4.4.2. Фреймы.

Рассмотрим выражение Y₁ из примера в предыдущем пункте:

Y₁=((x₁ r₁ i₁)r₂(x₂ r₃ x₄))r₄(x₃ r₁ i₂)

Напомним, что таким образом описана ситуация «автомобиль Волга с номером A364/70Rus движется по направлению к городу Томску».

Подставим вместо имени i₁ некоторую неизвестную переменную z₁, тогда мы получим выражение, подразумевающее любую Волгу (номер cтанет не известен). Вместо i₂ мы можем подставить переменную z₂, тогда получим движение к любому городу. Если подставим переменную z₃ вместо понятия x₄, то получим автомобиль любой марки. Таким образом, получаем разные уровни фреймов. Переменные z₁, z₂ и z₃ называются слотами, для каждого слота cуществует множество значений. Фреймы позволяют описывать общие случаи, а при подстановке вместо переменной конкретного понятия или имени конкретизируется ситуация.

Фреймовые модели очень широко применяются там, где следует автоматизировать процесс распознавания конкретной ситуации, прежде всего в системах ситуационного управления, т.е. в системах, которые просчитывают необходимое действие, поставленное в соответствие конкретной ситуации, которую следует распознать (пример – электронный диспетчер в аэропорту). На основе классических (неинтеллектуальных) методов построить такие системы фактически невозможно. Неэффективным оказывается и применение логических и продукционных моделей.

Отчасти с идей фреймов перекликается методология функционального программирования (самый распространенный функциональный язык – Лисп (Lisp) – list processor –n обработчик списков). Основные объекты Lisp-программы – список (содержит данные) и функция (вырабатывает конкретной результат). Программа практически представляет иерархию вложенных вызовов функций. Функциональное программирование и язык Лисп будут рассмотрены в восьмой главе.

4.5. Сетевые модели представления знаний

Сетевые модели – частный случай реляционных. В естественном языке понятия связаны некоторыми отношениями. Эти отношения на самом деле не являются разрозненными, а образуют некую единую сеть взаимосвязей, которая отражается в сетевых моделях. Иногда к сетевым причисляют формы представления знаний, не относящиеся к реляционным языкам, но предполагающие структуризацию в виде сети (например, нейронные сети).

4.5.1. Понятие семантической сети.

Начнем с неформального определения. Под семантической сетью понимается простой ориентированный граф, вершины которого соответствуют понятиями (или именами) естественного языка и помечены знаками соответствующих понятий, а ребра соответствуют отношениям между ними и помечены знаками соответствующих отношений.

Пример 1. Автомобили Нива и Волга движутся навстречу друг к другу по направлению к городу Томску.

//рисунок (10)

Теперь приведем формальное определение. Семантической сетью называется пятерка ((X, O), A, R, f, g),

где (X,0) – простой ориентированный граф (X – множество вершин, O – множество ребер, т.е. фактически упорядоченных пар вершин),

A – множество понятий и имен,

R – множество отношений,

f: X→A – функция разметки вершин (каждой вершине ставится в соответствие одно и только понятие),.

g: O → P(R)/ǿ (11)– функция разметки ребер (каждому ребру ставится в соответствие непустое подмножество понятий).

Семантические сети часто используются при решении задач распознавания образов (сюда относятся задача распознавания печатных знаков, распознавание звуков человеческого голоса и т.д.).

Пример 2. Пусть есть следующее изображение:

//рисунок (12)

Его можно смоделировать с помощью следующей семантической сети:

//рисунок (13)

Здесь, А={КВ, МТ, БТ}, R={в, к, п}.

КВ – квадрат, МТ – малый треугольник, БТ – большой треугольник, в – выше, к – касаться, п – правее.

В виде семантической сети можно представить не только исходные данные, но и запрос. Задача состоит в том, чтобы определить имеется ли в исходной сети фрагмент, соответствующий запросу и если таковой имеется, то выделить его.

Алгоритмы поиска в семантической сети применимы и в ИПС.