知识表示方法分类

          1. 一阶谓词逻辑表示法：是一种由命题、逻辑连接词、个词体、谓词与量词等部件组成的表示方法

              1. 知识库可以看成一组逻辑公式的集合

              2. 知识库的修改是增加或删除逻辑公式

              3. 优点：形式上接近于人类自然语言，表达较为精确和自然

              4. 缺点：1）表示能力较差；2）只能表达确定性知识；3）知识之间相互独立，缺乏关联，使得知识管理相对困难

          2. 产生式规则表示法：产生式规则由左部的模式和右部的动作两部分组成，左部的模式规定该规则可应用的条件，右部描述应用该规则时要采取的行动、得到的结论或状态。

              1. 在三元组（对象、属性、值）或（关系、对象1、对象2）的基础上，进一步加入置信度形成四元组，并使用$P \to Q$ 或 $IF P THEN Q$的形式表示规则

              2. 优势：1）可以表示不确定性知识和过程知识；2）具有一致性和模块化的特点；3）通过规则可以实现推理功能

              3. 缺点：不能表示结构性知识和层次性知识

          3. 框架表示法：框架理论认为，我们对世间事物的认识都是以类似框架的结构存储在记忆中的。当遇到一个新事物就从记忆中找出一个合适的框架，并根据新的情况对齐细节加以修改、补充，从而形成对这个新事物的认识。

              1. 框架的数据结构：框架将知识描述成一个由框架名、槽、侧面和值组成的数据结构，并进一步引入了类和实例的概念，加入了subclass of、instance of等关系，实现了知识框架上的层次结构

              2. 优点：1）具有结构化、继承性，使得知识之间剧以后嵌套式结构信息；2）框架内部表示知识结构，框架外部表示知识之间的外部关系

              3. 缺点：不能表示过程性知识，缺乏明确的推理机制

          4. 脚本表示法：使用脚本来表示特定领域内的事件发生序列，包含了紧密相关的动作及状态改变的框架。

              1. 原理：把人类生活中各类故事情节的基本概念抽取出来，构成一组原子概念，并确定这些原子概念间的相互状态，然后把所有故事情节都用这组原子概念及依赖关系表示出来

              2. 知识结构的表示：引入进入条件、角色、道具、场景等组件作为整个事件的表示

              3. 优点：可以细致地刻画一个时间内的步骤和时序关系

              4. 缺点：1）不能对对象的基本属性进行描述和刻画；2）对复杂事件的描述能力有限

          5. 语义网络表示法（Semantic Network）：是一种以网格格式表达人类知识构造的形式，使用相互连接的电荷变来表示知识，节点表示对象、概念，边表示节点之间的关系

              1. 从整体上对各种实时和规则进行表示，从演绎结构上来看，语义网络表示法不具备特定的推理演绎结构，它对知识进行深层次的表示和推理

              2. 优点：1）可以直接明确地表示概念之前语义关系；2）可以用于快速推理

              3. 缺点：1）还不能表示动态知识、过程性知识；2）由于语义网络表示知识的手段多种多样，这种不一致表示形式是的处理复杂度相对较高

          6. 知识图谱表示法：具有图结构的三元组知识库，内部包括实体、实体属性及实体之间的关系三类事实

              1. 知识图谱本身是一个有向图，这种图结构为运行搜索、随机游走、网络流等算法提供了可能

              2. 知识图谱具有领域性，借助本体表示框架，可以对领域的整个知识突袭，包括上下位概念体系、属性关系、结构信息等进行描述，并对人类认知能力进行模拟

              3. 知识图谱的构成：实体作为知识图谱的节点，事实作为知识图谱的边，方向由头部实体指向尾部实体，边是实体之间的关系

              4. 知识图谱描述的是领域的一些静态本体知识，在表达过程性知识时比较乏力

              5. 知识图谱的本体建模所存在的一些问题：

                1. 本体融合问题

                2. 本体扩充问题

                3. 本体需要由专家构建，成本高昂

          7. 分布式表示法：将知识图谱中的实体和关系的语义信息用分布式表示（Distibuted Representation）

              1. 在低维向量空间中，两个对象距离越近，说明语义相似度越高

              2. 优点：

                1. 利用分布式向量，可以通过计算欧式距离或余弦距离等方法计算实体间、关系间的语义相关度，改进开放信息抽取中实体融合和关系融合的性能

                2. 知识表示向量可以用于关系抽取

                3. 知识表示向量可以用于发现关系间的推理规则