《数据挖掘原理与SPSS Clementine应用宝典 第3章 语义网络挖掘及其应用 课件 》由会员分享，可在线阅读，更多相关《数据挖掘原理与SPSS Clementine应用宝典 第3章 语义网络挖掘及其应用 课件 （65页珍藏版）》请在金锄头文库上搜索。
1、第3章 语义网络挖掘及其应用,3.1语义网络概念 3.1语义网络概念 3.2语义网络挖掘原理 3.3基于AutoCAD的注塑模架设计专家系统,3.1语义网络概念,3.1.1概述 首先要明确，本小节所讨论的人工智能是传统的符号智能，人工智能是研究用机器模拟人脑所能从事的感觉、认知、记忆、学习、联想、计算、推理、判断、决策、抽象、概括等思维活动，来解决人类专家才能处理的复杂问题的理论。 人工智能将问题求解作为人类思维活动的最主要的内容加以研究和模拟。 人工智能采用推理的方法进行问题求解，具体地，是在问题的解空间中进行最优解的搜索。,第3章 语义网络挖掘及其应用,3.1.2知识的表示,人工智能中常用
2、的知识表示方法有状态空间法、问题归约法、谓词逻辑法、产生式法、语义网络法、框架法、脚本法等。知识表示方法优劣，对问题求解结果及计算量的影响极大。而表示方法优劣的评价往往以求解（搜索）空间的大小为标准。 状态空间法 问题归约法 谓词逻辑法 产生式法 语义网络法,第3章 语义网络挖掘及其应用,3.1.3搜索原理,盲目搜索:盲目搜索是在没有任何引导信息的条件下所采用的搜索策略，通常采用图搜索方法。 启发式搜索:具体问题领域的信息常常可以用来简化搜索，利用启发信息的搜索方法称为启发式搜索方法。 归结推理方法:在谓词逻辑中，可以利用等价关系、置换操作以及合一的概念进行归结推理，这就是基于谓词逻辑知识表示
3、的问题求解方法，也被称为归结推理方法。 不确定性推理方法:知识的不确定性 、基于概率增量的可信度、结论的可信度、可信度的其他描述方法 非单调推理方法:常识推理的特征 、非单调推理,第3章 语义网络挖掘及其应用,3.1.4语义网络及其特性,什么是语义网络呢？ 语义网络是通过概念及其语义关系来表示知识的一种网络图。一个语义网络是一个带标识的有向图，其中，有向图的节点表示各种事物、概念、属性、动作、状态等，有向孤表示它所连接的节点间的某种语义联系，每个节点可以带有若干属性，可以用框架或元组来表示一个节点的若干属性。一个节点还可以是一个语义子网络，从而形成一个多层次嵌套结构的语义网络 。,第3章 语义
4、网络挖掘及其应用,一个最简单的语义网络是如下一 个三元组（节点1，孤，节点2） 它可以用一个有向图表示，如图 3-2所示，称为一个基本网元。 其中，A、B分别表示两个节点， 表示A与B之间的某种语义联系。 有向孤的方向是有意义的，由 节点间的语义关系确定。,例如在表示类属关系时，有向孤箭头所指的节点表示上层概念，箭尾节点表示下层概念或者一个属于该类的具体事物。如图3-3所示的语义网络就是一个基本网元，其中，“猎狗”与“狗”之间的语义联系“是一种”具体地指出了“猎狗”与“狗”的语义关系，即“猎狗”是“狗”的一种，两者之间存在类属关系。,图3-3 猎狗与狗的语义网络,猎狗A,狗,第3章 语义网络挖
5、掘及其应用,语义网络,图3-2 基本网元,当把多个基本网元用相应语义联系关联在一起时，就得到一个语义网络。 下面给出语义网络的BNF描述 =（，） 基本网元= 节点=（，） = = 其中，是一个合并过程，它把括号中的所有基本网元关联在一起，即把相同的节点合并为一个节点，从而构成一个语义网络。例如，如图3-4所示的三个基本网元，经合并后构成一个语义网络。,第3章 语义网络挖掘及其应用,语义网络,图3-4 基本网元的合并示例,第3章 语义网络挖掘及其应用,语义网络,A,A,A,1用语义网络表示事实,图3-5 狗的语义网络,猎狗,动物,狗,有尾巴,身上有毛,能狩猎,吃肉,会吃,能运动,跑得快,有生命
6、,第3章 语义网络挖掘及其应用,语义网络,第3章 语义网络挖掘及其应用,语义网络,在语义网络中，一个节点可以有一组向外的有向孤，用于指出这个节点与多个节点的语义联系，这在表示稍微复杂一点的事实性知识中是常用的，例如，我们来看如下事实 “小信使”这只鸽子从春天到秋天占有一个窝,在图3-6(a)中设立了一个“占有”节点，只有通过设立“占有”节点及相应的4条有向孤才能把占有者、占有物和占有的起止时间关联起来。 如果把“占有”作为一个语义关系用一条有向孤表示，即如图3-6(b)中所示，则占有的起止时间就无法表示出来。 在一些事实性知识中，经常会用到“并且”和“或者”这样的连接词。,第3章 语义网络挖掘
7、及其应用,语义网络,2用语义网络表示事物间的关系 语义网络可以方便地描述事物之间的多种语义关系，下面给出常用的几种关系。 1) 分类关系 2) 聚集关系,第3章 语义网络挖掘及其应用,语义网络表示,图3-7 聚集关系示例 图3-8 推论关系示例,第3章 语义网络挖掘及其应用,语义网络表示,图3-9 具有全称量词的语义网络示例一 图3-10 具有全称量词的语义网络示例二,s,r,p,客体,s,r,是,主体,客体,F,第3章 语义网络挖掘及其应用,语义网络表示,例如，对如下事实 每个学生都背诵了一首唐诗,可用如图3-9所示的语义网络表示。 其中，s是全称量词变元，表示任一个学生；r是存在量词变 元
8、，表示某一次背诵；p也是存在量词变元，表示某一首唐 诗。用节点g表示这个子空间，用有向孤F指明节点g表示是 一个什么样的子空间。有向孤F指出子空间g中的全称量词变 元是s。若在子空间中有多个全称量词变元，则超节点g就有 多条有向孤指向子空间中的多个变元节点。节点GS表示整 个空间。,第3章 语义网络挖掘及其应用,语义网络表示,例如，对如下事实 每个学生都背诵了“静夜思”这首唐诗,由于“静夜思”是一首具体的唐诗，是一个常量，不是全称量词变元s的函数，因此，应该把它放在子空间之外，如图3-10所示。,第3章 语义网络挖掘及其应用,语义网络表示,4常用的语义联系 语义联系反映了节点之间的语义关系，鉴
9、于事物之间语义关系的复杂性，所以可以定义多种多样的语义联系。 在框架表示法中，给出了一些系统预定义槽名用以指明用框架表示的事物之间的联系，这些系统预定义槽名，如ISA、Subclass。下面给出另外一些常用的系统预定义语义联系。,第3章 语义网络挖掘及其应用,语义网络表示,图3-11 A-Member-of联系示例 图3-12 Composed-of联系示例,第3章 语义网络挖掘及其应用,常用的语义联系,图3-13 Havel联系示例 图3-14 At联系示例,图3-15 Located-on联系示例 图3-16 Similar联系示例,第3章 语义网络挖掘及其应用,常用的语义联系,【例3.1
10、】由给出的系统预定义联系画出下述知识的语义网络 每位住在金山公寓3号楼的人都是金山公司的程序员,解：我们首先把要表示的知识用谓词公式表示出来，然后再用语义网络表示。上述知识用谓词公式可表示为,其中，引入了4个谓词，分别是,表示x的职业是y,第3章 语义网络挖掘及其应用,常用的语义联系,用语义网络表示上述知识的语义网络图如图3-17所示。,add,x,Have,Member-of,图3-17 例3.1的语义网络表示,常用的语义联系,第3章 语义网络挖掘及其应用,语义网络的推理主要包括网络匹配、继承推理和网络演绎三个 方面的问题。 用语义网络表示知识的问题求解系统称为语义网络系统。该系 统主要由两
11、部分组成：一是由语义网络表示的知识库；二是利 用语义网络求解问题的程序，称为语义网络推理机。 1语义网络系统的推理 语义网络系统求解问题的基本过程为： 1)把待求解的问题构造为一个问题网络片断，其中有些节点或有向孤的标识是空的，反映待求解的问题。 2) 在搜寻过程中，可根据需要进行继承推理和网络演绎。 3)当问题网络片断与知识库中的某语义网络片断匹配时，则由此可匹配的语义网络片断得到问题的解。,第3章 语义网络挖掘及其应用,3.1.5 语义网络的推理及其特点,语义网络的推理主要包括网络匹配、继承推理和网 络演绎三个方面的问题。 用语义网络表示知识的问题求解系统称为语义网络 系统。 该系统主要由
12、两部分组成： 一是由语义网络表示的知识库； 二是利用语义网络求解问题的程序，称为语义网络 推理机。,第3章 语义网络挖掘及其应用,3.1.5 语义网络的推理及其特点,1.语义网络系统的推理 语义网络系统求解问题的基本过程为： 1)把待求解的问题构造为一个问题网络片断，其中有些节点或有向孤的标识是空的，反映待求解的问题。 2) 在搜寻过程中，可根据需要进行继承推理和网络演绎。 3)当问题网络片断与知识库中的某语义网络片断匹配时，则由此可匹配的语义网络片断得到问题的解。 2.继承推理 继承推理是指推理机利用ISA和AKO等具有继承性的语义联系对网络片断中并不显式存在的结构进行匹配。 3.语义网络演
13、绎 语义网络演绎就是在推理网络上进行的搜索匹配过程。,第3章 语义网络挖掘及其应用,语义网络的推理,语义网络表示法主要有以下特点： (1) 结构性 (2) 自然性 语义网络表示法的主要局限性有以下几点： 非严格性 复杂性,第3章 语义网络挖掘及其应用,语义网络表示法,3.2语义网络挖掘原理,3.2.1概述 1.学习与机器学习 学习能力是人类智能的重要内容，人工智能的目标之一应该是理解学习的本质和建立学习系统。 机器学习的目的就是将数据库和信息系统中的信息自动提炼和转换成知识，并自动加入到知识库中。即机器学习的目的是自动获取知识。,第3章 语义网络挖掘及其应用,2.环境与知识库中的信息 环境中包
14、含系统的工作对象，也可以包括外界条件。环境提供给系统的信息的水平和质量对学习过程有很大影响。,信息的水平和质量 知识库的形式与内容 学习策略 归纳学习和类比学习是目前的研究热点 ，下面分别介绍归 纳学习中的实例学习和类比学习。,第3章 语义网络挖掘及其应用,语义网络挖掘原理,3.2.2实例学习,1.实例学习属于归纳学习 实例学习又叫概念获取，它的任务是确定概念的一般描述，这个描述应能解释所有给出的正例并排除所有给出的反例。 归纳原理的基本思想是在大量观察的基础上通过假设形成一个科学理论。所有观察都是单称命题，而一个理论往往是领域内的全称命题。,第3章 语义网络挖掘及其应用,2.实例空间与规则空
15、间 在实例学习中，环境提供给学习环节的正例和反例是低水平的信息，学习环节归纳出的规则是高水平的信息。 全部示教例子的集合被称为“实例空间”，全部规则的集合被称为“规则空间”。 实例学习系统应在规则空间中搜索要求的规则，还应从实例空间中选出一些示教例子，以便解决规则空间中某些规则的二义性，最终找到要求的规则。,第3章 语义网络挖掘及其应用,实例学习,3.系统工作过程 系统在工作时，首先由教师提供实例空间中的一些初始示教例子，由系统对例子进行解释。 搜索实例空间的目的一般是选择适当的例子，以便证实或否决规则空间中的某个假设规则集合H。 解释示教例子的目的是从例子中提取出用于搜索规则空间的信息，也就
16、是把示教例子变换成易于进行符号归纳的形式。,第3章 语义网络挖掘及其应用,实例学习,4.归纳推理 规则空间表示方法应便于通过简单的操作实现归纳。对规则空间的要求有三方面： 规则表示方法应适用归纳推理 规则的表示与例子的表示应一 规则空间应包括要求的规则 5.规则空间的搜索 搜索规则空间的方法分为数据驱动和模型驱动两类,第3章 语义网络挖掘及其应用,实例学习,3.2.3类比学习,类比学习的概念 所谓类此学习是把两个或两类事物进行比较，找出它们在某一抽象层次上的相似关系，并以这种关系为依据，把某一事物的有关知识加以适当的整理，对应到另一事物，从而获得求解另一事物的知识。类此学习的核心技术是相似性的定义和度量。 类比推理 类比推理是根据已知域的情况，用类比来回答关于另一未知域的问题，是一个解决问题的过程，也就是
