人工智能知识表示.pptx

Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第五章 知识表示,表示是使用人造体系对自然界事物运算规律进行概括与抽象模型。,知识表示是概括智能模型。需同时满足“刻画智能现象”与“计算装置可接收”两个条件。,表示观：重视形式化认知观,重视模拟客观世界本体本体观,人工智能知识表示,第1页,产生式规则是一个使用最广泛表示方法。,语义网络、框架、脚本都是结构化表示方法，结构化表示法适合描述那些带有结构、层次、比较复杂事物，反应了人们使用知识方式，提供了结构描述关系。,评价知识表示方法从表示能力和效率两个方面考虑：,表示能力（区分与防止无须要区分）：一阶谓词逻辑最强，其它方法是其子集。,效率：考虑知识获取和知识库维护效率（适合人思维）。考虑推理机效率（适合机器实现），一阶谓词逻辑最弱。,经典人工智能主要表示方法：,一阶谓词逻辑是最基本表示方法，含有严谨公理体系。,人工智能知识表示,第2页,5.1,逻辑表示法,用谓词表示知识,命题：表示知识陈说性形式称为命题。,例：张平是学生、树叶是绿色,谓词：带有参数命题叫做谓词。,例：是学生（,X,）,谓词比命题有更强表示能力：,1,）有概括能力,2,）引进了变量,3,）在知识之间建立联络,人工智能知识表示,第3页,是学生（,X,）：,X,是学生,受纪律约束（,X,）：,X,受纪律约束,犯错误（,X,）：,X,犯错误,受纪律处罚（,X,）：,X,受纪律处罚,连接后：,是学生（,X,）,受纪律约束（,X,）,犯错误（,X,）,受纪律处罚（,X,）,人工智能知识表示,第4页,(6),X,是学生,(X),学籍,(X),Y,是教师,(Y),职称,(Y),例：没有没有学籍学生，也没有没有职称教师。,(1)Q,(2),没有没有学籍学生,也没有没有职称教师,(3),存在无学籍学生,存在无职称教师,(4),X,无学籍学生,(X),Y,无职称教师,(Y),(5),X,是学生,(X),无学籍,(X),Y,是教师,(Y),无职称,(Y),人工智能知识表示,第5页,第一个谓词简单，个数多，较灵活,第二种谓词复杂，个数少，利于检索。,这个命题可在六个不一样层次表示：,分得细 知识多 推理效率低,分得粗 知识少 推理效率高,上述方式是谓词多，参数少,另一个是谓词少，参数多,P(x1,x2,.x10),其中，,x1,表示是否、,x2,表示动作、,x3,表示有没有、,x4,、,x5,表示对象，,x6,到,x10,与,x1,到,x5,一样。即：,P(,不，存在，无，学籍，学生，不，存在，无，职称，教师,),人工智能知识表示,第6页,可表示为,(,x)(A(x),B(x),或,(,x)(B(x),A(x),或,(,x)(A(x),(B(x),用谓词表示知识例子：,1,）全部有理数都是实数,令,P(x),表,x,是有理数，,Q(x),表,x,是实数,则应为,(,x)(P(x),Q(x),而不是,(,x)(P(x),Q(x),2,）有实数是有理数,应为,(,x)(Q(x),P(x),而不是,(,x)(Q(x),P(x),3,）没有没有理数是有理数,A(x),表示无理数，,B(x),表示有理数,人工智能知识表示,第7页,(,x)(,机器,(x),型号,(x,B),电源故障,(x),4,）凡是桌面上没放书本桌子都配有台灯。,(,x)(,桌子,(x),上面放书,(x),配有台灯,(x),(,x)(,桌子,(x),(,y)(,书,(y),在上面,(y,x),(,z)(,台灯,(z),在上面,(z,x),(,x)(,桌子,(x),在上面,(,书,x),在上面,(,台灯,x),5,）张宏母亲和谁都没吵过架,。,(,x)(,人,(x),吵架,(,母亲,(,张宏,),x),6,）型号,B,全部机器都有电源故障。,人工智能知识表示,第8页,7,）,放在台灯下面书可能是数据结构，也可能是编译原理，不会是别书,用谓词表示自然语言：,用谓词和项表示句子关系和实体,一元谓词表示一个集合。,多元谓词表示一个关系。,(,x)(,学校,(x),老同学,(,母亲,(,赵亮,),校长,(x),8,）赵亮母亲和某校校长是老同学,书,(a),台灯下面,(a),(,是,(a,数据结构,),是,(a,编译原理,),人工智能知识表示,第9页,重迭量词,对于二元谓词,R(x,y),，能够连续两次引用量词，有四种形式：,(,x)(,y)R(x,y),：一切,x,和一切,y,相关系,R,。,(,x)(,y)R(x,y),：一切,x,和有,y,相关系,R,。,(,x)(,y)R(x,y),：有,x,和一切,y,相关系,R,。,(,x)(,y)R(x,y),：有,x,和有,y,相关系,R,。,例：一切固体都能够被一些液体所溶解。,(,x)(,固体,(x),(,y)(,液体,(y),被溶解,(x,y),有液体能够溶解一切固体。,(,y)(,液体,(y),(,x)(,固体,(x),被溶解,(x,y),人工智能知识表示,第10页,产生式也称作规则，或产生式规则。,产生式一词起源于,Post,机,Post,机是,E.Post,在,1943,年依据字符串替换规则提出称为产生式系统一个计算模型,。,5.2,产生式系统,知识之间存在着大量因果关系,，,能够用,一个称之为“,产生式,”形式来,描述,。例：,假如大学毕业,就能找到工作,假如大学毕业,热门专业,名牌大学,就能找到好工作,人工智能知识表示,第11页,综合数据库,是产生式使用主要数据结构，它用来表述,问题状态或相关事实,，对应于表示,问题说明式知识,。,产生式系统基本结构,产生式系统是问题求解系统。它,是把一组产生式放在一起，让它们相互配合，协同作用，一个产生式生成结论能够供另一个产生式作为前提，以这种方式求得问题处理。,一个产生式系统由三个基本部分组成：一个综合数据库、一组产生式规则和一个控制系统。,一组产生式规则组成了规则库，每一条规则形如,:,IF,条件,THEN,行动 或,IF,前提,THEN,结论,人工智能知识表示,第12页,IF,积木,X,在,A,处,AND,积木,X,上面为空,AND,机械手在,A,处,AND,机械手为空,THEN,机械手抓起积木,X,（条件,行动）,比如,:,IF,动物是哺乳动物,AND,动物吃肉,THEN,动物是食肉动物 （前提,.,结论）,控制系统是规则解释程序,，它要求了,怎样选择一条可用规则标准,(,搜索策略,),和规则使用方式,(,推理方向,),，并依据综合数据库信息，控制求解问题过程。,人工智能知识表示,第13页,Precedure Respond,扫描数据库，找到可用规则集,S,；,while S,非空且问题未被求解,do,begin,调用过程,select-Rule,（,S,），从,S,中选出规则,R,；,执行,R,结果部分，更新数据库内容；,扫描数据库，找到可用规则集,S,end,5.2.1,推理方式,正向推理,正向推理基本思想是从已知数据信息出发，正向使用规则（让规则前提与数据库匹配）求解问题。它要求用户首先输入相关当前问题信息作为数据库中事实。下述过程,Respond,是这种策略基本思想。,人工智能知识表示,第14页,正向推理主要缺点是激活规则表面看无目标，或者说系统为到达目标可能执行若干无用动作。,规则“可用”是指数据库中有满足该规则条件部分事实，过程,select-Rule,负责选择规则，与问题相关控制信息在此表达，可使用评价函数，也可精心排序。,过程,Respond,是原理示意程序，实际系统要复杂多，比如：怎样查找规则？是次序，还是索引。怎样判断规则可用？是简单匹配、比较，还是计算。,正向推理就是执行“识别,动作”。,正向推理主要优点是允许用户主动提供有用事实信息，而无须等到用户需要时才提供。它适合于“解空间”很大一类问题，象设计、规划、预测、监控、管理等。,人工智能知识表示,第15页,反向推理优点：,适合解空间教小问题,无须使用与总目标无关规则,有利于向用户提供明确解释,反向推理缺点：,目标选择盲目，不允许用户主动提供信息指导推理,当规则,then,是动作时，反向推理无法使用。,反向推理,反向推理基本思想是：选定一个目标，然后在知识库中查找能导出该目标规则集，若这些规则中某条规则前提与数据库匹配，则成功。不然，将该规则前提作为子目标，递归执行上述过程，直到总目标被求解或者没有能导出目标规则。过程,Achieve,（,G,）给出了反向推理基本思想。,人工智能知识表示,第16页,Procedure Achieve,（,G,）,扫描数据库，假如找到,G,，返回,T,不然找到能导出,G,规则集,S,；,while S,非空,do,begin,调用过程,ChooseRule,（,S,），从,S,中选出规则,R,while R,在,S,中且,R,前提部分非空,do,begin,G,HEAD(,R,前提部分,),；,R,前提部分,TAIL(R,前提部分,),M=Achieve,（,G,）,if M,为,F,，,then,从,S,中去掉,R,end,If R,在,S,中,then,返回,T,end,当,S,为空时，返回,F,end,人工智能知识表示,第17页,R,1,：假如 叶子脱落 则 是落叶树,R,2,：假如 叶子保持 则 是常青树,R,3,：假如 松树球果 则 是裸子植物,R,4,：假如 针叶 则 是裸子植物,R,5,：假如 二针叶,or,三针叶,or,五针叶,则 是针叶,R,6,：假如 是裸子植物,and,常青树,and,五针叶,则 是白松树,R,7,：假如 是裸子植物,and,落叶树,and,簇针叶,则 是落叶松树,例,:,已知有以下数据库和规则库,数据库：叶子保持、五针叶,规则库：,人工智能知识表示,第18页,解：产生式系统正向推理普通策略为：,1,）找出可用规则集,2,）若可用规则集空或已找到目标则结束，不然,3,）选择一条规则（本题可按自然次序）,4,）将结论放入数据库,5,）,找出可用规则集，转,2,）。,开始，找出可用规则集：,R,2,和,R,5,执行,2,）后，继续,3,）,-5,）条，结果以下：,选择一条规则（按自然次序）：,R,2,将结论放入数据库：,叶子保持、五针叶、常青树,找出可用规则集：,R,5,再次执行,2,）后，继续,3,）,-5,）条，结果以下：,使用上述数据库和规则库说明产生式正向推理过程。,(,反向推理略,),人工智能知识表示,第19页,选择一条规则（按自然次序）：,R,5,将结论放入数据库：,叶子保持、五针叶、常青树、针叶,找出可用规则集：,R,4,再次执行,2,）后，继续,3,）,-5,）条，结果以下：,选择一条规则（按自然次序）：,R,4,将结论放入数据库：,叶子保持、五针叶、常青树、针叶、裸子植物,找出可用规则集：,R,6,再次执行,2,）后，继续,3,）,-5,）条，结果以下：,选择一条规则（按自然次序）：,R,6,将结论放入数据库：,叶子保持、五针叶、常青树、针叶、裸子植物、白松树,找出可用规则集：,nil,再次执行,2,）后，结束,人工智能知识表示,第20页,数据与数据匹配是指在规则中没有变量情况，此时，规则前提中，不论是要比较，还是计算，最终，总之是用数据和数据库中数据进行匹配。,5.2.2,匹配方式,不论是正向推理，还是反向推理，在挑选可用规则时，都是要利用数据库数据或事实，判定规则前提是否为真，即规则前提与数据库匹配。考虑规则中是否带有变量，这种匹配可分为三种：数据与数据匹配、数据与变量匹配、变量与变量匹配。这里变量概念是广义，可是普通变量，也可是指数据与普通变量共同组成模式。,人工智能知识表示,第21页,变量与变量匹配是在有变量情况下进行反向推理时出现。给定一个断言，假定不含变量，在反向推理中，用它和规则结论匹配，形成一个环境，规则前提变量应从此环境取值，不过，前提中变量在结论中可能不出现，这么，当前提作为新未知断言，让它去和某规则结论匹配时，就出现变量与变量匹配。这种匹配正是我们在归结推理中讲合一算法。,。,数据与变量匹配是在规则中有变量情况下进行正向推理时出现。,人工智能知识表示,第22页,有变量正向推理,数据与变量匹配是在规则中有变量情况下进行正向推理时出现。我们假定有一个使用汉语演绎系统做正向推理，其中用英语字母表示变量，用汉语表示常量，有以下规则：,（规则,203,（假如（,x,是,y,母亲）,（,y,是 男性）,（,z,是,x,姐妹）,（,z,是,w,母亲）,（则（,z,是,y,姨母）,（,y,是,w,表弟兄）,人工智能知识表示,第23页,若又有以下事实：,（王夫人 是 贾宝玉 母亲）,（王夫人 是 贾元春 母亲）,（薛王氏 是 王夫人 姐妹）,（薛王氏 是 薛蟠 母亲）,（薛王氏 是 薛宝钗 母亲）,（贾宝玉 是 男性）,（贾元春 是 女性）,（薛蟠 是 男性）,（薛宝钗 是 女性）,人工智能知识表示,第24页,可推出新事实：,（薛王氏 是 贾宝玉 姨母）,（贾宝玉 是 薛蟠 表弟兄）,（贾宝玉 是 薛宝钗 表弟兄）,在检验规则中某前提是否成立时，带变量正向演绎与不带变量正向演绎是有区分。,不带变量：检验该前提是否与已知事实相同。,带变量：检验该前提是否与已知事实相匹配，当把该前提中变量换成匹配中所取得约束值时，它才与那个事实相同。我们说匹配成功，既建立了约束关系，并把建立一组约束关系称为一个演绎环境。,人工智能知识表示,第25页,比如，第一个前提与事实库四个事实匹配成功，建立了编号为,1,、,2,、,3,、,4,四个环境。,1,（,x,王夫人）（,y,贾宝玉）,2,（,x,王夫人）（,y,贾元春）,3,（,x,薛王氏）（,y,薛蟠）,4,（,x,薛王氏）（,y,薛宝钗）,为使用一条规则演绎，应使规则中全部前提同时成立，即不一样前提中同名变量能够取到同一个约束值。实际上是说，各前提与事实相匹配中所取得环境应该是相容，应有一个公共环境，满足各前提要求。,人工智能知识表示,第26页,我们采取“累积”方法寻找这一环境。当第一个前提取得四个环境，让第二个前提使用这些环境寻找与之相配事实。于是，符合前两个前提环境为,1,、,3,：,1,（,x,王夫人）（,y,贾宝玉）,3,（,x,薛王氏）（,y,薛蟠）,第三个前提使用这两个环境寻找相匹配事实，环境,3,不适合，使用环境,1,，增加了一个约束，扩充为环境,5,：,5,（,x,王夫人）（,y,贾宝玉）（,z,薛王氏）,人工智能知识表示,第27页,最终，第四个前提使用环境,5,找到两个事实，环境,5,扩充为环境,6,和环境,7,。,6,（,x,王夫人）（,y,贾宝玉）（,z,薛王氏）（,w,薛蟠）,7,（,x,王夫人）（,y,贾宝玉）（,z,薛王氏）（,w,薛宝钗）,这两个环境就是符合全部前提公共环境，使用此环境，可得出新事实：,（薛王氏 是 贾宝玉 姨母）,（贾宝玉 是 薛蟠 表弟兄）,和,（薛王氏 是 贾宝玉 姨母）,（贾宝玉 是 薛宝钗 表弟兄）,去掉重复，取得三条。,人工智能知识表示,第28页,有变量反向推理,变量与变量匹配是在有变量情况下进行反向推理时出现。给定一个断言，假定不含变量，在反向推理中，用它和规则结论匹配，形成一个环境，规则前提变量应从此环境取值，不过，前提中变量在结论中可能不出现，这么，当前提作为新未知断言，让它去和某规则结论匹配时，就出现变量与变量匹配。这种匹配正是我们在归结推理中讲合一算法。只是算法实现细节有所不一样。,人工智能知识表示,第29页,在带变量反向推理中，合一算法所得到置换实现成约束表，对未匹配部分做置换经过对变量求“终值”而处理。算法基本过程是一样。,参加合一变量先在环境中取终值，无值则为本身。常量值为常量。,双方为常量，相等则合一成功，不然失败。,一方为变量，则建立约束关系，合一成功。,双方为变量，建立约束关系，合一成功。,人工智能知识表示,第30页,在带变量反向推理中，使用搜索算法与归结推理方法相同，都是回溯算法。,为了证实分支,1,、,2,、,3,都成立，可用,1,和规则,I,、,II,、,III,结论合一。若使用规则,1,成功，而,2,搜索后失败，失败原因可能是,1,给环境不对，若,1,使用规则,2,成功，可能,2,也会成功。所以，分支失败回溯到“兄长”节点，而不是“父”节点。,I II 1 2 3,III,4 5 6 7,人工智能知识表示,第31页,正向推理缺点是有些盲目，求解了许多与总目标无关子目标。反向推理缺点是盲目选择目标，求解了许多可能为假总目标，要是解空间较大，则更为显著。处理这些问题有效方法，是综合利用正向推理与反向推理优点，即正向推理帮助选择目标，再反向求解目标。这就是混合推理思想。过程,Alternate,给出了这种策略基本思想。,3.2.4,混合推理,人工智能知识表示,第32页,Procedure Alternate,Repeat,让用户将事实输入到数据库中；,调用,Respond,，从已知事实出发演绎出部分结果；,调用,Choose-Goal,，选出一个目标,G,；,调用,Achieve,（,G,），确定目标,G,真假性,until,问题被求解,这是个原理示意程序，在实际应用中，有各种混合推理模式。,人工智能知识表示,第33页,语义网络形式上是一个有向图：由一组节点和若干条连接节点弧组成。,节点：表示一个问题领域物体、概念、状态。,弧：表示节点间关系。,惯用关系有分类关系、事物属性关系、推理关系等。,分类：,1,）,Subset-of,关系（子集关系）,Subset-of Subset-of,鸽子,鸟,动物,5.3,语义网络,人工智能知识表示,第34页,2,）,A-Menber-of,关系（组员关系）,A-Menber-of,3,）,A-Part-of,关系（部件关系）,A-Part-of,部件关系没有属性继承权。,事物属性关系：,黄色,推理关系：,infer,翅膀,鸟,白点,鸽子,中国人,黄色,下雪后,气温降低,人工智能知识表示,第35页,语义网络是一个网络结构，节点之间连接是二元关系，若表示一元关系，如张平是一个学生，作为谓词可是,student,（,zhangping,），用语义网络可为：,is-a,这就是说，语义网络很轻易表示一元关系。,Is-a,关系是,Subset-of,关系、,A-Menber-of,关系和,A-Part-of,关系一个通用表示。,Zhangping,student,人工智能知识表示,第36页,假如我们要表示是多元关系，能够把这个多元关系转化成一组二元关系组合，在转化中，需要引入附加节点。比如，足球甲A联赛，北京国安主场4比1战胜青岛，谓词表示SCORE（03甲A联赛，国安，青岛，4：1），用语义网络可表示为：,主队 IS-A 客队,成绩,图6-1 多元关系语义网络,03,甲,A,联赛,国安,附加节点,青岛,4,：,1,人工智能知识表示,第37页,推理网络基本节点是事实或概念，而节点间关系则表示规则。,已证实，凡是用一阶谓词可表示，用语义网络均可表示。,在人工智能系统中，分类网络和推理网络也有较多应用。,分类网络结构非常简单，每个节点代表一个概念，节点间关系只有两种：子集关系和组员关系。子集关系连接中间节点，个体关系连接叶节点，整个网络普通呈树形。,人工智能知识表示,第38页,在语义网络上推理主要是继承推理和匹配推理。,继承推理就是经过继承关系得到一些个体一些特征值。即使，鸽子与翅膀之间没有连接，但鸽子是鸟子集，翅膀是鸟一个部分，所以，鸽子就继承了有翅膀这一特征。,在语义网络中，匹配推理是指对于给定事物或事实，结构一个语义网络片段，然后到已经有语义网络中去寻找在结构和细节相一致对象，若能找到，则称二者匹配。,使用推理网络，也可进行正向推理和反向推理。,人工智能知识表示,第39页,框架与语义网络一样，都是结构化表示法。实际上，我们能够把框架看成是由一组语义网络节点和弧组成，只不过这些节点和弧描述是格式固定事物、行动和事件。语义网络重视表示对象间关系，而框架更重视对象内部结构。,较经典一个框架由描述对象各个方面槽组成，每个槽可有若干个侧面，每个侧面又可有若干个值。槽、侧面和值多少要依据详细问题详细需要来确定。,5.4,框架,5.4.1,框架基本概念,人工智能知识表示,第40页,(,框架名,(,槽名,1(,侧面,1(,值,1)(,值,2)(,值,n),(,侧面,2),(,侧面,m),(,槽名,2),(,槽名,k),例：张平,a-member-of,学生,身高,1.78,米,体重,70,千克,兴趣 滑冰、击剑,下面是一个用,LISP,语言表示框架结构：,人工智能知识表示,第41页,用框架表示：,(,张平,(a-member-of (value (,学生,),(,身高,(value (1.78,米,),(,体重,(value (70,千克,),(,兴趣,(value (,滑冰,)(,击剑,),每个槽除了值侧面（,value,）以外，还可有一些其它侧面。,比如：,1,）默认（,Default,）侧面,可有一个默认值,2,）需要（,if-needed,）侧面,当值侧面与默认侧面都没有值时，此侧面求值结果作为该槽值。如不知体重，对于成人，能够用身高减去,1.1,为其体重。,人工智能知识表示,第42页,1,）增加（,if-added,）侧面,当一个槽值侧面被赋值或修改时，这个槽（可继承）增加侧面可自动求值，包含对其它槽值侧面赋值。比如：计算体重过程可放在身高槽,if-added,侧面，修改身高时，既可重新计算体重。,2,）删除（,if-removed,）侧面,删除值侧面一个值。,3,）约束（,require,）侧面,是对槽约束条件。,对于框架有三条基本操作：,1,）提取信息,给出：框架名、槽名、侧面名,返回：侧面值,人工智能知识表示,第43页,1,）存取信息,给出：框架名、槽名、侧面名、值,返回：,1.,假如找到框架名、槽名、侧面名，则把值放入,2.,找不到，则增加新槽名、侧面名和值,2,）删除信息,给出：框架名、槽名、侧面名、值,返回：假如存在，则删除这个值。假如删除后，已无其它值，则连侧面也同时删除。,人工智能知识表示,第44页,框架推理与语义网络类似，也是利用框架间子集关系、组员关系、部件关系，使用继承和匹配进行推理。,继承是把对事物描述从概念框架或类框架传递到实例框架。惯用有三种继承：值继承、需要继承和默认继承。关于这三种继承搜索也有几个方式。,1,）沿着父框架槽，只搜索值侧面（相对应槽）。,2,）沿着父框架槽，第一次搜索值侧面，第二次搜索默认侧面，第三次再搜索需要侧面。,3,）沿着父框架槽，一次就搜索值侧面、默认侧面和需要侧面。,5.4.2,框架推理,人工智能知识表示,第45页,设,F,是一个给定框架,1,）建立一个表，初始时只有,F,一个元素。,2,）假如表中第一个元素,S,槽值侧面有非,NIL,值，则找到值。转,8,。,3,）假如表中第一个元素,S,槽默认侧面有非,NIL,值，则找到值。转,8,。,4,）假如表中第一个元素,S,槽需要侧面有非,NIL,值，则找到值。转,8,。,5,）从表中删除第一个元素，假如第一个元素父节点槽值侧面值不是,NIL,，则把这个值指向父节点加入到表末尾。,6,）假如此时表空,则说明,F,框架,S,槽没有值。转,8,。,7,）转,2,。,8,）结束。,下面我们求给定框架,S,槽值，给出第三种方法搜索过程：,人工智能知识表示,第46页,剧本是框架一个特殊形式，它用一组槽来描述一些事件发生序列，很象剧本中过程，故成为“剧本”。一个剧本普通由以下各部分组成：,1,）开场条件,给出在剧本描述事件发生前提条件,2,）人物,用来表示可能出现相关人物,3,）道具,用来表示可能出现相关物体,4,）场景,描述事件发生次序，剧本可由多个场景组成，每个场景又可是其它剧本。,5,）结果,给出在剧本所描述事件发生后所产生结果。,5.5,剧本,人工智能知识表示,第47页,下面以去医院看病剧本为例说明剧本各个部分组成。,1,）开场条件,病人有病并带有一定数量钱。,2,）人物,病人、医生、护士,3,）道具,药品、桌子、处方、钱,4,）场景,4.3,剧本,人工智能知识表示,第48页,场景,1,看病之前,a,）进入医院,b,）挂号,c,）取病历,d,）在诊室门前等候,e,）护士叫号,场景,2,看病,a,）,叙述病情,b,）,医生检验,c,）,医生写诊疗书,d,）,医生开处方,e,）,离开诊室,人工智能知识表示,第49页,场景,3,看病之后,a,）在药房划价,b,）,交费,c,）取药,d,）,离开医院,5,）结果,a,）,病人看了病,b,）,病人取了药,c,）,医院收了费,d,）,医院药少了,人工智能知识表示,第50页,一旦剧本被启用，可应用它进行推理，最主要是利用剧本能够预测没有显著提及事件发生。假如有以下情节：,“老张去医院，看了病，拿着处方单去药房，划 完价，就离开了医院。”,假如提问：“老张取到病历了吗？”,依据剧本，可回答：“取到病历。”,假如提问：“取药需付现金还是采取记帐方式？”,依据剧本，可回答：“付现金。”,假如在剧本中再存放一些知识，当提问：,“,老张为何没取药？,”,时，系统会回答：,“,可能现金不够，或药太贵。,”,人工智能知识表示,第51页,