知识发现及搜索技术

人工智能的关键是获取知识进行决策, 这就需要在计算机网络和数据库技术的发展过程中必须往 领导层渗入, 建立 KDD 系统 ( 概念、信息加统计) , 使各个层次的决策者能够得到自己所需要的宏观知识信息, 并帮助他归纳、优化及调用相关知识信息 ( 即机器学习) , 根据以往的和目前的来估计未来的动作。对于某一层次的决策者来说, 并不是信息越多越好, 而是如何在大量的信息中快速调出他进行决策所需要的信息, 还需融合相应的知识及以往的经验, 这就会涉及到搜索信息技术。

人工智能领域中将搜索技术大致分为无变 量盲目搜索算法 ( 状态 空间的盲目 搜索、问 题空间的盲 目搜索) ; 带变量的盲目搜索 ( 通代算法、带变量的状态空间盲目搜索、带变量的问题空间盲目搜索) ; 启发式搜索算法 ( 单值有序搜索和多值有序搜索、与或树的启发式搜索、通用弱方法等) ; 博弈树搜索 ( 极大极小树算法) 。研究工作中, 大多倾向于把这些搜索技术有机地结合起来, 以求达到更好的效果。

知识获取及专家系统

信息技术的飞速发展使智能系统的工作成 为必然的需求, 用现代科学技术体系来建立信息网络, 使得人类已掌握的、与即将掌握的知识和技术能以极其灵活方便的方式为人类所共享, 从而创造出更大的物质财富与精神财富。目前国内外专家普遍认为, 知识获取是知识工程的关键工序, 是开发专家系统的核心, 认为人工智能研究的中心问题中最重要的是知识获取, 也是人工智能的一个长期存在的问题。

知识获取贯穿于一个专家系统生命周期的始终, 是一个长期的、与专家系统共生死的过程, 粗略地说, 可分为早期、中期和后期三个阶段: 早期知识获取直接从知识源获取原始知识, 这里所说的知识源包括专家的知识和记录在载体上的知识; 中期知识获取是对已经得到的原始知识实行再加工, 把那些隐含于原始知识中但不能被直接利用的知识提炼出来; 后期知识获取是用实践来检验已有的知识, 达到去伪存真、去粗取精的目的。