简介面向山东大学《人工智能导论》课程的期末复习概念笔记也适合其他高校同类课程学习者快速建立知识框架、定位高频考点。PDF按章节整理核心概念覆盖绪论中的智能、知识、智力、人工智能、机器学习、深度学习与人工神经网络等基础定义以及知识表示领域的一阶谓词逻辑、产生式表示、框架表示、语义网络与知识图谱并延伸至确定性推理方法、搜索策略与遗传算法等高频考点。资源为单个PDF文件大小约2.28MB轻量便携便于手机或平板随时翻阅。笔记在汇总时已基于期末考试可能性进行删减并明确标注代码框内容为非重点能帮助备考者过滤低频细节、集中记忆核心概念提高冲刺阶段复习效率章节条目化呈现也方便按需定位。目前已有433人学习下载是考前查漏补缺的实用资料。1. 人工智能导论复习这份概念汇总到底帮你圈了哪些重点期末复习最怕的不是题难是整本书翻完不知道哪里会考。这份山东大学人工智能导论概念汇总V2就是把整门课的知识点按「选择题能考的名词解释、大题能出的推理步骤」两层筛过一遍删掉了原版里偏向扩展阅读的内容留下的部分和期末考试的可能性高度对齐。我拆这份资料的时候第一感受是它不像教材那样平铺直叙而是直接告诉你哪种表示法考概念、哪种推理考计算、哪一类例题必须会手推。适合两类人——正在备考的本科生以及想快速建立AI核心概念框架的自学者后者可以跳过课程细节直接按这份资料的章节顺序搭知识骨架。2. 知识表示一阶谓词、产生式、框架三种范式怎么选2.1 一阶谓词逻辑从命题的局限到谓词的表达力这一章的核心矛盾在于命题逻辑只能判断一个陈述句的真假但描述不了「对象」和「对象之间的关系」。比如「老张是一个教师」用命题逻辑就是一个P内部结构完全被吞掉了。而一阶谓词逻辑把这句话拆成谓词名加个体Teacher(Zhang)个体是Zhang谓词名是Teacher这样机器就能知道「教师」这个属性附着在哪个对象上多个对象之间的共同特征也能用带变量的谓词统一表达。谓词公式的构成要记住六个符号¬否定、∨析取、∧合取、→蕴含、∀全称量词、∃存在量词。连接词的优先级从高到低是¬、∧、∨、→、↔这个顺序在后续把自然语言翻译成谓词公式时特别容易栽跟头——很多人写成¬A∨B∧C实际优先级是¬A∨(B∧C)整个意思就变了。量词的辖域是另一个考点位于量词后面的单个谓词或括弧括起来的谓词公式才是这个量词作用的范围。辖域内出现的变量是约束变元之外的是自由变元。考试喜欢给一个公式让你判断哪个变元是约束的、哪个是自由的锁定辖域边界就不会错。做题层面的建议是遇到「凡是…都…」「存在…使得…」这类自然语言先圈出量词再找谓词最后补连接词。比如「凡是容易的课程小王都喜欢」拆出来是(∀x)(EASY(x) → LIKE(Wang, x))注意全称量词后面跟的是蕴含不是合取。2.2 产生式表示法规则引擎的基础但别和蕴含式混着用产生式的形式是P→Q看起来和谓词逻辑里的蕴含式一模一样但资料里明确指出两者有本质区别蕴含式只能表示精确知识产生式可以挂置信度。这就是为什么考试会专门出对比题——确定性规则知识的产生式是P→Q不确定性规则知识的产生式是P→Q(置信度)这个置信度参数直接接到第四章的可信度方法上。产生式系统的结构要背清楚三件套规则库、综合数据库、控制系统。规则库存领域知识综合数据库存求解过程中的当前信息控制系统负责匹配和冲突消解。注意这里有一个「匹配成功的规则可能不止一条」的细节这就是冲突消解策略登场的地方——按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。一个常见误区是觉得产生式系统和if-else语句差不多。实际上产生式的模块性体现在每条规则独立增删控制系统只管匹配知识之间没有隐式耦合这是它在专家系统里活下来的原因。但它也有明确短板效率不高、不能表达结构性知识。框架表示法恰恰补了后一个坑。2.3 框架表示法槽、侧面、缺省值是三个递进的概念框架是一种描述对象属性的数据结构可以理解成一张「属性表模板」。框架名是对象类型槽是属性侧面是属性的具体描述维度。资料里的〈教师〉框架是个标准例子姓名槽带单位侧面性别槽带范围侧面和缺省值侧面职称槽也有范围侧面和缺省侧。把具体信息填进去之后就得到框架的一个事例比如〈教师-1〉性别女、职称副教授、部门计算机系。框架最值得注意的机制是缺省值。资料里性别缺省男、职称缺省讲师、截止时间缺省现在含义是在信息不全时系统自动用缺省值填充。这在推理里的作用是让知识表示具备容错性——你不需要每个槽都填满才能用这个框架。这和后面讲的默认推理在知识不完全的情况下假设某些条件已经具备是一条线贯通的。框架的三个特点——结构性、继承性、自然性——是简答题素材。继承性特别好理解子框架可以继承父框架的槽值不需要重复定义。实际做知识工程时框架适合描述有固定结构、属性稳定的领域比如教师、学生、课程、部门但不适合描述过程性知识比如「怎么推理」这种流程那还是产生式的主场。2.4 知识图谱模式层和数据层别搞反知识图谱的定义里有一个容易忽略的点它既可以是「用图形化技术描述知识资源」的广义概念也可以狭义理解为「节点表示实体或概念、边表示属性或关系」的图结构。考试更倾向后者。逻辑结构分两层——数据层存事实模式层是构建在数据层之上的核心体系架构。注意这个关系模式层在上约束数据层的结构数据层在下承载具体事实。构建方向有自顶向下和自底向上两种。自顶向下是先定义本体和模式再填充数据自底向上是从已有数据里抽取实体和关系再归纳模式。实际项目里常见做法是混合式先粗建模式再让数据反馈修正。另外三类数据对象——结构化、半结构化、非结构化——分类依据是「定义和规范约束的完备程度」结构化数据约束最严非结构化数据是「自由」数据。这个分类在许多语义网相关的考题里会反复出现。3. 确定性推理子句集转换和归结反演手把手把例题走一遍3.1 推理分类先分清方向再谈方法推理分类是一张概念网。按推理方向分演绎推理是从一般到个别归纳推理是从个别到一般默认推理是在知识不完全时假设条件已具备。按结论确定性分确定性推理真值非真即假不确定性推理结论带有可信度。按单调性分单调推理是新知识只会加强结论非单调推理则是新知识可能推翻旧结论、退回前面某一步重新开始。这里有个测试点资料里说「不确定性推理」的定义时特意标注了「与第四章略微不同建议回答后者」。第一章的定义是「推理时所用的知识与证据不都是确定的」第四章的定义是「从不确定性的初始证据出发通过运用不确定性的知识推出具有一定程度不确定性但合理或近乎合理的结论」。后者多了一个「思维过程」的表述答题按第四章的版本更稳。同一条线上的概念还有正反向推理和混合推理。正向推理以已知事实为出发点叫事实驱动逆向推理以假设目标为出发点叫目标驱动。混合推理有两种顺序先正向后逆向——用事实演绎出部分结果来辅助选目标先逆向后正向——用逆向推理中获得的信息再正向推出更多结论。双向推理更复杂正反向同时进行在某一步骤碰头。3.2 谓词公式化为子句集九步转换法是核心重点是Skolem化子句集转换是整个第三章的技术核心归结原理全建立在子句集之上。为什么非要化子句集因为归结原理要求所有子句都是文字的析取式合取词全部消掉整个集合里任何一子句不可满足整个子句集就不可满足。这个「不可满足」的概念直接支撑后面的归结反演。九步转换法按顺序走消蕴含和等价、把否定符号内移、变量标准化、消去存在量词、化为前束形、化为Skolem标准形、略去全称量词、消去合取词、子句变量标准化。每一步都有固定的操作规则比如第一步P→Q等价于¬P∨QP↔Q等价于(P∧Q)∨(¬P∧¬Q)第二步用双重否定律、德·摩根定律和量词转换律把¬移到紧靠谓词的位置。第四步消去存在量词是最容易出错的。规则分两种情况存在量词不在任何全称量词的辖域内直接换一个新变量存在量词出现在某个全称量词的辖域内就必须Skolem化——用Skolem函数替代。资料里给的例子是存在量词受全称量词约束时把存在量词量化的变量替换成Skolem函数函数参数是外层全称量词的变量。这个细节是区分「会转换」和「真懂转换」的分水岭。一个实战经验转换完的子句集最好自己检查一遍每个子句是否真的只剩文字的析取。如果发现还有蕴含符号或合取符号漏网说明前面某一步跳了。还有那个「子句变量标准化」为什么出现在第九步而不是第三步——因为前八步可能引入了新变量需要在最后再统一去重避免两个子句用了同名但无关的变量。3.3 鲁宾逊归结原理解题从选子句到出空子句归结原理的基本思想只有一句话检查子句集S中是否包含空子句若包含则S不可满足若不包含在S中选合适的子句进行归结一旦归结出空子句就说明S不可满足。空子句是永假的、不可满足的它是一切归结的终点标志。命题逻辑中的归结最简单C₁和C₂两个子句如果C₁中的文字L₁与C₂中的文字L₂互补就从两者中分别消去L₁和L₂剩余部分析取成新子句C₁₂。资料里的例子¬P∨Q和¬Q∨R归结得到¬P∨R互补对是Q和¬Q。谓词逻辑中的归结需要先做最一般合一先把两个子句中的相关谓词统一到一致的形式再消去互补对。时间复杂度上谓词归结比命题归结多一步合一的过程但归结点是一样的空子句。做题时注意资料里的建议——按由长到短的子句顺序进行归结。长子句先归结可以更早暴露矛盾短子句留在后面补充。归结得到的归结式要并入原子句集S继续用别丢掉否则可能漏掉关键路径。3.4 归结反演求解问题把待求解问题变成ANSWER析取归结反演和归结证明有一点关键差别证明题是验证「结论Q是已知条件的逻辑结论」求解题是找出「使目标成立的那个实体是谁」。求解题的步骤多了一个技巧——把待求解的问题Q否定后与ANSWER构成析取式(¬Q∨ANSWER)再化成子句集并入S。例题是最好的教材。已知条件王先生是小李的老师小李和小张是同班同学同班同学的老师是同班同学的老师。要求小张的老师是谁。先把前提化成三个子句再把¬(∃A)Teacher(A,Zhang)∨ANSWER(A)并进来然后从S里选子句归结。关键一步是子句1Teacher(Wang,Li)和子句3¬Classmate(x,y)∨¬Teacher(z,x)∨Teacher(z,y)归结得到¬Classmate(Li,y)∨Teacher(Wang,y)。这个y就是待定的小张。继续归结下去最终得出ANSWER(Wang)答案自然的浮出水面。实操时会遇到一个坎不知道从哪两个子句开始。我的习惯是倒着来——先看目标子句里缺什么谓词再回S里找能跟它互补的子句。比如目标是¬Teacher(A,Zhang)∨ANSWER(A)那我优先找包含Teacher(Wang,Li)这类正文字的子句去配对而不是随便拿两条就归。4. 不确定性推理可信度、证据理论、模糊推理三条路怎么选4.1 可信度方法CF值的传递与合成是必考计算题不确定性推理和确定性推理的本质差异在于知识、证据、结论三者都允许带可信度。可信度方法用CF(Q,P)表示「当P为真时Q为真的信任程度」取值范围[-1,1]。CF(H,E)0的含义是证据的出现与否与结论无关这个零点判断常被拿来出选择题。证据不确定性的表示值得注意CF(E)1是能肯定它为真CF(E)0是未获得任何相关观察CF(E)-1是能肯定它为假。合取证据EE₁AND E₂...AND Eₙ取CF(E)min{CF(E₁),...,CF(Eₙ)}析取证据取max。这是组合证据不确定性的算法对应到实际判断里就是「短板效应」——合取条件中最不可靠的证据决定整体可信度。不确定性的传递算法是核心公式CF(H) CF(H,E) × max{0, CF(E)}。注意当CF(E)0时max{0,CF(E)}0整个CF(H)归零。这意味着证据为假时规则完全不被激活这是可信度方法里一个重要的「门控」机制。结论不确定性的合成算法更难一点。两条规则同时支持同一结论H时先分别算CF₁(H)和CF₂(H)再用合成公式合并。例题里给了完整推导CF₁(H)0.28、CF₂(H)0.48合成后CF₁,₂(H)0.280.48-0.28×0.480.63。注意第三个证据是负数合成公式就换挡了——CF₁,₂,₃(H)(0.63-0.27)/(1-min{0.63,0.27})0.36/0.730.49。这个分段公式必须记牢考试不会给你公式提示。一个血泪教训算CF(H)前先把每条规则的前提可信度算清楚因为CF(H,E)直接乘的是max{0,CF(E)}里那个CF(E)如果证据本身是合取/析取先算min/max再乘系数。顺序错了结果完全对不上。4.2 证据理论概率分配函数、信任函数、似然函数的三角关系证据理论比可信度方法多了一层数学抽象但它解决了一个可信度方法解决不了的问题可信度方法只有一个值刻画信任证据理论可以同时表达「支持」、「反对」和「不知道」。概率分配函数M作用于集合D的子集上不是作用于单个元素上这是它和普通概率最大的区别——M({红})0.3M({红,黄})0.2这两个可以同时为真因为它们描述的是不同粒度的信念分配。信任函数Bel(A)的含义是「对A为真的总的信任程度」计算方式是A的所有子集的M值求和。例题里D{红,黄,蓝}M({红})0.3、M({黄})0、M({红,黄})0.2那么Bel({红,黄})0.300.20.5。注意Bel(∅)M(∅)0这个性质它是整个理论的一致性地基。似然函数Pl(A)的直观意义是「对A为非假的信任程度」定义式Pl(A)1-Bel(¬A)。例题问Pl({蓝})先算Bel({红,黄})0.5则Pl({蓝})1-0.50.5。看起来对称但实际隐含的区间概念是[Bel(A), Pl(A)]——这个区间越窄对命题的把握越高区间越宽说明「不知道」的成分越多。概率分配函数的正交和用于合并两个独立的证据来源。K≠0时正交和M也是一个概率分配函数K0时两个证据来源完全矛盾不存在正交和。这个K的计算涉及对两个概率分配函数在相交集合上的乘积求和考试通常考K≠0的正向计算背熟公式、看好交集就行。4.3 模糊推理隶属度、模糊关系和模糊决策三段式模糊推理的出发点是用隶属度代替「属于/不属于」的二值判断。隶属度是给每个元素赋予[0,1]之间的实数全体元素隶属度构成隶属函数。模糊集合的表示方法有三种Zadeh表示法、序偶表示法、向量表示法——考试爱考辨认看到A0.2/x₁0.4/x₂0.9/x₃这种就是Zadeh表示法。模糊集合的运算里交并补对应到隶属度上是min、max和1-μA(x)。但模糊代数运算考得更深A·B是逐点乘积AB是代数和μAμB-μA×μBA⊕B是有界和min{1,μAμB}AⓧB是空集运算max{0,μAμB-1}。例题里A0.2/x₁0.4/x₂0.9/x₃0/x₄0.5/x₅B0.1/x₁0/x₂0.7/x₃1/x₄0.3/x₅算出的AB0.28/x₁0.4/x₂0.97/x₃1/x₄0.65/x₅这就是μAμB-μA×μB逐项算的结果。是不是有点眼熟它和可信度合成的公式在结构上是同构的。模糊关系的合成对应到矩阵运算上「×」取min、「」取max实际就是模糊矩阵的min-max复合。模糊推理的输出是一个模糊向量要变成确定值还得做模糊决策。三种方法——最大隶属法取隶属度最大的元素、加权平均判决法按隶属度加权求和、中位数法找中位数——各自适用场景不同。考试若给模糊集合让求决策最大隶属法最快加权平均法最稳。复习建议模糊这一块不用死记所有公式把三种决策方法各练一道题再搞清楚代数积、代数和的公式差异即可。5. 复习避坑这份笔记里最容易翻车的几个考点5.1 把蕴含式当产生式用导致置信度无处安放现象做产生式表示法的题目时直接写P→Q不带置信度或者把带置信度的产生式当成纯逻辑蕴含式去推理。原因没分清「确定性规则」和「不确定性规则知识」两类产生式的区别——后者必须附置信度参数(CF)这是进入第四章可信度方法的门票。解决看到题目里出现「若…则…0.7」这类带数值的形式立刻意识到这是不确定性知识推理时必须把CF带进传递公式不能用纯布尔逻辑处理。5.2 Skolem化忘加函数参数导致子句集错误现象含全称量词辖域内的存在量词时直接把存在量词量化的变量换成一个新常量忽略全称量词的影响。原因Skolem化的定义是「用Skolem函数代替每个存在量词量化的变量的过程」当存在量词在全称量词辖域内时这个变量要表达成「依赖于外层全称变量的函数」而不是独立常量。比如(∀x)(∃y)P(x,y)Skolem化后是(∀x)P(x,f(x))不是P(x,c)。解决每做一次Skolem化先问自己这个存在量词在不在全称量词辖域内在就写成f(x₁,x₂,...)的形式。5.3 归结时忽视最一般合一导致互补文字配不上现象谓词逻辑做归结时直接找两个谓词名相同的文字消去结果发现一个带变量、一个带常量完全消不掉。原因谓词归结要求先做合一将两个子句中相关谓词的项统一再消去互补对。例如P(x)和¬P(Zhang)看起来互补实际要先用{z/Zhang}这个合一替代让P(x)变成P(Zhang)才和¬P(Zhang)互补。解决归结前先写下合一替代确认替代后的文字互补再操作。5.4 混淆推理方向把正向推理写成逆向推理现象题目问「以假设目标为出发点」是什么推理回答正向推理。原因正向推理叫事实驱动从已知事实出发逆向推理叫目标驱动从假设目标出发。资料里定义写得很清楚但考场上容易把「目标」跟「目的」混在一起。解决记一对关键词——事实→正向目标→逆向。做题时先看题干起点是已知事实还是待证目标。5.5 模糊决策用错判决法最大隶属法和加权平均法结果不同现象同一个模糊输出集合用最大隶属法得到一个值用加权平均法得到另一个值不知道题目到底要哪个。原因三种决策方法定义不同——最大隶属法只取隶属度最大的元素如果有多个最大点还需要额外规则加权平均法按隶属度权重求平均结果一般落在中间中位数法找的是累计隶属度的一半位置。解决看题目措辞明确写了「最大隶属法」就取峰值写「加权平均」就按公式算。如果题目没指定优先用加权平均法它对信息利用更充分也最能体现「转化」的意义。6. 高效复习技巧按这份笔记组织自己的公式卡和例题卡资料再全也是别人的要变成考场上能调用的东西建议动手做一套「公式卡例题卡」双卡体系。先说公式卡——把第四章的可信度合成公式、正交和公式、模糊集合的四种代数运算公式各写在一张卡片上卡背面附一道例题。比如可信度合成卡正面写「CF(H)CF(H,E)×max{0,CF(E)}」和合成公式的两种情况背面贴上资料里的例题。这样每次翻卡等于同时复习公式和用法比光看笔记效率高一个量级。例题卡针对第三章和第四章的大题。第三章的归结反演、第四章的可信度合成各挑两道完整例题把推导步骤按序写在卡上关键步骤用红笔标出比如「第4步Skolem化」「第7步消全称量词」「归结顺序由长到短」。第二步是做「错题归因」——每道错题标一个原因标签我复习时发现错题集中在两类Skolem化丢参数、可信度合成忘分段。时间分配上如果还剩三天的复习量前两天主攻第三章子句集转换和归结这是硬骨头要练到闭眼能写出九步第三天主攻第四章可信度计算和模糊代数运算这两块公式密集、规律性强背熟公式加两道例题就够了。知识表示那章只要把三种表示法的对比表格做出来考前扫一遍即可——一阶谓词看表达力、产生式看模块性、框架看结构性。这种取舍不是放弃是把有限时间放到回报率最高的计算题上。我每次考前都会做一遍「闭卡复述」不看笔记对着公式卡正面把反面例题从头推一遍推到卡壳就翻回去重看。这个方法救了我不止一次——光看懂和能默写之间的差距就是考场上丢分和拿分的差距。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/29 8:17:22 · 阅读 1.2k 人工智能导论复习：知识表示与推理核心考点全解析
简介面向山东大学《人工智能导论》课程的期末复习概念笔记也适合其他高校同类课程学习者快速建立知识框架、定位高频考点。PDF按章节整理核心概念覆盖绪论中的智能、知识、智力、人工智能、机器学习、深度学习与人工神经网络等基础定义以及知识表示领域的一阶谓词逻辑、产生式表示、框架表示、语义网络与知识图谱并延伸至确定性推理方法、搜索策略与遗传算法等高频考点。资源为单个PDF文件大小约2.28MB轻量便携便于手机或平板随时翻阅。笔记在汇总时已基于期末考试可能性进行删减并明确标注代码框内容为非重点能帮助备考者过滤低频细节、集中记忆核心概念提高冲刺阶段复习效率章节条目化呈现也方便按需定位。目前已有433人学习下载是考前查漏补缺的实用资料。1. 人工智能导论复习这份概念汇总到底帮你圈了哪些重点期末复习最怕的不是题难是整本书翻完不知道哪里会考。这份山东大学人工智能导论概念汇总V2就是把整门课的知识点按「选择题能考的名词解释、大题能出的推理步骤」两层筛过一遍删掉了原版里偏向扩展阅读的内容留下的部分和期末考试的可能性高度对齐。我拆这份资料的时候第一感受是它不像教材那样平铺直叙而是直接告诉你哪种表示法考概念、哪种推理考计算、哪一类例题必须会手推。适合两类人——正在备考的本科生以及想快速建立AI核心概念框架的自学者后者可以跳过课程细节直接按这份资料的章节顺序搭知识骨架。2. 知识表示一阶谓词、产生式、框架三种范式怎么选2.1 一阶谓词逻辑从命题的局限到谓词的表达力这一章的核心矛盾在于命题逻辑只能判断一个陈述句的真假但描述不了「对象」和「对象之间的关系」。比如「老张是一个教师」用命题逻辑就是一个P内部结构完全被吞掉了。而一阶谓词逻辑把这句话拆成谓词名加个体Teacher(Zhang)个体是Zhang谓词名是Teacher这样机器就能知道「教师」这个属性附着在哪个对象上多个对象之间的共同特征也能用带变量的谓词统一表达。谓词公式的构成要记住六个符号¬否定、∨析取、∧合取、→蕴含、∀全称量词、∃存在量词。连接词的优先级从高到低是¬、∧、∨、→、↔这个顺序在后续把自然语言翻译成谓词公式时特别容易栽跟头——很多人写成¬A∨B∧C实际优先级是¬A∨(B∧C)整个意思就变了。量词的辖域是另一个考点位于量词后面的单个谓词或括弧括起来的谓词公式才是这个量词作用的范围。辖域内出现的变量是约束变元之外的是自由变元。考试喜欢给一个公式让你判断哪个变元是约束的、哪个是自由的锁定辖域边界就不会错。做题层面的建议是遇到「凡是…都…」「存在…使得…」这类自然语言先圈出量词再找谓词最后补连接词。比如「凡是容易的课程小王都喜欢」拆出来是(∀x)(EASY(x) → LIKE(Wang, x))注意全称量词后面跟的是蕴含不是合取。2.2 产生式表示法规则引擎的基础但别和蕴含式混着用产生式的形式是P→Q看起来和谓词逻辑里的蕴含式一模一样但资料里明确指出两者有本质区别蕴含式只能表示精确知识产生式可以挂置信度。这就是为什么考试会专门出对比题——确定性规则知识的产生式是P→Q不确定性规则知识的产生式是P→Q(置信度)这个置信度参数直接接到第四章的可信度方法上。产生式系统的结构要背清楚三件套规则库、综合数据库、控制系统。规则库存领域知识综合数据库存求解过程中的当前信息控制系统负责匹配和冲突消解。注意这里有一个「匹配成功的规则可能不止一条」的细节这就是冲突消解策略登场的地方——按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。一个常见误区是觉得产生式系统和if-else语句差不多。实际上产生式的模块性体现在每条规则独立增删控制系统只管匹配知识之间没有隐式耦合这是它在专家系统里活下来的原因。但它也有明确短板效率不高、不能表达结构性知识。框架表示法恰恰补了后一个坑。2.3 框架表示法槽、侧面、缺省值是三个递进的概念框架是一种描述对象属性的数据结构可以理解成一张「属性表模板」。框架名是对象类型槽是属性侧面是属性的具体描述维度。资料里的〈教师〉框架是个标准例子姓名槽带单位侧面性别槽带范围侧面和缺省值侧面职称槽也有范围侧面和缺省侧。把具体信息填进去之后就得到框架的一个事例比如〈教师-1〉性别女、职称副教授、部门计算机系。框架最值得注意的机制是缺省值。资料里性别缺省男、职称缺省讲师、截止时间缺省现在含义是在信息不全时系统自动用缺省值填充。这在推理里的作用是让知识表示具备容错性——你不需要每个槽都填满才能用这个框架。这和后面讲的默认推理在知识不完全的情况下假设某些条件已经具备是一条线贯通的。框架的三个特点——结构性、继承性、自然性——是简答题素材。继承性特别好理解子框架可以继承父框架的槽值不需要重复定义。实际做知识工程时框架适合描述有固定结构、属性稳定的领域比如教师、学生、课程、部门但不适合描述过程性知识比如「怎么推理」这种流程那还是产生式的主场。2.4 知识图谱模式层和数据层别搞反知识图谱的定义里有一个容易忽略的点它既可以是「用图形化技术描述知识资源」的广义概念也可以狭义理解为「节点表示实体或概念、边表示属性或关系」的图结构。考试更倾向后者。逻辑结构分两层——数据层存事实模式层是构建在数据层之上的核心体系架构。注意这个关系模式层在上约束数据层的结构数据层在下承载具体事实。构建方向有自顶向下和自底向上两种。自顶向下是先定义本体和模式再填充数据自底向上是从已有数据里抽取实体和关系再归纳模式。实际项目里常见做法是混合式先粗建模式再让数据反馈修正。另外三类数据对象——结构化、半结构化、非结构化——分类依据是「定义和规范约束的完备程度」结构化数据约束最严非结构化数据是「自由」数据。这个分类在许多语义网相关的考题里会反复出现。3. 确定性推理子句集转换和归结反演手把手把例题走一遍3.1 推理分类先分清方向再谈方法推理分类是一张概念网。按推理方向分演绎推理是从一般到个别归纳推理是从个别到一般默认推理是在知识不完全时假设条件已具备。按结论确定性分确定性推理真值非真即假不确定性推理结论带有可信度。按单调性分单调推理是新知识只会加强结论非单调推理则是新知识可能推翻旧结论、退回前面某一步重新开始。这里有个测试点资料里说「不确定性推理」的定义时特意标注了「与第四章略微不同建议回答后者」。第一章的定义是「推理时所用的知识与证据不都是确定的」第四章的定义是「从不确定性的初始证据出发通过运用不确定性的知识推出具有一定程度不确定性但合理或近乎合理的结论」。后者多了一个「思维过程」的表述答题按第四章的版本更稳。同一条线上的概念还有正反向推理和混合推理。正向推理以已知事实为出发点叫事实驱动逆向推理以假设目标为出发点叫目标驱动。混合推理有两种顺序先正向后逆向——用事实演绎出部分结果来辅助选目标先逆向后正向——用逆向推理中获得的信息再正向推出更多结论。双向推理更复杂正反向同时进行在某一步骤碰头。3.2 谓词公式化为子句集九步转换法是核心重点是Skolem化子句集转换是整个第三章的技术核心归结原理全建立在子句集之上。为什么非要化子句集因为归结原理要求所有子句都是文字的析取式合取词全部消掉整个集合里任何一子句不可满足整个子句集就不可满足。这个「不可满足」的概念直接支撑后面的归结反演。九步转换法按顺序走消蕴含和等价、把否定符号内移、变量标准化、消去存在量词、化为前束形、化为Skolem标准形、略去全称量词、消去合取词、子句变量标准化。每一步都有固定的操作规则比如第一步P→Q等价于¬P∨QP↔Q等价于(P∧Q)∨(¬P∧¬Q)第二步用双重否定律、德·摩根定律和量词转换律把¬移到紧靠谓词的位置。第四步消去存在量词是最容易出错的。规则分两种情况存在量词不在任何全称量词的辖域内直接换一个新变量存在量词出现在某个全称量词的辖域内就必须Skolem化——用Skolem函数替代。资料里给的例子是存在量词受全称量词约束时把存在量词量化的变量替换成Skolem函数函数参数是外层全称量词的变量。这个细节是区分「会转换」和「真懂转换」的分水岭。一个实战经验转换完的子句集最好自己检查一遍每个子句是否真的只剩文字的析取。如果发现还有蕴含符号或合取符号漏网说明前面某一步跳了。还有那个「子句变量标准化」为什么出现在第九步而不是第三步——因为前八步可能引入了新变量需要在最后再统一去重避免两个子句用了同名但无关的变量。3.3 鲁宾逊归结原理解题从选子句到出空子句归结原理的基本思想只有一句话检查子句集S中是否包含空子句若包含则S不可满足若不包含在S中选合适的子句进行归结一旦归结出空子句就说明S不可满足。空子句是永假的、不可满足的它是一切归结的终点标志。命题逻辑中的归结最简单C₁和C₂两个子句如果C₁中的文字L₁与C₂中的文字L₂互补就从两者中分别消去L₁和L₂剩余部分析取成新子句C₁₂。资料里的例子¬P∨Q和¬Q∨R归结得到¬P∨R互补对是Q和¬Q。谓词逻辑中的归结需要先做最一般合一先把两个子句中的相关谓词统一到一致的形式再消去互补对。时间复杂度上谓词归结比命题归结多一步合一的过程但归结点是一样的空子句。做题时注意资料里的建议——按由长到短的子句顺序进行归结。长子句先归结可以更早暴露矛盾短子句留在后面补充。归结得到的归结式要并入原子句集S继续用别丢掉否则可能漏掉关键路径。3.4 归结反演求解问题把待求解问题变成ANSWER析取归结反演和归结证明有一点关键差别证明题是验证「结论Q是已知条件的逻辑结论」求解题是找出「使目标成立的那个实体是谁」。求解题的步骤多了一个技巧——把待求解的问题Q否定后与ANSWER构成析取式(¬Q∨ANSWER)再化成子句集并入S。例题是最好的教材。已知条件王先生是小李的老师小李和小张是同班同学同班同学的老师是同班同学的老师。要求小张的老师是谁。先把前提化成三个子句再把¬(∃A)Teacher(A,Zhang)∨ANSWER(A)并进来然后从S里选子句归结。关键一步是子句1Teacher(Wang,Li)和子句3¬Classmate(x,y)∨¬Teacher(z,x)∨Teacher(z,y)归结得到¬Classmate(Li,y)∨Teacher(Wang,y)。这个y就是待定的小张。继续归结下去最终得出ANSWER(Wang)答案自然的浮出水面。实操时会遇到一个坎不知道从哪两个子句开始。我的习惯是倒着来——先看目标子句里缺什么谓词再回S里找能跟它互补的子句。比如目标是¬Teacher(A,Zhang)∨ANSWER(A)那我优先找包含Teacher(Wang,Li)这类正文字的子句去配对而不是随便拿两条就归。4. 不确定性推理可信度、证据理论、模糊推理三条路怎么选4.1 可信度方法CF值的传递与合成是必考计算题不确定性推理和确定性推理的本质差异在于知识、证据、结论三者都允许带可信度。可信度方法用CF(Q,P)表示「当P为真时Q为真的信任程度」取值范围[-1,1]。CF(H,E)0的含义是证据的出现与否与结论无关这个零点判断常被拿来出选择题。证据不确定性的表示值得注意CF(E)1是能肯定它为真CF(E)0是未获得任何相关观察CF(E)-1是能肯定它为假。合取证据EE₁AND E₂...AND Eₙ取CF(E)min{CF(E₁),...,CF(Eₙ)}析取证据取max。这是组合证据不确定性的算法对应到实际判断里就是「短板效应」——合取条件中最不可靠的证据决定整体可信度。不确定性的传递算法是核心公式CF(H) CF(H,E) × max{0, CF(E)}。注意当CF(E)0时max{0,CF(E)}0整个CF(H)归零。这意味着证据为假时规则完全不被激活这是可信度方法里一个重要的「门控」机制。结论不确定性的合成算法更难一点。两条规则同时支持同一结论H时先分别算CF₁(H)和CF₂(H)再用合成公式合并。例题里给了完整推导CF₁(H)0.28、CF₂(H)0.48合成后CF₁,₂(H)0.280.48-0.28×0.480.63。注意第三个证据是负数合成公式就换挡了——CF₁,₂,₃(H)(0.63-0.27)/(1-min{0.63,0.27})0.36/0.730.49。这个分段公式必须记牢考试不会给你公式提示。一个血泪教训算CF(H)前先把每条规则的前提可信度算清楚因为CF(H,E)直接乘的是max{0,CF(E)}里那个CF(E)如果证据本身是合取/析取先算min/max再乘系数。顺序错了结果完全对不上。4.2 证据理论概率分配函数、信任函数、似然函数的三角关系证据理论比可信度方法多了一层数学抽象但它解决了一个可信度方法解决不了的问题可信度方法只有一个值刻画信任证据理论可以同时表达「支持」、「反对」和「不知道」。概率分配函数M作用于集合D的子集上不是作用于单个元素上这是它和普通概率最大的区别——M({红})0.3M({红,黄})0.2这两个可以同时为真因为它们描述的是不同粒度的信念分配。信任函数Bel(A)的含义是「对A为真的总的信任程度」计算方式是A的所有子集的M值求和。例题里D{红,黄,蓝}M({红})0.3、M({黄})0、M({红,黄})0.2那么Bel({红,黄})0.300.20.5。注意Bel(∅)M(∅)0这个性质它是整个理论的一致性地基。似然函数Pl(A)的直观意义是「对A为非假的信任程度」定义式Pl(A)1-Bel(¬A)。例题问Pl({蓝})先算Bel({红,黄})0.5则Pl({蓝})1-0.50.5。看起来对称但实际隐含的区间概念是[Bel(A), Pl(A)]——这个区间越窄对命题的把握越高区间越宽说明「不知道」的成分越多。概率分配函数的正交和用于合并两个独立的证据来源。K≠0时正交和M也是一个概率分配函数K0时两个证据来源完全矛盾不存在正交和。这个K的计算涉及对两个概率分配函数在相交集合上的乘积求和考试通常考K≠0的正向计算背熟公式、看好交集就行。4.3 模糊推理隶属度、模糊关系和模糊决策三段式模糊推理的出发点是用隶属度代替「属于/不属于」的二值判断。隶属度是给每个元素赋予[0,1]之间的实数全体元素隶属度构成隶属函数。模糊集合的表示方法有三种Zadeh表示法、序偶表示法、向量表示法——考试爱考辨认看到A0.2/x₁0.4/x₂0.9/x₃这种就是Zadeh表示法。模糊集合的运算里交并补对应到隶属度上是min、max和1-μA(x)。但模糊代数运算考得更深A·B是逐点乘积AB是代数和μAμB-μA×μBA⊕B是有界和min{1,μAμB}AⓧB是空集运算max{0,μAμB-1}。例题里A0.2/x₁0.4/x₂0.9/x₃0/x₄0.5/x₅B0.1/x₁0/x₂0.7/x₃1/x₄0.3/x₅算出的AB0.28/x₁0.4/x₂0.97/x₃1/x₄0.65/x₅这就是μAμB-μA×μB逐项算的结果。是不是有点眼熟它和可信度合成的公式在结构上是同构的。模糊关系的合成对应到矩阵运算上「×」取min、「」取max实际就是模糊矩阵的min-max复合。模糊推理的输出是一个模糊向量要变成确定值还得做模糊决策。三种方法——最大隶属法取隶属度最大的元素、加权平均判决法按隶属度加权求和、中位数法找中位数——各自适用场景不同。考试若给模糊集合让求决策最大隶属法最快加权平均法最稳。复习建议模糊这一块不用死记所有公式把三种决策方法各练一道题再搞清楚代数积、代数和的公式差异即可。5. 复习避坑这份笔记里最容易翻车的几个考点5.1 把蕴含式当产生式用导致置信度无处安放现象做产生式表示法的题目时直接写P→Q不带置信度或者把带置信度的产生式当成纯逻辑蕴含式去推理。原因没分清「确定性规则」和「不确定性规则知识」两类产生式的区别——后者必须附置信度参数(CF)这是进入第四章可信度方法的门票。解决看到题目里出现「若…则…0.7」这类带数值的形式立刻意识到这是不确定性知识推理时必须把CF带进传递公式不能用纯布尔逻辑处理。5.2 Skolem化忘加函数参数导致子句集错误现象含全称量词辖域内的存在量词时直接把存在量词量化的变量换成一个新常量忽略全称量词的影响。原因Skolem化的定义是「用Skolem函数代替每个存在量词量化的变量的过程」当存在量词在全称量词辖域内时这个变量要表达成「依赖于外层全称变量的函数」而不是独立常量。比如(∀x)(∃y)P(x,y)Skolem化后是(∀x)P(x,f(x))不是P(x,c)。解决每做一次Skolem化先问自己这个存在量词在不在全称量词辖域内在就写成f(x₁,x₂,...)的形式。5.3 归结时忽视最一般合一导致互补文字配不上现象谓词逻辑做归结时直接找两个谓词名相同的文字消去结果发现一个带变量、一个带常量完全消不掉。原因谓词归结要求先做合一将两个子句中相关谓词的项统一再消去互补对。例如P(x)和¬P(Zhang)看起来互补实际要先用{z/Zhang}这个合一替代让P(x)变成P(Zhang)才和¬P(Zhang)互补。解决归结前先写下合一替代确认替代后的文字互补再操作。5.4 混淆推理方向把正向推理写成逆向推理现象题目问「以假设目标为出发点」是什么推理回答正向推理。原因正向推理叫事实驱动从已知事实出发逆向推理叫目标驱动从假设目标出发。资料里定义写得很清楚但考场上容易把「目标」跟「目的」混在一起。解决记一对关键词——事实→正向目标→逆向。做题时先看题干起点是已知事实还是待证目标。5.5 模糊决策用错判决法最大隶属法和加权平均法结果不同现象同一个模糊输出集合用最大隶属法得到一个值用加权平均法得到另一个值不知道题目到底要哪个。原因三种决策方法定义不同——最大隶属法只取隶属度最大的元素如果有多个最大点还需要额外规则加权平均法按隶属度权重求平均结果一般落在中间中位数法找的是累计隶属度的一半位置。解决看题目措辞明确写了「最大隶属法」就取峰值写「加权平均」就按公式算。如果题目没指定优先用加权平均法它对信息利用更充分也最能体现「转化」的意义。6. 高效复习技巧按这份笔记组织自己的公式卡和例题卡资料再全也是别人的要变成考场上能调用的东西建议动手做一套「公式卡例题卡」双卡体系。先说公式卡——把第四章的可信度合成公式、正交和公式、模糊集合的四种代数运算公式各写在一张卡片上卡背面附一道例题。比如可信度合成卡正面写「CF(H)CF(H,E)×max{0,CF(E)}」和合成公式的两种情况背面贴上资料里的例题。这样每次翻卡等于同时复习公式和用法比光看笔记效率高一个量级。例题卡针对第三章和第四章的大题。第三章的归结反演、第四章的可信度合成各挑两道完整例题把推导步骤按序写在卡上关键步骤用红笔标出比如「第4步Skolem化」「第7步消全称量词」「归结顺序由长到短」。第二步是做「错题归因」——每道错题标一个原因标签我复习时发现错题集中在两类Skolem化丢参数、可信度合成忘分段。时间分配上如果还剩三天的复习量前两天主攻第三章子句集转换和归结这是硬骨头要练到闭眼能写出九步第三天主攻第四章可信度计算和模糊代数运算这两块公式密集、规律性强背熟公式加两道例题就够了。知识表示那章只要把三种表示法的对比表格做出来考前扫一遍即可——一阶谓词看表达力、产生式看模块性、框架看结构性。这种取舍不是放弃是把有限时间放到回报率最高的计算题上。我每次考前都会做一遍「闭卡复述」不看笔记对着公式卡正面把反面例题从头推一遍推到卡壳就翻回去重看。这个方法救了我不止一次——光看懂和能默写之间的差距就是考场上丢分和拿分的差距。希望帮到你。本文还有配套的精品资源点击获取