首页 > 代码库 > Visual Prolog 的 Web 专家系统 (7)

Visual Prolog 的 Web 专家系统 (7)

GENI的核心 -- 推理机(1)知识表示

GOAL段最后一句是子句infer(),它的含意是“推理”。

由此,进入GENI的核心,察看推理机的运行。

infer()

  infer():-
	topic(Maingoal,_),
	go([],MainGoal,""),!.
  infer():-
	errorexit.

topic(Maingoal,_)

topic现存于事实库geni中,取出的Maingoal = "animal",

详见《Visual Prolog 的 Web 专家系统 (4) 》的相关介绍。

如果按照前面几节分析程序的路子走,现在应该从谓词go([],MainGoal,"")出发。

我试着走了一遍,最后,发觉不行。

原因在于,推理机的代码量,比前几节的总和还多;

处理知识数据的方式方法复杂得多;

程序逻辑和运行流程,准确分析的难度大得多。

所以,必须做一些基础性准备工作,搞清楚推理机相关知识数据的整体情况;

搞清楚推理机的逻辑、运行机制特点,和一些VIP内建谓词的用法。

因此,把推理机的问题分解成4个小节:知识表示、流程控制、内建谓词与外建谓词、例程分析。

今天,开始第1小节。

一、Prolog的知识表示

Prolog程序的基本结构是“事实 + 规则”,或者,“知识 + 控制”。

与过程性程序不同的是,说明式的Prolog,知识(数据)与控制浑然一体。

这表现在2个方面:

1、知识表达方式

Prolog主要用事实库表示知识,也可以用谓词子句表示知识。

用事实库表示知识

事实库、知识库可看作一回事情。

事实库是定义在程序内部的知识库,知识库是存在于程序外部的事实库。

以知识库animal.gni为例,看它的内容:

rule(1,"carnivore","cheetah",[1,2],"animals\\cheetah.htm")
rule(2,"carnivore","tiger",[1,3],"<img src=http://www.mamicode.com/"animals/tiger02.jpg/">")>

GENI用内建谓词consult,把它们载入事实库,“知识”变成了“事实”。

用谓词子句表示知识

例如:

cheetah :- 
	mammal, 
	carnivore, 
	has_tawny_color,
	has_dark_spots.
tiger :- 
	mammal,  
	carnivore,
	has_tawny_color, 
	has_black_stripes.

专家系统外壳

把具体知识从程序代码出中分离出来,建立独立的知识库,

这种设计结构的专家系统,叫做“专家系统外壳”。

GENI就是这种“专家系统外壳”,只是功能比较简单。

设计专家系统,应当采用这种“外壳 + 知识库”的结构。

2、知识与控制都是谓词

不但“控制性”谓词可以表示知识,知识也能控制程序。

“事实”作为知识性谓词,直接参与并影响程序运行的走向。

这个问题,会在下一节专门详细探讨。

二、GENI事实库的知识储备情况

前面几节介绍了,CGI数据处理整形成为知识,存入了内部事实库。

现在,应该明确事实库里的“存货”情况。

1、静态数据(知识、事实)

主要包括,知识库名称和animal.gni的全部内容。

简要分析一下知识库animal.gni的知识表示。

rule的含意

例如,rule(1,"carnivore","cheetah",[1,2],"animals\\cheetah.htm")

意思是:rule(编号,大类(或小类),小类(或动物名称),[本rule成立的条件],对本rule的解释)

cond的含意

例如,cond(15,"it eats meat ","animals\\meateat.htm")

意思是:cond(编号,询问用户的问题,对询问的提示)

topic的含意

topic("animal","I will try to guess which animal you are thinking of")

意思是:topic(主题,对主题的解释)

rule之间是“树”的关系,主题animal是根节点,也是推理机工作的起点。

条件是彼此独立的,cond之间,没有联系。

2、动态数据(用户的回答)

网络传送时,它的形态是cond_X,X是数字。

在事实库中的形式是yes(X),或no(X)。

3、特别数据whymeet

当用户在浏览器按钮“why”时,它传送到GENI,

GENI照此要求,向用户解释提出某个问题的原因。

whymeet是个操作命令,不参与推理过程。

而静态和动态的知识,是推理的要件。