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”。

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。