人工智能第8章 一阶逻辑FOL

目录

表示语言

一阶逻辑和命题逻辑的本体论约定(关于世界本质的假设)不同：

一阶逻辑的模型

量词与连接词

数据库语义

命题推理与一阶推理

 全称量词实例化推理规则（UI规则）

 存在量词实例化推理规则（EI规则）skolem化

在全称量词辖域内的存在量词

前向链接

高效的前向链接

规则前提与已知事实进行匹配：合取排序

增量前向链接

避免产生无关的事实

---

表示语言

程序 表示的是计算 过程 ，程序中的 数据结构 可以表示 事实 。程序设计语言 缺少 从事实推导出

其他事实的 通用 机制，数据结构的每次更新都需要特定领域的 专门 过程完成。

命题逻辑 是 描述性 语言，知识和推理是 分开的 ，推理完全 独立 于领域。命题逻辑的缺点是无

法描述有很多 对象 的环境。 命题逻辑难以表示 部分 或 全部 对象

一阶逻辑语言 结合形式语言和自然语言 的优势 ，围绕对象和关系建立，可以表示关于部分或

全部对象的事实。

一阶逻辑和命题逻辑的本体论约定(关于世界本质的假设)不同：

◼ 命题逻辑假定 世界中的事实要么成立要么不成立 。

每个事实只能处于真或假两种状态之一，每个模型对每个命题符号赋值true 或 false

◼ 一阶逻辑假设 世界由对象构成，对象之间的某种关系或者成立或者不成立 。

一阶逻辑的模型

包含一个非空对象集合以及一个解释。解释将常量符号映射到对象 、谓词符号映射到对象之间的关系、函词映射到对象上的函数。

量词与连接词

一阶逻辑描述“有的病人喜欢所有的医生，但是没人喜欢庸医。”

F1：(∃x)(P(x)∧(∀y)(D(y)=>L(x,y)))

F2：(∀x)(P(x)=>(∀y)(Q(y) =>┓L(x,y)))

等词：两个项指代同一个对象

数据库语义

◼ 关键字假设： 坚持每个常量符号指代一个不同的对象

◼ 论域闭包： 每个模型只包括常量符号指代的对象。

◼ 封闭世界假设： 假设我们不知道的所有原子语句事实上都为假。

 数据库语义 区分于标准的 一 阶逻辑语义

 

命题推理与一阶推理

 全称量词实例化推理规则（UI规则）

 全称量化的语句可以推理出用 没有变量的项（基项） 代换全称量化变量得到的语句。

 存在量词实例化推理规则（EI规则）skolem化

 存在量化的语句可以推理出 skolem常量 代换存在量化变量得到的语句

 

g在知识库里；而k没有在知识库的其他地方出现过，是一个新的名称。

全称量词实例化可以多次应用获得不同的结果；

存在量词实例化只能应用一次，然后在量化的语句就可以被抛弃。

在全称量词辖域内的存在量词

利用谓词逻辑表示下列知识（包括已知和结论），然后化成子句集：

（1）凡是清洁的东西就有人喜欢；

（2）人们都不喜欢苍蝇

求证：苍蝇是不清洁的。

证：现定义如下谓词 L(x,y)------某人 x 喜欢某物 y； P(y)------ 某物 y 是清洁的东西

当知识库中包含函词时， 基项置换集 可能是无限的，因为 可以构造无限多个嵌套项

如果某个语句被原始的一阶知识库蕴涵，则存在一个 只涉及命题化知识库的有限 子集。

一 阶逻辑的蕴涵问题是 半 可判定的—— 存在算法能够证明被蕴涵的语句，不存在算法否定不被蕴涵的语句。

前向链接

 限定子句 ：正好只有一个正文字的子句。

◼ 它可以是原子语句； 或是蕴含语句，蕴含语句的前提是正文字的合取， 结论是单个正文字。

 命题逻辑中，建立在限定子句上的 前向链接算 法 ：从知识库中的原子语句出发，在前向推理

中应用 假言推理规则 ，增加新的原子语句，直到不能进行任何推理。

 一 阶限定子句 中，假设变量是全称量化的，书写时省略全称量词

 有些知识库可写成限定子句的集合，但并非每 个知识库都可写为限定子句的集合( 单一正文字的限制过于严格) 。

  数据日志类知识库不包含函词。数据日志是一种受限于没有函词的一阶限定语句的语言。没有函词的推理更容易。 数据日志可以表示由关系数据库生成的语句类型。

前向链接是可靠的，完备的。

从统计可能添加的事实开始，该数值决定了迭代的最大次数。令k表示谓词的最大元数（参数的个数），p表示谓词的数量，n表示常量符号的数量。显然，不重复的基本事实不会多于p n^k个，所以经过多次迭代后，算法一定能到达某个不动点。

高效的前向链接

规则前提与已知事实进行匹配：合取排序

合取排序问题 ：对规则前提的合取项进行排序 ，使总成本最小。

寻求最优排序是 NP 难题但有好的启发式可用。例如CSP 的 最少剩余值（ MRV ） 启发式建议

增量前向链接

避免重复匹配 ；逐步完成不完全匹配

增量前向链接 ： 必须使用前一 次迭代中得到的事实 进行本次迭代的推理得到新的事实

 改进： 保留 并逐步完成不完整匹配 ，而不是舍弃。

命题逻辑的前向链接使用 count 实现了不完整匹配。

避免产生无关的事实

利用目标信息重写规则集 ，从而在前向推理过程中只考虑相关的变量绑定—— 魔法集

后向链接算法

 后向链接是一种深度优先搜索算法

 一旦合取式中的某个子目标得以成功实现，它的置换要用于后续子目标。

一类与或搜索：

或：目标查询可以被知识库的规则证明

与：子句中的合取项列表必须被证实

归结

转换成CNF步骤：

1. 删除蕴含词：  D(y)=>L(x,y)        ┓D(y)∨L(x,y)

2. ┓否定内移，量词转换

3. 标准化变量：去重用的变量  

4.  Skolem化  (∃x)(P(x)  P(a)

5. 将所有量词移到左边

6. 删除全称量词

7. 利用分配律∨内移，∧外移

将以下语句转化为合取范式：

(∃x)(P(x)∧(∀y)(D(y)=>L(x,y)))     

(∃x)(P(x)∧(∀y)(┓D(y)∨L(x,y)))     

P(a)∧(∀y)(┓D(y)∨L(a,y))     

(∀y)(P(a)∧(┓D(y)∨L(a,y)))     

P(a), ┓D(y)∨L(a,y) 

归结推理:

用归结导出 KB为空：

归结步骤：问题转化为FOL,再转化为CNF，加上询问句a的反，使用规则导出空，从而证明了a

归结策略:

单元优先：优先对包含一个单文字(也称单元子句)的语句进行归结

最佳优先搜索:权重(与规模和难度相关)小的优先执行

支撑集：归结的每一步都须涉及至少一个特殊子句集(支撑集)的元素,支撑集的错误选择将会使得算法不完备

输入归结/包容法：清除所有被知识库中的已有语句包容(比该语句更特例)的语句