语义网络及其应用实例浅析Word文档格式.docx

语义网络及其应用实例浅析Word文档格式.docx

《语义网络及其应用实例浅析Word文档格式.docx》由会员分享，可在线阅读，更多相关《语义网络及其应用实例浅析Word文档格式.docx（10页珍藏版）》请在冰点文库上搜索。

当时的语义网络主要应用于自然语言理解系统中，表示事物之间的关系。

由于其强大和直观的表示能力，不久就广泛应用于人工智能研究和应用开发的许多领域。

1972年，西蒙正式提出语义网络的概念，讨论了它和一阶谓词的关系，并将语义网络应用到了自然语言理解的研究中。

语义网络采用网络形式表示人类的知识，其表示由词法部分、结构部分、过程部分和语义部分四部分组成。

一个语义网络是一个带标示的有向图。

其中，带有标识的结点表示问题领域中的物体、概念、时间、动作或者态势。

在语义网络知识表示中，结点一般划分为实例节点和类节点两种类型。

结点之间带有标识的有向弧标识结点之间的语义联系，是语义网络组织知识的关键。

因为语义网络表示知识的实质是知识的图解表示，所以这种表示法容易把各种事物有机地联系起来，它特别适于表达关系知识。

语义网络通过对于个体间的联系追溯到有关个体的节点，实现对知识的直接存取，能比较正确地反映人类对客观事物的本质认识。

应用语义网络使得知识表示更为直观，便于理解。

语义网络的特征包括以下几个方面的内容：

1、重要的相关性得意明确表示；

2、相关事实可以从直接相连的节点推导出来，不必遍历整个庞大的知识库；

3、能够利用“IS-A”和“Subset”链在语义网络中建立属性继承的层次关系；

4、易于对继承的属性进行演绎；

5、能够利用少量基本概念的几号建立状态和动作的描述。

下面我们通过一些简单语义网络表示知识的实例来进一步说明如何通过语义网络来实现知识的表示。

比如我们要说明张三是一名教师，则可以用下图1所示的语义网络来表示。

图1语义网络实例

其中张三和教师是两个实体，在语义网络里我们分别用两个节点表示，而他们之间的关系则用“ISA”链相连来表示，称“ISA”为指针。

语义网络的节点不仅可以表示具体的实物，它还可以用来表达情况动作，把他们作为对象一样处理，每一情况节点可以有一组向外的弧（事例弧或事例框），用以说明情况谓词的各种变量。

例如我们要表示“小燕是燕子是一种鸟，并且它从春天到秋天占有一个巢”这一关系，我们可以用如下的语义网络进行表示。

图2语义网络实例

上图所示语义网络中设立了“占有权-1”（OWN-1）节点，表示小燕有自己的巢。

同时小燕还可以有其他东西，所以“占有权-1”只是“占有权”（OWNERSHIP）的一个实例，而“占有权”又只是一种特定的“情况”（SITUATION）。

小燕是“占有权-1”的一个特定的“物主”（OWNER），而“巢-1”是“占有权-1”的一个特定的“占有物”（OWNEE）。

小燕占有“占有权-1”的时间是从春天（SPRING）到秋天（FALL），“春天”和“秋天”有被定为“时间”（TIME）的实例。

从上可以看出语义网络法能够以人的一种思维方式将事物之间的相互关系表示出来，将人的思维过程规则化成为一种知识构架（知识表示方法），而且此种表示方法通过一定的处理过程就能成为计算机算所能接受和理解的知识，这给计算机的智能控制提供了一条途径。

二、语义网络应用实例

语义网络从提出到现在已近有了很大的发展与完善，已经从理论走向了实际。

一些基于语义网络法建立的系统模型，在处理问题时所得的结果更加接近实际，而且系统模型的建立也更加方便。

下面我们通过建立一些具体的语义网络实例来说明一下语义网络法在现科学研究中的应用。

2.1、家族人物关系的语义网络模型研究

社会人物关系错综复杂，其中与人们关系最密切的是家族人物关系。

在国外，表示家族关系的词汇相对于中国来说比较少，也没有中国划分的细致，应此要简单的多。

在中国，开展家族任务关系的研究较多，但大多是关于一个家族的家谱及家族任务的研究，为发掘家族历史与文化作出了突出贡献；

但是对家族关系的研究与自然语言理解技术相结合的研究却是刚刚起步，中国科学院有学生研究《红楼梦》中四大家族的人物关系，不过他们的研究在于针对特定家族，利用的是已处理好的格式化的文本知识，没有与知识库相结合，不具有普遍性，表示能力相对来说较为单一。

但是语义网络的出现，为这方面的研究提供了新的思路，为类似家族任务关系问题提供了新的解决办法。

本例从第三者提供的一句关于家族人物关系的问话出发，结合语义网络，研究普通的家族任务关系，总结出人物之间的关系谓词，融合Prolog技术，建立家族人物关系推理机制及算法（由于篇幅原因只建立了语义网络和任务之间的关系谓词，家族人物关系推理机制及算法的建立请参考相关文献）

本例首先对第三者提问的初始句子进行一系列处理，得到一个标准化的句子；

提取知识，转化为三元组的形式存储于知识库；

然后构造表示家族人物关系的语义网络；

最后依据语义网络生成基本谓词，对提问目标进行相关推理，得出合理答案。

描述家族人物关系的四种简洁关系可以总结成：

性别，婚姻，亲子，年龄。

这些关系可转换为一阶原子谓词，称之为基本谓词。

定义如下：

（1）、SEX（X，[F|M]）表示X的性别是“F”或“M”，“M”代表男性，“F”代表女性。

（2）、MARRIAGE（X,Y）表示X和Y有夫妻关系，第一个参数为丈夫，第二位为妻子。

（3）、CHILD（X,Y）表示X是Y的孩子，可能是儿子或女儿，Y可以是父母任一方。

（4）、ELDER（X,Y）表示X的出生顺序相对于Y要早，即X比Y年龄大。

这四种基本谓词在网络中表现为四种弧连接，如下图3所示，分别以弧标记S,A,C,E表示，其中S是一种特殊的弧，本文把它当作节点的属性。

图3表示四种基本谓词的弧连接

我们给上边给出的四种基本谓词的弧连接可以按一定的联系，构造复合谓词的语义网络，使其可以进行人物关系的推理。

例如，一个家族人物关系的实例为：

以我为中心，我是个男孩儿，叫I，我的爸爸是P，妈妈是Q，我的哥哥是B，他结婚了，对象是O，他们有一个孩子，叫Z，是个男孩儿。

我的爷爷是Y，奶奶是N，姑姑是G，姑父是U，他们的女儿叫T。

我的外公是L，他有一个女儿，也就是我的妈妈Q。

显然，I,P,B,Z,Y,U,L是男性，其余为女性。

本例的家族人物关系实例可以用下图4来表示。

爷爷，爸爸，姑姑，哥哥等称谓在语义网络中并没有显式表示，但可推理得出相应的复合谓词。

图4一个家族人物关系的语义网络

参照上面的关系实例，一个称谓“哥哥”，由语义网络转换为复合谓词就是：

GeGe（B,I）:

-SEX（B,M）,CHILD（B,P）,CHILD（I,P）,ELDER（B,I）

GeGe（B,I）不直接存储在知识库中，只存储对应Horn子句中的子目标。

接着下一步的工作就是把本例中的推理思想具体编程实现，并解决一些没有处理好的问题，如在知识库中实现不同家族知识的有效区分及多人多关系的处理等问题，进一步完善推理机制。

这样就实现人类语言向机器过渡之后再用来解决实际问题的过程。

2.2、基于特征的零件知识语义网络表示法

由于所有的零件都是由有限个基本特征体组成的，不同零件的特征体是相同的，将零件分解为特征体，进行零件特征体的搜寻，则总能成功匹配。

所以，若将多样化的零件知识转化为有限的特征知识，并用适当的知识表示法来表示特征及特征之间的联系，可解决新零件工艺匹配不成功的问题。

语义网络适于表示对象之间的从属关系，并具有较强的推理能力，适合用于表示基于特征的零件知识。

l）零件的特征分解

组成零件的基本特征有形状特征、基准特征、工艺特征、管理特征。

形状特征分主特征和辅助特征，主特征指构成零件的主要外表面体和内表面体;

辅助特征指依附在主特征之上的附属特征。

组成零件的基本特征列于下表1。

2）形状特征体的面分解

形状特征体是由多个面组成的，最终加工的是特征表面，因而将特征体再分解为面，如外圆柱体可分解为左端面、右端面、圆柱面;

外螺纹体可分解为左端面、右端面、螺纹面。

3）面的属性分解

为正确地加工出面，需要表示面的属性。

由工艺知识可知，典型表面加工可分为如下几类:

外圆表面加工、孔加工、平面加工、成形表面加工，每种典型表面都是一类，有其类公共属性。

因此，可将典型表面作为父结点，其属性为该类的公有属性，零件特征表面作为子结点，归于某类典型加工表面。

父表面和其所属的子表面列于下表2。

综上所述，零件的知识表示可用基本特征体结点和典型表面结点作为父结点，以特征表面作为子结点，特征表面和基本特征体之间是“PARTOF”的关系，而特征表面和典型表面之间是“AKO”的关系。

由于基准特征、工艺特征、管理特征和几何尺寸都与特征表面的加工有关，因此，将它们作为特征表面的属性。

表1零件的基本特征

外表面体

内表面体

辅助特征

基准特征

工艺特征

管理特征

外圆柱外圆锥

外花键外齿形

外螺纹等

内圆柱内圆锥

内齿形内花键等

倒角圆角

辅助孔

平面等

中心孔

定位面

定位孔等

精度尺寸

公差粗糙度

硬度等

材料等

表2类表面和实例表面

加工表面类

外圆表面

孔表面

平面

成形表面

表面实例

外螺纹，倒角等

辅助孔等

外圆端倒角

平面直槽等

外花键

齿形等

我们在此处以回转类零件为代表，列出其的语义网络图如下图5所示。

图5回转体零件的语义网络知识表示示意图

上图即为通用回转体零件的各个特征关系的语义网络示意图，从图中我们可以方便的看出各个特征的从属关系，从而也能确定加工顺序么，这也为加工制造的智能控制提供了一种知识提取分析的新方法。

三、结论

从上边的分析可以看出语义网络法可以很方便的将人脑中的知识转变成一种可见的，可应用于计算机的知识体系，这种表示方法容易把各事物有机地联系起来，可以通过个体间的联系追溯到有关个体的节点，实现对知识的直接存取，能比较正确的反映人类对客观事物的本质认识，使得知识的表示更加直观，便于理解。

由于客观事物的特征都带有不同程度的模糊性,应此基于事物特征建立的语义网络模型也具有一定的模糊性，然而将这种技术应用到计算机领域进行模糊推理则是利用模糊性知识进行的一种不确定性推理，这样的推理与人的思维过程较为相似，应此将人类的知识建立成语义网络再将其转变为计算机语言，然后利用语义网络中包含的关系让计算机来模仿人类的思维过程，即可方便的实现复杂系统的人工智能模糊控制过程。

参考文献：

[1]赵升吨,复杂机电系统的人工智能控制技术,2013.

[2]葛强，郑逢斌，汤赛丽，侯丽敏，周舫基于语义网络的家族人物关系推理算法的研究计算机时代2005年第6期.

[3]陆汝钤,人工智能,科学出版社,2002.

[4]刘璨,基于特征的零件知识语义网络表示法，机电工程技术,2003年第32卷第6期.

[5]ZhaoJ,ZhengL,ZhuangTG,etal.RepresentationofacupointsbasedontheVisibleHuman[A].Proceedingsofthe25thAnnualInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety[C].Stoughton,WI:

ThePrintingHouse,Inc,2003.525-528.

[6]PommertA,Ho。

hneKH,PflesserB,etal.Creatingahigh-resolutionspatial/symbolicmodeloftheinnerorgansbasedontheVisibleHuman[J].MedImageAnal,2001,5:

221-228.

[7]DeRoure,David,NicholasRJennings,NigelRShadbolt.Thesemanticgrid:

past,presentandfuture[J].ProceedingoftheIEEE,2005,93（3）:

6692681.

[8]李洁,丁颖,语义网、语义网格和语义网络,计算机与现代化,2007年第7期.

[9]李太福,黄茂林,谢志江,基于语义网络的旋转机械故障诊断知识表示,重庆大学学报第24卷6期,2001年11月.