知识表示
知识表示（Knowledge Representation, KR）是人工智能的核心问题之一：如何将现实世界中的知识以计算机可以理解和推理的形式进行编码。一个好的知识表示方案需要在表达力（能否表达复杂的知识）、推理效率（能否高效地进行推导）和可获取性（能否方便地获取和维护知识）之间取得平衡。
从早期的语义网络和框架，到现代的知识图谱和本体论，再到与大语言模型结合的知识增强方法，知识表示技术经历了从符号化到混合化的演进。本笔记涵盖语义网络、本体论、知识图谱、规则引擎、知识图谱嵌入以及 KG+LLM 融合等主题。
1. 为什么需要知识表示
| 挑战 | 说明 |
|---|---|
| 知识的多样性 | 事实、规则、层次关系、不确定性知识 |
| 推理的需求 | 从已知知识推导出新知识 |
| 歧义消解 | 同一词语在不同语境下含义不同（如"苹果"是水果还是公司） |
| 常识推理 | 人类"显而易见"的知识对机器而言并不平凡 |
| 可解释性 | 符号化的知识表示天然具有可解释性 |
知识表示假设（KR Hypothesis）：任何智能系统都需要某种形式的知识表示，并基于此进行推理。
2. 语义网络与框架
2.1 语义网络
语义网络（Semantic Network）用节点表示概念，用有向边表示概念之间的关系。
[动物] --is-a--> [生物]
[狗] --is-a--> [动物]
[狗] --has--> [四条腿]
[狗] --can--> [吠叫]
核心关系类型：
| 关系 | 含义 | 示例 |
|---|---|---|
| is-a | 类别归属（继承） | 狗 is-a 动物 |
| has-a | 部分-整体 | 汽车 has-a 引擎 |
| instance-of | 实例化 | Fido instance-of 狗 |
| can | 能力 | 鸟 can 飞 |
继承机制：子类自动继承父类的属性。"狗 is-a 动物"且"动物 has 新陈代谢"，则推出"狗 has 新陈代谢"。
2.2 框架
框架（Frame）由 Minsky 在 1974 年提出，是一种结构化的知识表示：
Frame: 狗
is-a: 动物
legs: 4
sound: 吠叫
default-color: 棕色（可被具体实例覆盖）
- 槽（Slot）：属性名，如
legs,sound - 面（Facet）：属性的约束或元数据，如默认值、类型、范围
- 继承：子框架继承父框架的槽值
语义网络 vs 框架 vs 面向对象
框架的思想直接影响了面向对象编程中的"类-属性-继承"机制。三者本质上都是层次化的知识组织方式。
3. 本体论
3.1 什么是本体
在 AI 中，本体（Ontology） 是对某个领域中的概念、关系和约束的形式化规范说明。
其中 \(C\) 为概念集，\(R\) 为关系集，\(A\) 为公理集，\(I\) 为实例集。
3.2 描述逻辑（Description Logic）
描述逻辑（DL）是本体论的数学基础，提供了可判定的推理机制。
| 构造子 | 语法 | 语义 |
|---|---|---|
| 概念交 | \(C \sqcap D\) | \(C^I \cap D^I\) |
| 概念并 | \(C \sqcup D\) | \(C^I \cup D^I\) |
| 存在量化 | \(\exists R.C\) | 存在 \(R\) 关系连接到 \(C\) 的实例 |
| 全称量化 | \(\forall R.C\) | 所有 \(R\) 关系连接的对象都属于 \(C\) |
| 概念否定 | \(\neg C\) | \(\Delta^I \setminus C^I\) |
示例：
- "有孩子的人" = \(\text{Person} \sqcap \exists \text{hasChild}.\top\)
- "所有孩子都是医生的父母" = \(\text{Person} \sqcap \forall \text{hasChild}.\text{Doctor}\)
3.3 OWL（Web Ontology Language）
OWL 是 W3C 推荐的本体描述语言，基于描述逻辑：
| OWL 子语言 | 对应 DL | 推理复杂度 |
|---|---|---|
| OWL Lite | \(\mathcal{SHIF}(D)\) | EXPTIME |
| OWL DL | \(\mathcal{SHOIN}(D)\) | NEXPTIME |
| OWL Full | 无限制 | 不可判定 |
4. 知识图谱
4.1 基本概念
知识图谱（Knowledge Graph, KG）以三元组（subject, predicate, object）为基本单元存储结构化知识：
RDF（Resource Description Framework）：W3C 标准的三元组表示格式。
| 组件 | 示例 |
|---|---|
| 主语（Subject） | dbr:Albert_Einstein |
| 谓语（Predicate） | dbo:birthPlace |
| 宾语（Object） | dbr:Ulm |
4.2 SPARQL 查询
SELECT ?person ?birthPlace WHERE {
?person rdf:type dbo:Scientist .
?person dbo:birthPlace ?birthPlace .
?birthPlace dbo:country dbr:Germany .
}
4.3 知识图谱构建流程
原始文本 → 实体抽取(NER) → 关系抽取(RE) → 实体链接(EL) → 知识融合 → 知识图谱
| 步骤 | 任务 | 典型方法 |
|---|---|---|
| 实体抽取 | 识别文本中的实体 | BiLSTM-CRF, BERT-NER |
| 关系抽取 | 判断实体间的关系 | 远程监督, GPT 提示 |
| 实体链接 | 将提及的实体链接到 KG 中的节点 | 候选生成 + 排序 |
| 知识融合 | 合并不同来源的知识 | 实体对齐, 冲突消解 |
主流知识图谱：
| 知识图谱 | 规模 | 特点 |
|---|---|---|
| Wikidata | ~100B 三元组 | 开放、社区维护 |
| DBpedia | ~3B 三元组 | 从 Wikipedia 抽取 |
| YAGO | ~120M 三元组 | 高精度、时空信息 |
| Google KG | 非公开 | 搜索引擎后端 |
| ConceptNet | ~21M 三元组 | 常识知识 |
5. 规则引擎
5.1 产生式规则
产生式系统（Production System）使用 IF-THEN 规则表示知识：
IF 患者体温 > 38.5°C AND 患者有咳嗽
THEN 怀疑患者有呼吸道感染（置信度 0.8）
5.2 推理方向
| 推理方式 | 描述 | 适用场景 |
|---|---|---|
| 前向链推理 | 从已知事实出发，应用规则推出新事实 | 数据驱动、监控告警 |
| 后向链推理 | 从目标出发，反向查找支持目标的事实 | 目标驱动、诊断系统 |
前向链示例（Rete 算法用于高效匹配）：
事实：{温度=39, 咳嗽=是, 年龄=65}
规则1：温度>38.5 AND 咳嗽=是 → 呼吸道感染
规则2：呼吸道感染 AND 年龄>60 → 高风险患者
→ 推出：{呼吸道感染, 高风险患者}
6. 知识图谱推理
6.1 嵌入方法
知识图谱嵌入（KG Embedding）将实体和关系映射到低维向量空间，用于链接预测和补全。
| 模型 | 评分函数 | 特点 |
|---|---|---|
| TransE | \(\|\mathbf{h} + \mathbf{r} - \mathbf{t}\|\) | 简单高效，难以处理一对多关系 |
| TransR | \(\|\mathbf{M}_r \mathbf{h} + \mathbf{r} - \mathbf{M}_r \mathbf{t}\|\) | 关系特定投影 |
| DistMult | \(\langle \mathbf{h}, \mathbf{r}, \mathbf{t} \rangle\) | 双线性模型，只能处理对称关系 |
| ComplEx | \(\text{Re}(\langle \mathbf{h}, \mathbf{r}, \bar{\mathbf{t}} \rangle)\) | 复数空间，可处理非对称关系 |
| RotatE | \(\|\mathbf{h} \circ \mathbf{r} - \mathbf{t}\|\) | 旋转建模，可处理多种关系模式 |
训练目标：最大化正三元组的评分，最小化负三元组的评分（对比学习）。
6.2 基于规则的推理
- 路径排名算法（PRA）：发现关系间的推理路径
- 归纳逻辑编程（ILP）：从数据中学习逻辑规则
- AnyBURL：高效的基于规则的 KG 推理系统
7. 知识图谱 + LLM
7.1 RAG 中的知识图谱
传统 RAG（Retrieval-Augmented Generation）基于非结构化文本检索。将知识图谱引入 RAG 可以：
- 提供结构化的上下文，减少幻觉
- 支持多跳推理（沿着图谱路径推理）
- 增强实体消歧能力
GraphRAG 架构：
用户问题 → 实体识别 → 子图检索 → 子图序列化 → LLM 生成答案
7.2 知识增强生成
| 方法 | 描述 |
|---|---|
| KG-grounded generation | 将 KG 三元组作为提示注入 LLM |
| KG-guided retrieval | 用 KG 结构指导文档检索 |
| LLM-augmented KG | 用 LLM 辅助 KG 构建和补全 |
| Neuro-symbolic reasoning | 结合 LLM 的语言能力和 KG 的推理能力 |
7.3 挑战与展望
| 挑战 | 说明 |
|---|---|
| 知识新鲜度 | KG 更新滞后于现实世界 |
| 规模与效率 | 大规模 KG 的实时查询和推理 |
| 知识冲突 | KG 中的知识与 LLM 参数知识不一致 |
| 不完整性 | 现有 KG 远未覆盖所有知识 |
| 多模态知识 | 文本、图像、表格等多模态知识的统一表示 |
发展趋势
知识表示正从纯符号化走向神经-符号融合（Neuro-Symbolic AI）：用神经网络处理感知和语言理解，用符号系统处理精确推理和知识管理。这种融合被认为是通向更强 AI 的关键路径之一。
参考资料
- Brachman & Levesque, Knowledge Representation and Reasoning
- Hogan et al., "Knowledge Graphs" (ACM Computing Surveys, 2021)
- Pan et al., "Unifying Large Language Models and Knowledge Graphs: A Roadmap" (2024)
- W3C OWL 2 Web Ontology Language
- Stanford Protege