以预测事件的各个方面，例如有一个餐馆脚本如下：人物：顾客、服务员、出纳员道具：餐馆、餐桌、菜单、食物、饭钱、小费事件：①顾客进入餐馆；顾客在餐桌前坐下；服务员给顾客菜单；顾客点菜；服务员端来饭菜；顾客吃饭；服务员递交帐单；顾客给服务员小费；顾客付钱给出纳员；顾客离开饭馆。在这个脚本中，事件①和事件⑥是主要部分，事件①是主题，事件⑥是脚本的主要概念和目的。如果我们看到一个句子“约瀚去吃饭”就可以预测约瀚走进餐馆，并进行一系列动作，而且根据上句就可以推测下句。所以脚本在自然语言理解方面获得了广泛的应用。但脚本也有困难，例如，“我进了餐馆，吃了一块点心，然后我买了一些杂货”。第一句进入餐馆脚本，第二句显然是在餐馆脚本结束以后转入另一个商店脚本，但也可能在餐馆里可以买到杂货，如果这样，餐馆脚本就要设计的十分复杂。另一种情况，如，我们开车到加油站加油，店主说没有汽油了。象这种情节较为简单的脚本就无法一一的考虑各种序列。人类日常行为的脚本千千万万，很难想象用一个简单的脚本就能理解整个故事情节，人可以根据不完全的信息来了解推测全部情节，但计算机就很难办到。因此，用脚本来表示知识的理解时，常用匹配方法进入脚本，但这样就比较死板，能力有限。另一种构成脚本的方法是把所有的事件放在一起，根据行为达到目的，用规划的方法对事件进行动态连接，把一系列的动作和有关内容联系起来组成脚本，Schank和他的合作者曾研究用脚本的知识表达方法来理解自然语言，例如，理解这样一个故事：“约翰到一家餐厅去，他坐下来。他变得很愤怒，然后离去。”此故事经