集大成者！经典书《知识表示学习》，1035页pdf系统性讲解人工智能知识表示与推理基础、算法与应用

2020 年 11 月 20 日 专知

知识表示，这本经典书不可错过！

知识表示和推理是人工智能挑战的核心: 要充分理解智能和认知的本质，使计算机能够表现出类似人类的能力。早在1958年，约翰·麦卡锡(John McCarthy)就考虑过可以运用常识的人工智能系统。从这些早期工作中，研究人员确信(人工)智能可以被形式化为具有明确知识表征的符号推理，而研究的核心挑战是弄清楚如何在计算机中表示知识，并使用它的算法来解决问题。

多年以后，这本书调研了构成知识表示和推理领域的大量科学和工程见解。在三个方面取得了进展。首先，研究人员探索了知识表示和推理的一般方法，解决了跨越应用领域的基本问题。其次，研究人员开发了专门的知识表示和推理方法来处理核心领域，如时间、空间、因果关系和行动。第三，研究人员处理了知识表示和推理的重要应用，包括查询回答、规划和语义网。因此，本书分为三个部分来涵盖这些主题。

https://www.elsevier.com/books/handbook-of-knowledge-representation/van-harmelen/978-0-444-52211-5

第一部分主要介绍人工智能系统中表示知识的一般方法。它从经典逻辑和定理证明的背景开始，然后转向扩展经典逻辑的新方法——例如，处理定性的或不确定的信息——并改进其计算可处理性。

第一章通过调研自动化推理的经典逻辑和方法，为后面章节提供了背景知识。
第二章描述了可满足性(SAT)求解器的显著成功。研究人员发现，这类自动推理可以用于越来越多的实际应用，而且效率惊人。
第三章回顾了描述逻辑的研究，提供了用术语知识表示和推理的方法。描述逻辑是语义Web表示语言的核心。
第四章描述了约束规划，一个解决组合搜索问题的强大范例。这种类型的知识表示和推理结合了来自人工智能、运筹学、算法和图论的广泛技术。
第五章回顾了在概念图方面有影响的研究。这种结构化的表示提供了一种表达性语言和强大的推理方法，这对于自然语言理解等应用程序是必不可少的。
第六章介绍了非单调逻辑，它处理与处理一般规则异常相关的复杂问题。这些逻辑被称为“非单调”，因为它们描述了当考虑到额外的异常时从知识库撤回信息的情况。
第七章建立在上一章的基础上，描述了答案集逻辑，它巧妙地处理了默认规则和例外，以及它们所产生的非单调推理。这种逻辑形式也支持关于行为的因果效应的推理——常识的另一个关键特征。
第八章通过对信念修正技术的调查继续了这个主题，也就是说，一个主体是如何根据与之前的信念相矛盾的新信息改变其知识库的。
第九章解释了连续系统定性模型的作用。这些模型实现了常识的另一个关键特征: 使用不完整信息进行推理。这种推理形式可以计算，例如，一个系统可能的未来状态，这是重要的许多任务，如诊断和辅导。
第十章证明了这些理论和技术为问题解决者建立了基础，这些解决者利用系统行为的明确模型来完成诸如设计、测试和诊断等任务。这种基于模型的问题解决器以基本原理知识和具有正式逻辑基础的推理引擎为基础，而不是与特定实例和情况相关联的经验，实现了知识表示和推理技术的工业应用所需的能力和健壮性。
第十一章直面现实世界领域中不可避免的不确定性问题，并调查了贝叶斯网络作为一种建模和基于不确定信念进行推理的方法的广泛研究。

第二部分探讨了用知识的一些核心领域(包括时间、空间、因果关系和行动)来表示和推理的特殊挑战。这些挑战在应用程序领域中普遍存在，因此解决方案必须是通用的和可组合的。

第十二章讨论了如何表示一个不断变化的时序世界。在这个贯穿本节的主题中，这提出了各种有趣的本体论问题——比如时间应该用点还是间隔来建模，以及在什么层次上粒度化——以及这些决定的实际后果。
第十三章调研了空间的定性表示，包括拓扑、方向、形状、大小和距离，以及适用于每个空间的推理方法。虽然没有单一的理论涵盖这些主题全面，研究人员已经产生了一个强大的工具包。
第十四章建立在前两章的基础上，并对定性建模进行了研究，以解决一般的物理推理问题。发展了两个重要的领域理论(液体和固体)，并探讨了在替代模型之间转换的关键问题。
第十五章调研了一个主体的知识和信念的表现，包括关于其他主体的知识状态的命题(例如，“汤姆相信玛丽知道……”)。这种工作可以很好地扩展到在智能体社区中处理公共知识和分布式知识。
第十六章考察了“情境演算”的悠久历史——为处理动态世界而设计的知识表示。麦卡锡和海斯首先定义的情形是“宇宙在某一时刻的完整状态”。因为情境是可以被量化的一阶对象，这个框架已经被证明是关于变化的推理的一个强有力的基础。
第十七章描述了事件演算作为一种情景演算的替代，它具有一些额外的好特性。特别是，事件演算有助于表示连续事件、不确定性影响、持续时间事件、触发事件等等。
第十八章通过引入时态动作逻辑，继续开发为动态世界设计的表示语言。这个语言家族特别适合于推理持久性，也就是说，世界上的特性会随着时间的推移而不变，直到一个动作影响到它们。它简化了不确定性动作、有持续时间的动作、并发动作和动作的延迟效果的表示，部分原因是它使用了显式时间，并且它将自动计划器与形式主义紧密地结合在一起。
第十九章关注于非单调因果逻辑，它使用框架问题的强解决方案来处理动态世界。这一逻辑始于这样的假设:每件事都有一个原因:要么是先前的动作，要么是惯性(持久性)。这导致了一些关键问题的很好的形式化，比如分支、隐含的操作前提条件和操作的并发交互影响。

第三部分介绍了知识表示和推理的重要应用。应用领域涵盖了人工智能的广度，包括问题回答、语义网、计划、机器人和多智能体系统。每一项应用都广泛借鉴了第一部分和第二部分中所述的研究结果。

第二十章调研了问答系统。这些系统会回答相关文档的问题，在某些情况下，还会回答常识信息的知识库。该系统的挑战是选择相关的文本段落(一个信息检索任务)，解释它们(一个自然语言理解任务)和推断问题的答案(一个推理任务)。
第二十一章回顾了语义网的发展:万维网的一个扩展，在它的内容是用一种正式的语言表达的，使软件代理能够发现、整合和推理它。这带来了许多挑战，包括将知识表示方法缩放到Web的大小。
第二十二章调查了自动化规划的进展，这使得这些系统比早期人工智能的“经典规划”更加强大。例如，新框架支持不确定性操作和部分可观察性，这是现实领域的重要属性。
第二十三章将知识表示和推理扩展到一个新的方向:认知机器人。这一应用的挑战在于，机器人的世界是动态的、不完全已知的，这需要重新思考传统的人工智能任务方法，比如规划，以及耦合高级推理和低级感知。
第二十四章对多智能体系统的研究进行了调查，其中每个智能体代表和推理环境中的其他智能体是很重要的。当代理有不同的，或者更糟的——冲突的目标时，这就特别具有挑战性。
第二十五章描述了知识工程的工具和技术:如何获得可以用其他章节中描述的形式来表达的知识。