PDF 物理页索引 790
文件中的第 791 页 · 印刷页码:未识别
特征结构允许嵌套,即特征值可以是一个特征结构。“孔乙己偷书”是直接宾语从句,它本身可以表示为一个特征结构。
例3.5 接着例1.32,“潘金莲喂武大郎砒霜”可以表示为:
PDF 物理页索引 791
文件中的第 792 页 · 印刷页码:未识别
$$
\begin{array} { r } { [ \begin{array} { l } { \pm \frac { \sqrt { \hbar } } { \vert \mathbf { \check { H } } \vert } = \frac { \sqrt { \hbar } } { \vert \mathbf { \check { H } } \vert } \frac { \sqrt { \hbar } } { \vert \mathbf { \check { H } } \vert } } \\ { \vdots \vert \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert = \frac { \vert \mathbf { \check { H } } \vert } { \vert \mathbf { \check { H } } \vert } } \\ { \vert \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert = \mathbf { \check { H } } \vert } \\ { \vdots \vert \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert = \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \end{array} ] , [ \begin{array} { l } { \pm \frac { \sqrt { \hbar } } { \vert \mathbf { \check { H } } \vert } = S } \\ { \vdots \vert \mathbf { \check { H } } \vert } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert = \mathbf { \check { H } } } \\ { \vdots \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \end{array} ] \Rightarrow [ \begin{array} { l } { \pm \frac { \mathbf { \check { H } } } { \vert \mathbf { \check { H } } \vert } = \boldsymbol { 0 } _ { 2 } } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert = \boldsymbol { 0 } _ { 2 } } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert } \\ { \mathbf { \check { H } } \vert \mathbf { \check { H } } \vert = \boldsymbol { 0 } _ { 1 } } \end{array} ] } \\ [ \begin{array} { l } \frac { \rho _ { 2 } } \mathbf { \check { H } } \ \end{array} \end{array}
$$
$$
\left[ \begin{array} { l } { \pm _ { \mathrm { H } } ^ { \mathrm { H } } = \vec { z } \mathbf { \mathcal { H } } \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } | \mathbf { \check { H } } = \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } | \mathbf { \check { H } } = \mathbf { \mathcal { H } } } \\ { \mathbf { \check { H } } | \mathbf { \check { H } } = \mathbf { \check { H } } } \\ { \mathbf { \check { H } } | \mathbf { \check { H } } = \frac { \pm \vec { z } \mathbf { \mathcal { H } } } { \mathbf { \mathcal { H } } } } \end{array} \right] \Rightarrow \left[ \begin{array} { l } { \pm _ { \mathrm { H } } ^ { \prime } = \vec { z } \mathbf { \mathcal { H } } \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } | \mathbf { \check { H } } | = \vec { z } \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } | \mathbf { \check { H } } | = \mathbf { \mathcal { H } } } \end{array} \right] \mathrm { , ~ } \left\{ \begin{array} { l } { \vec { z } \mathbf { \mathcal { H } } \mathbf { \mathcal { H } } \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } \mathbf { \mathcal { H } } | \mathbf { \check { H } } \mathbf { \Xi } \succeq \pm \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } | \mathbf { \check { H } } \mathbf { \Xi } \underline { { \tilde { z } } } \mathbf { \mathcal { H } } } \\ { | \mathbf { \check { H } } | \mathbf { \check { H } } | \mathbf { \Xi } \stackrel { \prime } { \vec { H } } = \mathbf { \mathcal { H } } } \end{array} \right\}
$$
PDF 物理页索引 792
文件中的第 793 页 · 印刷页码:未识别
利用特征结构和类似WordNet的知识网络,可以表达自然语言的语义和一些常识,并能够完成简单的推理。
知识的搜索
除了有严格逻辑基础的数学和科学知识,在某种程度上也应该有信息性和说明性的知识,而不应局限于通过严格的演绎推理传播的那部分。例如,事实知识和过程知识(有时也称技能知识)是两类最重要的描述性知识。前者是有关“什么”(know-what)的知识(例如,“美国的首都是华盛顿特区”),后者是有关“如何”(know-how)的知识。
PDF 物理页索引 793
文件中的第 794 页 · 印刷页码:未识别
PDF 物理页索引 794
文件中的第 795 页 · 印刷页码:未识别
图3.65 珠穆朗玛峰海拔约为8 850米是“事实知识”,如何对摔伤者进行急救是“过程知识”,可用描述逻辑(description logic)对之进行推理
例3.6 2012年,谷歌公司提出“知识图谱”的初衷是为了改进搜索引擎。例如,询问“迈克尔·乔丹多大年龄”,系统根据当前时间(2020年5月)直接返回准确的答案,以及一些相关信息的链接。此刻再问相同的问题,谷歌搜索会返回不同的答案。
PDF 物理页索引 795
文件中的第 796 页 · 印刷页码:未识别
迈克尔·乔丹/年龄
57岁
用户还搜索了
迈克尔·乔丹(MichaelJordan)
迈克尔·杰弗里·乔丹是美国的退役NBA职业篮球运动员,也是一名商人,现任职夏洛特黄蜂董事长及主要股东。身高是6英尺6英寸,体重是216磅,他主打得分后卫位置,球衣号码为23号。职业生涯有13年效力于芝加哥公牛,最后2个赛季则在华盛顿奇才度过,曾两度退役后复出。维基百科
生于:1963年2月17日(57岁),纽约州纽约布鲁克林
身高:6°
资产净值:16亿美元(20年)福布斯
配偶:伊薇特·普列托(结婚时间:203年),胡安妮塔·瓦诺伊(结婚时间:1989年-2006年)
子女:杰丝敏·M·乔丹,杰弗里·乔丹,马库斯·乔丹,伊莎贝尔·乔丹,维多利亚·乔丹
职业生涯开始时间1984年194年,195年2001年
职业生涯结束时间:1993年1995年3月,1998年2003年
声明对此知识面板的所有权
PDF 物理页索引 796
文件中的第 797 页 · 印刷页码:未识别
图3.66 基于知识图谱的谷歌搜索引擎把用户可能关注的维基百科知识放在返回结果的首位。到目前为止,该搜索引擎仅对某些特殊问题有直接答案
同名同姓的人很多,谷歌搜索引擎并不知道用户关注哪位“迈克尔·乔丹”,所以优先返回多数用户关注的那位。加州大学伯克利分校的迈克尔·乔丹教授是机器学习领域的知名学者,但人民群众显然更关注文体明星。
更智能的搜索是在理解了用户的搜索意图之后,对结构化的知识和数据进行一些相关的操作,有时甚至需要推理和计算,把答案整理成数值、图表、公式等关联信息。例如,某决策行为是绘制有待对比的两个数据集的直方图,并用不同颜色将之同框展示。或者,给出股票价格走向的预测,同时附上分析的依据。
PDF 物理页索引 797
文件中的第 798 页 · 印刷页码:未识别
PDF 物理页索引 798
文件中的第 799 页 · 印刷页码:未识别
图3.67 未来问答式的智能搜索不是简单地从原始文档或数据库中抽取答案,而是在推理/推断和决策分析之后,通过预定的处理流程从知识库中生成类型丰富的答案
例3.7 2009年,英国数学家、计算机科学家(符号计算系统 Mathematica 的 设 计 者 ) 斯 蒂 芬 · 沃 尔 夫 勒 姆 ( StephenWolfram, 1959— )发布了计算知识引擎WolframAlpha,该在线问答系统“利用Wolfram的突破性算法、知识库和人工智能技术算得专家级的答案”,其背后有WolframMathWorld数学百科和Mathematica系统的支持。它不仅能回答数学类的知识,还能回答一些信息类的事实。
PDF 物理页索引 799
文件中的第 800 页 · 印刷页码:未识别
Results:
(2019 estimates)
GDP history:
(log scale)