知識表達與知識圖譜

知識表達的基本概念

1. 知識表達的定義：知識表達(Knowledge Representation)指一種研究機器要用何種格式與架構，來儲存與表達「知識的內容」以及「知識與知識之間的關係」，以利於電腦程式將來能有效、快速的處理知識的搜尋與推理的一種架構工具。
2. 知識表達的起因與重要性：法則學派有兩個主要研究領域，一為上述的「知識推理」(Knowledge Reasoning)，以專家系統為代表；一為「知識表達」，以知識本體論(Ontology)、語意網路(Semantic Network 與 Semantic Web)及知識圖譜(Knowledge Graph, KG)為代表。
   為了正確有效的處理知識的推理，應該在處理之前對於所要瞭解的相關「概念」或「物件」其內部重要的構造、屬性與關係應該要有更深入的瞭解，然後對於這些概念或物件的特徵或行為的推理，才會有正確的依據。

知識本體論

知識本體論的基本概念：
①重量級本體論：人類應該透過嚴謹的思考以知識工程(Knowiedge Engineering)的方式，把所有知識逐一記載、整合、連結起來，成為一個能正確解釋所有真實世界內大型知識庫型態的架構，此架構也必須具備複雜嚴謹的推理功能，這些工作都需要經過人類專家嚴謹的驗證其正確性。
②輕量級本體論：主要強調「可行性」，由電腦自動化地提取物件與概念的「屬性」與「關係」，並以此描述概念的內部特徵與彼此之間的關係，本身不具備複雜的推理驗證法則只是描述出物件的屬性內容。

知識圖譜基本概念

1. 知識圖譜基本概念：利用節點已「邊」(Edge)來表示知識的「關係」，其「節點」(Node)表示概念或物件的內容，並用「屬性」(Attribute)、「值」(Value)來描述物件的內容，而「邊」則代表這些概念的「語意關係」，最主要的油有繼承關係的「is...a」及「a part of」來表示物件的關係，這種知識表達架構常用所謂的「三元組合」來表示物件內容與關係，例如：清朝、參戰、甲午戰爭等。
2. 知識圖譜的主要建構步驟
   ①讀入文章。
   ②實體提取(Entity Extraction)。
   ③關係提取(Relationship Extraction)。
   ④利用三元組合(Triplet)建構知識圖譜。

知識圖譜的主要特色與優點

①結構性：有一定的結構與格式。
②連結性與成長性：透過滾雪球方式，不斷向外延伸拓展。
③成本低：機器自動讀入與歸納。
④自然語言表達。
⑤具推理性：法則學派有兩種推理。

知識圖譜主要應用

機器學習學派，主要用統計與數學模式，或是深度學習的類神經網路模式，由於其預測的背後主要是數學與統計的概率計算，因此其「邏輯推理」能力與「解釋力」相當弱，故除了由數學模式來精準地預測與分析外，常需要更高層次的邏輯來解釋與說明，所以現在許多人工智慧都會結合機器學習學派的數據分析模式，與知識圖譜的邏輯推理法則來共同解決問題。

1. 搜尋引擎上的主要應用：
   ①解決同義字問題。
   ②可直接回答問題。
2. 支援自然語言處理(NLP)。
3. 支援QA與聊天機器人。
4. 支援推理與決策：
   ①治安方面。
   ②醫療方面應用。
   ③詐欺偵測方面。
5. 產品推薦。

法則學派與機器學習學派的合作

沒有一個學習理論或演算法，能適用一切的問題，任何演算法皆有其優點與限制，機器學習學派主要優勢在感知上的能力，例如：看、說、聽，而在推理、語意瞭解、決策、判斷方面則因深度學習是個黑盒子，因此相對較弱。
而法則學派剛好相反，其在非結構的資料處理上遠遠落後，但「感知能力」上層的「認知能力」上包含推理邏輯能力、決策、回答與溝通，則是其長處，故這兩者的整合，應該是AI系統架構上重要的一環。

參考資料
人工智慧-概念應用與管理　林東清著