بازنمایی دانش

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

نمایش دانش (Knowledge representation - KR) دستیابی به مناسب‌ترین اَشکال و شیوه‌های ذخیره‌سازی دانش است. هر چند امر نمایش دانش در همهٔ زمینه‌های علمی همواره اهمٌیّت داشته‌است، زمانی که رایانه‌ها بخواهند در کنار انسان، یا بجای انسان به استدلال بپردازند، نقش آن به سبب دشواری‌های ناشی از مقیاس‌پذیری، حیاتی‌تر و اجتناب‌ناپذیر می‌گردد.

تاریخچه[ویرایش]

چنانچه ظهور و پیدایش زبان‌شناسی مدرن و هوش مصنوعی را در اواخر دههٔ ۱۹۵۰ میلادی بدانیم، رشد و تعامل آندو با یکدیگر، ایجاد زمینه‌ای جدید موسوم به زبان‌شناسی محاسباتی[۱] را سبب گردید. همین شاخۀ جدید بود که بعدها پردازش زبان‌های طبیعی[۲] نام گرفت. تلاش‌های نخستین برای درک زبان‌های انسانی (طبیعی) توسط ماشین، عمق و میزان دشواری این امر را بیشتر و بیشتر نمایان ساخت. بیشتر کارهای آغازین در زمینهٔ نمایش دانش، به زبان مربوط می‌گردد، که در خلال پژوهش‌های مربوط به زبان‌شناسی و تحلیل‌های فلسفی از زبان انجام شده‌است.

در طول دهه‌های ۱۹۷۰ و ۱۹۸۰ روش‌های متعدّدی جهت نمایش ماشینی دانش ابداع شد. از جملهٔ آنها می‌شود به شبکه‌های عصبی، و سامانه‌های خبره اشاره داشت.

مثال‌ها[ویرایش]

ریاضیات[ویرایش]

در مورد تبدیلات ریاضی انجام‌پذیر برروی سیگنال‌ها و توابع ریاضی می‌شود آن‌ها را شیوه‌های دوگانه نمایش همان قطعه از دانش به دو شکل کاملا متفاوت و بدون شباهت ظاهری دانست. از جمله مهمترین اینگونه تبدیلات تبدیل فوریه است:

۱. نمایش تابع f \! به همراه مشتق آن f' \! در فضای زمان فیزیکی t \! عبارت‌اند از:

f(t) = \sin t - \cos 2t \!

f'(t) = \cos t + 2 \sin 2t \!

با استفاده از فورمول اولر یعنی e^{it} = \cos t + i \sin t \! نمایش همین تابع در فضای فوریه می‌شود:

g(t) = \frac{e^{i t} - e^{-i t}}{2i} - \frac{e^{i 2 t} + e^{-i 2 t}}{2}\!

عمل مشتق گیری در نمایش جدید آسان تر صورت می‌گیرد:

g'(t) = \frac{i e^{i t} + i e^{-i t}}{2i} - \frac{ 2i e^{i 2 t} - 2i e^{-i 2 t}}{2}\!

که با اندکی عملیات ساده جبری داریم:

g'(t) = \frac{e^{i t} + e^{-i t}}{2} + 2 \frac{e^{i 2 t} - e^{-i 2 t}}{2i}\!

که البته همان مشتق آن f' \! در بالا است.

شیوه‌های مختلف نمایش[ویرایش]

معمولا خواص زیر را برای سیستم‌های نمایش دانش در هر زمینهٔ خاص مطلوب می‌دانیم:

  • کفایت نمایش‌ها - به قادر بودن سیستم بر نمایش تمامی انواع دانش موجود در زمینهٔ مورد نظر اطلاق می‌شود.
  • کفایت استنباط‌ها - منظور توانایی سیستم انتخابی نمایش بر کار با ساختارهای نمایشی موجود و ایجاد ساختارهای مناسب جهت نمایش دانش جدیدی ست که استنباط شده است

دانش ساده رابطه‌ای[ویرایش]

ساده‌ترین راه برای نمایش واقعیات اعلانی عبارت است از به‌کارگیری مجموعه‌های روابط درست همان‌گونه که در سامانه‌های رابطه‌ای داده‌ها انجام می‌دهیم.

پانوشته‌ها[ویرایش]

  1. Computational linguistics
  2. Natural language processing

جستارهای وابسته[ویرایش]

مراجع[ویرایش]

پیوندهای بیرونی[ویرایش]