Естественно-языковые системы. Евдокимова И.С. - 17 стр.

где условия являются утверждениями о содержимом БД (фактов), а действия есть некоторые
процедуры, которые могут модифицировать содержимое БД. Продукционные модели из-за
модульного представления знаний, легкого расширения и модификации нашли широкое
применение в ЭС и ЕЯ-системах.
      Другая важная схема представления знаний - семантические сети, представляющие
собой направленный граф, в котором вершинам ставятся в соответствие конкретные
объекты, а дугам, их связывающим, - семантические отношения между этими объектами.
Семантические сети могут использоваться как для декларативных, так и для процедурных
знаний.
      Перспективной формой представления знаний являются фреймы, которые быстро
завоевали популярность у разработчиков систем ИИ благодаря своей универсальности и
гибкости.
      Принципиальным методом для логического представления знаний является
использование логики предикатов первого порядка (исчисление предикатов). При таком
подходе знания о некоторой предметной области могут рассматриваться как совокупность
логических формул. Изменения в модели представления знаний происходят в результате
добавления или удаления логических формул.
      В редукционных моделях осуществляется декомпозиция исходной задачи на ряд
подзадач, решая которые последовательно определяют решение поставленной задачи.
      Логические представления легки для понимания и располагают правилами вывода,
необходимыми для операций над ними. Однако в логических моделях представление знаний
отношения между элементами знаний выражаются ограниченным набором средств
используемой формальной системы, что не позволяет в полной мере отразить специфику
предметной области. Недостатком логического представления является также тенденция
потреблять большие объемы памяти ЭВМ.
      Ряд понятий человеческих знаний оказывается трудно, а иногда и невозможно описать
количественно, используя детерминированные или стохастические методы. Трудности
возникают при создании моделей не полностью определенных, неточных, нечетких знаний.
Это связано с тем, что человеческому мышлению присуща лингвистическая
неопределенность; знания и понятия, которыми оперирует человек, часто имеют
качественную природу, они ситуативны, бывают неполными. Для формализации знаний
такого типа используется аппарат теории нечетких множеств, создание которого связано с
именем известного американского ученого Л. Заде.
      Неточность, неопределенность или неполнота, заключенные в смысловых значениях
или выводах, присущи естественным языкам с их сложной структурой и многообразием
понятий. Различают несколько типов неопределенности в прикладных системах ИИ. Первый
связан с ненадежностью исходной информации - неточность измерений, неопределенность
понятий и терминов, неуверенностью экспертов в своих заключениях.
      Второй - обусловлен нечеткостью языка представления правил, например в экспертных
системах. Неопределенность возникает также, когда вывод базируется на неполной


                                            17