بخشی از مقاله
روشهای بازنمایی دانش
چکیده
در این مقاله مرور مختصری بر کلیه روشهای موجود و شناخته شده در بازنمایی دانش، انجام می شود. این روشها شامل روشها و زبانهای منطقی و دیگر روشها در زمینه بازنمایی دانش می باشد.این راه کارها بسته به نوع کاربرد مورد استفاده قرار میگیرند و پایه گزار روش استنتاج در سیستم مبتنی بر دانش خواهند بود. در مهندسی دانش، یکی از فازهای طراحی سیستم مبتنی بر دانش، طراحی پایگاه دانش می باشد، در نتیجه شناخت حوزه کاربرد و نقاط ضعف و قوت هر یک از روشهای بازنمایی یکی از گامهای اساسی در طراحی سیستمهای مبتنی بر دانش است.
دادهها اطلاعات خامی هستند که در محیط عملیات تولید می شوند. اطلاعات، دادههای پردازش شده هستند و دانش مجموعه ای از اطلاعات مرتبط به هم، ft1CIها، استدلال ها، حالات نمادین و کلی میباشد. دانش به طور غیر فورمال، اطلاعاتی درباره یک دامنه یا موضوع است و یا درباره چگونگی انجام کارها توضیح میدهد. یک سیستم بازنمایی و استنتاج یا RRS ترکیبی از زبان برای ارتباط با کامپیوتر، راهی برای نسبت دادن معنا به زبان و توابعی برای محاسبه جوابها با استفاده ورودی داده شده در آن زبان می باشد.
بازنمایی دانش درباره اینکه چگونه میتوان دانش درباره محیط را بازنمایی نمود و چه نوع استنتاج هایی میتوان بروی آن دانش انجام داد کلید واژه: بازنمایی استنتاج، سیستم های خبره، شماتا، منطق فازی، منطق گزارهای
۱- مقدمه: یک سیستم مبتنی بر دانش یک برنامه نرم افزاری با بیان اخباری و صریح دانش برای یک برنامه مشخص، است. تکنیکهای سنتی در مهندسی دانش به طور گسترده برای تولید سیستمهای خبره مورد استفاده قرار می گرفت. این سیستمها بر مبنای دانش یک یا چند متخصص ساخته می شدند و با پردازش و استدلال بروی دانش همراه بودند. نقطه ضعف و اشکال این دیدگاه این بود که دانش متخصص از hard code استخراج میشد و کمترین درکی از اینکه آنها چگونه به یکدیگر مرتبطند وجود نداشت. این موضوع باعث می شود که پایگاه دانش با تغییرات به راحتی به هنگام نشود و برای تغییر آن نیاز به تلاش های بیشتر برای تغییر قوانین در کد برای اعمال تغییرات مورد نیاز، وجود داشته باشد. مهندسی دانش امروزه شامل بر متدها و تکنیکهایی برای به دست آوردن، مدل سازی، نمایش و ارائه و استفاده از دانش
است.
تکنیکهای نوین در مدل سازی دانش باعث شده که بتوان از دانش به صورت استفاده مجدد در حوزه های مختلف یک دامنه از مسائل استفاده نمود. در حال حاضر سیستم های مبتنی بر دانش، سیستم های نرمافزاری هستند که در آن دانش بشر برای حل مسائل و استدلال در لایه ای جدا از لایه کنترل و استدلال ذخیره شده است. به این ترتیب لایه دانش از لایه استدلال جدا شده و معماری و طراحی سیستم های مبتنی بر دانش با معماری
سیستمهای نرم افزار متداول تفاوتهای زیادی پیدا کرده است.
۲- سیستمهای بازنمایی و استنتاج
برای بیان هر مطلبی به کامپیوتر، نیاز به یک زبان ارتباطی
وجود دارد. در ضمن نیاز به روشی است که به جملات معنا دهیم و به راهی نیاز داریم که سیستم جوابها را به دست آورد. به طور کلی نیاز به روشی وجود دارد که به جملات و عبارات معنا دهد. یک سیستم بازنمایی و استنتاج از یک زبان فورمال، معنا و یک تئوری استدلال" تشکیل شده است || ۱ ||: - زبان فورمال جملات معتبری که میتوان برای بیان یک
domain به کار برد را مشخص می کند. زبان علائم معتبری را تعریف میکند و مشخص می کند که چگونه می توانند در کنار هم قرار گیرند. زبان با استفاده از گرامر مشخص می شود و یک پایگاه دانش مجموعه ای از جملات در آن زبان است. - معنای جملات زبان را مشخص می کند. معنا قراردادی را تعریف می کند که علائم زبان چگونه به task domainمربوط است. با استفاده از معنای زبان می توان معنای جملات را توضیح داد. - تئوری استنتاج یا تابع اثبات" یک توصیف از راهی است که جواب ها چگونه از پایگاه دانش قابل استخراج است و میتواند احتمالاً غیر قطعی باشد. تئوری استنتاج غالباً مجموعه ای از قوانین استدلال است و می تواند به طور غیرقطعی چگونگی محاسبه جواب را توصیف کند. یک تئوری استنتاج شاید برای معنایی" که تعریف شده، کافی نباشد. یک تئوری استدلال را SOund گویند اگر جوابهای صحیحی با توجه به معنا تولید کند و کامل گفته می شود اگر کلیه جواب های صحیح را تولید کرده و یا تضمین کند که اگر تنها یک جواب وجود دارد آن را تولید کند.
۳- روشهای بازنمایی دانش بازنمایی دانش، دانش را در یک فرم محاسبه پذیر توسط کامپیوتر مطرح میسازد || ۲ |. در بازنمایی دانش روشها و زبانهای مختلفی وجود دارد. یکی از مهمترین دسته ها، زبانهای منطقی می باشند. در ادامه به بررسی زبانهای منطقی در بازنمایی دانش می پردازیم، – PropOSitional logic (منطق گزارهای) (U4a slala) First-order logic - (slê saio) Fuzzy Logic - (sil 4.) Pseudo-Boolean– ProbabiliSticlogic( منطق احتمالی) دیگر روشها که در دسته بندی زبانهای منطقی قرار
نمی گیرند عبارتند از : (5- - - ) Object-attribute-Value(LA'94) A Frame - شبکههای معانی - - Scheme ( طرح یا شماتا) - اشیا (object) - شبکههای عصبی - شبکههای بیزین
۳-۱- منطق گزارهای منطق صوری یکی از قدیمیترین و سادهترین انواع منطق فورمال یا صوری است. اصطلاح صوری به این معنا است که منطق با شکل عبارات منطقی بیش از معنایشان سر و کار دارد. به عبارت دیگر منطق صوری بیشتر به ترکیب جملات مربوط است تا به معنی آنها. برای مثالی از منطق صوری، جملات زیر را در نظر بگیرید: فرض : همه Skueeqها MOOf هستند. فرض : علی یک Skueeq است. نتیجه : علی یک MOOf است. اگر چه کلمات Skueeq و MOOT بی معنی هستند، ولی شکل این استدلال درست است. بنابراین صرفنظر از اینکه چه کلماتی به جای Skueeq و MOOT قرار دهیم، استدلال معتبر است. این مثال نشان می دهد که معانی در منطق صوری اهمیتی ندارند. مفهوم جداسازی معانی و مفاهیم همان چیزی است که منطق را به یک ابزار قدرتمند تبدیل می کند. با جداسازی شکل از معانی می توان صحت یک استدلال را بررسی کرد، بدون آنکه صحت آن تحت تاثیر معانی قرار گیرد. از این جهت منطق صوری با علم جبر قایل قیاس است. زیرا در جبر عبارت X+۲X=۳X همواره صحیح است، صرف نظر اینکه X سیب، هواپیما و یا هر چیز دیگری باشد. در کنار منطق صوری، بول منطق نمادی را ارائه نمود که اهمیت وجودی به آن اضافه شده بود. منطق
گزارهای یا حساب گزاره ای، یک منطق نمادی برای ساخت و ترکیب گزاره ها می باشد. منطق گزارهای یک منطق کلاسیک و نحوه آن ساده است. منطق گزارهای با زیر مجموعهای از جملات خبری ارتباط دارد که آنها را میتوان به صورت درست یا غلط طبقه بندی نمود. جمله ای که بتوان درستی یا غلط بودن آن را بررسی کرد یک گزاره نامیده می شود. اگرچه منطق گزاره ای، منطق بسیار مفیدی است، اما دارای محدودیتهای است. مشکل عمده این منطق آنست که فقط با عبارات کامل می تواند سر و کار داشته باشد. بنابراین نمیتواند ساختار داخلی یک عبارت را بررسی کند. برای مثال منطق گزارهای نمی تواند صحت یک قیاس صوری مانند : همه انسانها فانی هستند - همه زن ها انسان هستند - بنابراین همه زنها فانی هستند؛ را اثبات کند. با توجه به این مشکل، به منظور تجزیه و تحلیل موارد عمومی تر، منطق محمولهای توسعه پیدا کرد. یکی دیگر از مشکلات منطق گزارهای افزایش بیش از اندازه تعداد گزاره های موجود در پایگاه دانش است. ضمن آنکه یکی از مشکلات مهم منطق گزارهای روبهرو شدن با تغییرات محیط است. گزاره هایی که در پایگاه دانش قرار می گیرند، در شرایطی که وارد پایگاه دانش می شوند، صحیح هستند، اما محیط همواره در حال تغییر است و باید مکانیزمی
برای تغییر در گزاره ها پیشبینی نمود.
۳-۲- منطق مرتبه اول سادهترین شکل منطق محموله ای، منطق محموله ای درجه اول است. منطق مرتبه اول یک منطق کلاسیک است و با ساختار داخلی جملات در ارتباط است. به خصوص این منطق با کاربرد کلمات خاصی که سورها نامیده می شوند، سر و کار دارد، مانند: "همه"، "بعضی " و "هیچ". دو سور اصلی "سور عمومی" و "سور وجودی" نام دارند. سور عمومی با نماد V به صورت "برای هر " یا " برای همه " تعبیر می شود. سور وجودی با علامت - بیان می کند که یک عبارت حداقل برای یکی از
اعضای دامنه درست است. در این منطق هر جمله درست یا غلط میباشد. منطق مرتبه اول قادر است حقایقی درباره تمام اشیاء بیان دارد. در این منطق دنیا شامل اشیائی است که موجودیتهای جداگانه ای هستند و دارای خواصی بوده و از یکدیگر قابل تشخیص هستند. در بین اشیاء روابط مختلفی وجود دارد. برای مثال بین دو شی
انسان رابطه برادری می توان تعریف نمود.
تصمیم گیری درباره اینکه یک تئوری منطق مرتبه اول سازگار است یا نه یک مسئله Semi-decidable است. یعنی الگوریتم های وجود دارد که اگر تئوری سازگار باشد، تضمین می کنند که به انتها برسند و جواب بله را به دست آورند؛ اما اگر تئوری ناسازگار باشد، ممکن است هیچ گاه متوقف نشوند. هیچ الگوریتمی وجود دارد ندارد که در هر دو مورد بایستد.
اگر چه منطق درجه اول در بسیاری از موقعیتها مفید است اما انواعی از عبارات وجود دارند که نمی توان آنها را در منطق درجه اول و با استفاده از سورهای عمومی و وجودی بیان داشت. به عنوان مثال عبارت زیر را نمی توان در منطق درجه اول بیان کرد: اکثریت کلاس نمره قبولی گرفتند.
سور اکثریت را نمی توان بر حسب سورهای عمومی و وجودی بیان داشت. مشکل دیگر منطق درجه اول بیان مسائلی است که بعضی اوقات صحیح هستند و نه همیشه. این مشکل را می توان در منطق فازی حل نمود.
۳-۳- منطق فازی موضوع عدم اطمینان موضوع جدیدی در منطق نیست. مفاهیمی در محیط اطراف ما وجود دارد که عدم اطمینان در آنها وجود دارد. این عدم اطمینان منجر به بحث نظریه احتمالات و ابهام شد. به طور کلی دو گونه ابهام در محیط وجود دارد. ۱) ابهام اتفاقی که نظریه احتمالات درباره آن صحبت می کند. ۲) ابهام لغوی برای توضیح بیشتر ابهام لغوی به مثال زیر توجه کنید: فرض کنید مفاهیمی مانند بلند، گرم، جوان و... مطرح باشند. ابتدا این سوال مطرح می شود که بلند کیست؟ به چه کسی بلند گفته می شود؟ یک انسان ۱۷۰ سانتیمتری بلند است یا ۱۸۰ یا ۱۹۰ سانتیمتری؟ فرض کنید برای بلند بودن یک آستانه تعریف کنیم و بلند بودن را بالاتر از ۱۸۰ cm تعریف می کنیم. با این فرض یک فرد ۱۷۹.۹ Cm بلند نیست ؟ در ذهن انسان غالباً استدلال اینگونه نیست و به طوری سلیس فازی فکر می کند و این فرد را بلند میداند. برای چنین استدلالی نیاز به منطق فازی وجود دارد. فازی در لغت به معنای مبهم می باشد و منطق فازی در رابطه با استدلال درباره رویدادها و مفاهیم فازی یا دارای ابهام لغوی بحث می کند. منطق فازی بر اساس نظریه مجموعه ها بنا شده است. در نظریه مجموعه ها عضویت یک عنصر در مجموعه با یک عدد صفر یا یک مشخص می شود. مشکلی که در این دیدگاه بروز می کند
از آنجا ناشی می شود که ما در دنیای کمیتهای پیوسته زندگی میکنیم. در این محیط، وضعیت ها در یک حالت یا حالت مقابل آن نیستند. در مجموعههای فازی یک عنصر میتواند تا حدودی متعلق به یک مجموعه باشد. هر چند ممکن است این موضوع عجیب باشد اما عملا در این موضوع بسیار طبیعی تر از مجموعههای کلاسیک است. با تعمیم دادن تابع مشخصه که در نظریه مجموعه های کلاسیک تعریف شده، درجه عضویت در یک مجموعه فازی محاسبه می شود. هر چند بیان اینکه یک عنصر تا حدی به یک مجموعه متعلق است آسان است، اما تبدیل این مفهوم به یه موضوع کاربردی مشکل است. به این ترتیب تابع عضویت باید به طور عددی و دقیق مشخص کند که هر عنصر تا چه اندازهای به یک مجموعه متعلق است. این مجموعه ها با اصطلاحات فازی بیان می شود. با یک مثال این موضوع را شرح میدهیم: جمله مقابل را در نظر بگیرید: پویا قد بلند است. ضمناً برای قد، مجموعه های فازی زیر را تعریف نمودهایم: { خیلی بلند، تاحدودی بلند، بلند، متوسط، کوتاه، خیلی کوتاه } برای تعریف اینکه با چه قدی افراد به کدام مجموعه متعلقند تابع عضویتی مطابق شکل ۱ تعریف می کنیم. در شکل ۱ فردی که ۱۸۰ cm باشد، ۲۵. ۰ متعلق به مجموعه "بلند" میباشد و ۰.۵ متعلق به مجموعه "تا حدودی بلند" و فردی که ۱۰۰ Cm باشد ۱۰۰٪ متعلق به مجموعه خیلی کوتاه است. تبدیل این اعداد به متغیرهای زبانی کوتاه و خیلی کوتاه و بلند را فازی سازی می گویند. پس از انجام استدلال باید به روشهایی بلند یا کوتاه را دوباره به اعداد حقیق تبدیل نمود. این عمل برگرداندن از ترم فازی یا defuZZification نام دارد.
استدلال فازی ۳ مرحله اصلی دارد: ۱) فازی سازی ترمهایی که در شرایط و قوانین دیده می شوند. (fuzzification)
۲) استنتاج در منطق فازی ۳) برگرداندن ترمها از حالت فازی (defuZZification)
پس از تبدیل حقایق به عبارات فازی می توان قوانین استنتاج را به با استفاده از متغیرهای زبانی نوشت. با استفاده از روش فازی، دانش به طور صرحی بیان می شود: برای مثال در انتخاب تیم بسکتبال بر اساس قد افراد دانش را میتوان در قالب جمله های زیر نوشت : - افراد خیلی بلند را حتما انتخاب کنید. - افراد بلند را در تمرینات شرکت دهید. - افراد تا حدودی بلند را برای ذخیره استفاده نمایید. - از افراد متوسط اما با استعداد برای ذخیره استفاده کنید. - از انتخاب افراد کوتاه و خیلی کوتاه پرهیز کنید. دانش یک مربی بسکتبال برای انتخاب تیم با معیار قد آنها در جملات بالا بیان شده است. با فازی سازی میتوان طبق این جمله ها استدلال نمود. دانش بیان شده واضح است، اما اشکال فازی، عدم پیش بینی مکانیزم های یادگیری در آن است. به همین دلیل، شبکههای عصبی در بازنمایی دانش با تئوری فازی ترکیب شدهاند و شبکههای نرروفازی تشکیل شدهاند که در عین استفاده از مکانیزمهای یادگیری شبکههای عصبی از بازنمایی صریحی دانش منطق فازی استفاده می کنند.
۴- ۳- منطق شبه باینری در بسیاری از سیستمهای هوش مصنوعی در بازنمایی دانش در یک فرم باینری، نوشتن C اb اal به این معنا است که حداقل یکی از مجموعه b ، a و c درست باشند. در یک راه جایگزین می توان نوشت
