NLP-基础知识-005(专家系统)

学习的两个分支：

1、专家系统(也称-符号主义、俗称规则)
    
    if:

    elif:...

    else ....
   
   查看数据量：
    1) 没有数据或者数据量比较少的情况下更适合规则
    2) 如果有大量的数据 => 基于概率的解决方案

2、基于概率的解决方案(也称-连接主义)
   
专家系统:

    专家系统 = 推理引擎 + 知识

    利用知识和推理来解决决策问题


BI系统：对数据进行包装辅助用户决策，人还是决策核心
AI系统: 帮助或替代用户去做决策

专家系统核心流程:

1、需要知识库: 领域内的专家 -> 经验 -> 将经验转化为计算机能识别的知识 -> 知识库 -> 推理引擎 <-> 
working storage   --> user interface

任务:搭建金融知识图谱-最终目的:风控

金融专家->金融风控涉及到实体、关系 ->知识图谱工程师 -> 集合专家经验、构建知识图谱 --> 图数据库 -> 推理层(AI工程师、NLP工程师) -> API -> 系统(业务)

特点:

处理不确定性
知识的表示
可解释性：一条条规则
可以做知识推理


给出一个规则集合:

Rule 1: If A and C Then F
Rule 2: IF A and E Then G
Rule 3: IF B Then E
Rule 4: IF G Then D

Prove:IF A and B true Then D is true


算法: Forward Chaining Algorithm

已知: A is True & B is True 

1) 结合Rule 3 -> {E is true}   第一层循环
2) 结合Rule 2 -> {G is true}   第二层循环
3) 结合Rule 4 -> {D is true}   第二层循环


算法: Backward Chaining Algorithm

D is true -> A is True & B is True

1) D is true -> G is True -> A is true and E is true -> A is True & B is True


专家系统的缺点:

1、设计大量的规则
2、需要领域专家来主导
3、可移植性差：做完一个系统规则很难移植到第二个系统或第三个系统
4、学习能力差
5、人能考虑的范围是有限的



专家系统案例: 风控

问题:根据用户的信息，决定要不要放贷

1、if age < 18 reject     -1
2、if m-money < 3000 reject  -2
3、if city == 'xxx' reject   -0.5
........   

rule engine 可以给每一条规则不同的权重



一些需要考虑的问题:

1、逻辑推理(background or forward)
2、规则冲突 rule 01: if A then B   if A then -B
3、选择最小规则的子集:  1000条规则存在冗余规则，例如第二条规则和第三条规则包含第四条规则
可以采取贪心算法，从规则集合一个一个规则，按结果影响效果不大的规则删除