CN1726508A - 基于结构化知识的学习/思考机器和学习/思考方法以及计算机系统和信息生成方法 - Google Patents

基于结构化知识的学习/思考机器和学习/思考方法以及计算机系统和信息生成方法 Download PDF

Info

Publication number
CN1726508A
CN1726508A CNA2003801059125A CN200380105912A CN1726508A CN 1726508 A CN1726508 A CN 1726508A CN A2003801059125 A CNA2003801059125 A CN A2003801059125A CN 200380105912 A CN200380105912 A CN 200380105912A CN 1726508 A CN1726508 A CN 1726508A
Authority
CN
China
Prior art keywords
unit
information
computer
connection endpoint
knowledge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2003801059125A
Other languages
English (en)
Inventor
藤原让
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Japan Science and Technology Agency
Original Assignee
Japan Science and Technology Agency
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Japan Science and Technology Agency filed Critical Japan Science and Technology Agency
Publication of CN1726508A publication Critical patent/CN1726508A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明旨在提供一种学习机器，以解析信息的特性、语义关系、结构等，将信息的语义关系作为概念间的关系捕捉，并可表达/积累概念和关系所含有的语义，并实现一种思考机器，可网罗地收集信息，并作为基于收集到的信息的语义关系而结构化的知识存储，同时对于询问或请求，由预定的推理进行信息生成，以具备新的语义关系，并通过评价/判断生成的新信息，确定对询问等最合适的解并加以对应。

Description

基于结构化知识的学习/思考机器和学习/思考方法以及 计算机系统和信息生成方法
技术领域
本发明涉及基于已学习的知识的思考机器即计算机。特别是，涉及系统整理语言的语义，并将知识结构化，不仅理解语言的语义而且能够实现新的信息生成、类推、归纳推理、外延推理、联想、评价、判断、语义确定等智力功能的思考机器。
背景技术
现在使用的计算机被称为图灵机(turing machine)，其界限性是众所周知的。即，图灵机是内置的规则主导的机器，根据人输入的程序进行工作。就是说该传统型机器是以数值计算、演绎推理、检索等的符号处理为中心的机器，在数据输入时，基于内装的程序进行处理并给出预定结果。
要使该图灵机超过封闭世界(Closed World)的界限，需要设成人脑一样的知识主导型而不是规则主导型。这在比较图灵(turing)理论与脑功能时自然明了。图灵机中，不能生成新的信息(或知识)，况且也不能像人那样根据积累的知识进行思考并给出必要的结果。
为打破该图灵机的界限，已就知识的存储结构或语义表达方式提出了方案并作了研究，但尚不能确立充分的理论，且没有制成具体机器的实例。
本发明人通过解析信息的特性或语义关系、结构等，已提出了将概念存储结构的模型公式化，由此可将语义关系充分结构化的方式，并在材料、化学、信息科学等专门领域中应用，其有效性已得到确认并在关联学会中作了报告。(参照非专利文献“信息知识学会杂志：总说Vol.9，No.1 p13-22，1999“信息学基础论的现状与展望””)
另外，提出了能够验证从积累的知识推理的假说，并能够将作为知识积累的信息自组织的外假说拟装置和假说模拟方法。(参照专利文献特开2002-132506号公报)
发明的公开
这里，信息指的是“关于成为认知或思考对象的实体的认知内容”，包含通常意义的所有信息。以下，知识在广义上与信息同样使用，而在狭义上指信息处理，尤其在人工智能领域中是指一定的被形式化了的知识。本说明书中，在广义与狭义的中间，知识是指“对应于语义关系而结构化的信息”。
随着最近互联网惊人的普及，信息化得到惊人的发展，这是因计算机能够处理大量信息并高速传送而造成的。当然也有通信技术、记录技术得到飞跃发展的因素。
但是，现在的计算机不能进行人类智力活动的特征性功能即作出合理的构思或创造。为实现这些功能，需要走对供给的信息问题进行理解、类推、归纳推理、外延推理、联想、评价、判断、确定等的过程，但目前还没有可进行这样处理的计算机。现在的计算机仅可实现在特定条件下的2值逻辑、符号逻辑的部分功能。
另一方面，考虑了各式各样表达、描述信息的意义的模型。例如，在数据库领域中，存在实体-关系模型(E-R模型)、面向对象模型等，将现实世界作为数据库表达的模型。
另外，在人工智能领域中，提出了语义网络、帧等的语义的表达模型。但是，以程序处理为主体的图灵机由于在成为系统基础的模型的实现方式的灵活性与管理功能上有诸多限制，其功能不足且不能充分地描述并表达信息的语义关系。
现在的计算机可高速且高精度地进行算术运算、代码对照的处理，即数值解析、关键词检索、演绎推理等处理。在进行更高级的预测或估计等处理时，考虑并实际使用了尽管还不完全但种类繁多的方法。但是，与这以外的语义处理关联的类推等的功能并未进入实用化阶段。对于将语义关系结构化后的信息，可利用其结构表达语义，因此，通过导航或对照、置换，可进行语义处理，这与用于网(Web)上存取的链路不允许按这种语义选择的情况不同，可通过为语义处理而附加对应于语义的表达来更高级且多样地利用。
例如抽出概念关系，并将概念间的包含关系结构化，则能够直接处理在单纯的代码处理中不能处理的类似关系等，对信息利用非常重要。另外，若逻辑关系被结构化，则顺序导航相当于演绎推理，而反向导航相当于外延推理，而且与概念结构合并，可生成使用了类推、归纳推理、联想等的信息。即，通过将信息所具有的各种语义结构化，就可用计算机处理以结构描述、表达的语义内容。可实现更高级的功能，即能将它们合成来进行对象理解、解析、构思、评价、问题解决、决策等。
常用于思考的类推、归纳推理、外延推理等不同于2值逻辑的演绎推论，含有非确定性处理的语义处理，而且还伴有信息生成，因此迄今还没能实用化。本发明中，对概念间的语义关系进行组织化，以便与充分的语义关系对应，并可进行类推或信息生成等的处理。依据这种描述形式，能够明示地处理树结构、网络结构、不能用超图(hypergraph)处理的节点和链路的对偶性、相对性、模态性、不确定性等在内的通常的语义关系。
为了实现类推、归纳推理、外延推理、联想、构思、评价、判断、确定等高级的思考功能，需要以不能仅用代码处理进行处理的类似关系等的一连串关联的语义关系作为线索。另外，在对象区域中，一个概念与另一概念之间的区别是数据库或知识库的基本的考虑方法，如所见到的那样多层结构的概念中有非常多的重叠部分，不考虑这种情况而进行描述、表达实际上极为困难。另外，差分表达也必然会带来概念的重叠。而且类似性也是具有重叠的概念关系，因此事实上不能作为离散的独立概念而处理。
另外，在别的典型例子即关系型数据库模型中，作为从PC或工作站到大型计算机的数据库管理系统也得到普及，但只具有局限于处理实体间和关系间的关系的功能。也有用模型如实体-关系型(E-R)那样直接处理关系的情况。其中，E-R模型中实体和关系各自的作用，被作为图形固定，因此，对想要以关系本身作为实体处理时或相反地想要以实体作为关系处理时，会超过图形的定义而不能使用。
另外，概念含有相对性。即，图形中的节点和链路具有相互不同的作用且加以区别，但从语义表达的观点出发需要对两者进行同样的处理。就是说，实体间的关系与实体也必须是相对的。上位概念与下位概念也不是绝对的，在最下位的概念之下还可形成下位的概念，上位与下位也可根据状况而变化，是相对的。例如人与车的关系是所有或被所有的关系，称之为“所有”的概念并不仅指关系，还可以作为独立概念而成为实体。如以上描述的类似性那样还包含部分重复的表达，语义表达的问题也不能用基于单纯的外延的现有的信息处理技术进行适当的处理。
研究人员、技术人员在研究开发中直接利用必要的信息时，只用关键词检索等传统的处理并不能充分利用信息。为此，不仅要实现数值计算或演绎推理，还必须实现包含语义处理的各种功能。因此应对网罗的信息进行收集、整理、计算机可读化、解析，并根据用以充分表达信息语义的信息模型，将信息语义上的关系自组织地结构化，以能够进行系统的语义解释的形态将信息资源化。
于是，由此具有用类推、归纳推理、外延推理、联想等进行问题解决、评价、判断等功能的思考支援用自组织型信息库系统或带学习/思考功能的脑型计算机以及利用它的计算机系统的实现已是指日可待。
本发明的目的在于实现上述传统的图灵机中不可能的语义理解、类推、归纳推理、外延生成等高级的思考功能。特别是，提供一种学习机器，以解析信息的本质即信息的特性、语义关系、结构等，捕捉信息的语义关系作为概念间的关系，可进行概念和关系所含有的语义的表达/积累；同时，提供一种思考机器和利用该机器的计算机系统，对已输入的问题与已积累的知识进行比较处理，可进行理解、必要的信息生成、评价、判断、确定等处理。
为达成上述目的，权利要求1所述的学习/思考机器的发明之特征在于设有以下的装置。即，一种学习/思考机器，具备由(1)网罗地收集信息的装置、(2)按照多个解析规则从收集的信息抽出语义关系的装置、(3)根据抽出的语义关系作为要充分表达的结构化的知识而存储信息的语义内容的装置构成的知识库，其中设有：(4)通过预定的推理由上述语义关系结构化的知识对应于询问或请求生成新信息的装置；(5)对生成的新信息进行评价的装置；(6)判断该评价结果的排序的装置；(7)根据判断结果确定最佳解的装置；(8)接受外部询问或请求的输入装置；(9)进行来自外部的询问或请求与知识库的对照的对照装置，用该对照装置对照的结果若完全一致则向中枢部传达已理解，而对照结果部分一致则通过预定的推理生成信息，使根据语义关系结构化的知识具有新语义上的内容和关系。
另外，权利要求2所述的学习/思考方法的发明之特征在于具备以下的步骤。即，包括：(1)将网罗地收集的数据、信息、知识输入的知识输入步骤；(2)按照多个规则从上述输入的数据、信息、知识抽出语义关系，并根据抽出的语义关系存储信息的结构化的知识的知识结构化步骤；(3)通过预定的推理生成新信息，以使根据上述语义关系结构化的知识与新语义上的内容有关系的信息生成步骤；(4)将上述信息生成的结果与知识库对照，对该信息生成的新知识进行评价并判断的评价判断步骤；(5)将上述评价/判断的结果、新生成信息的知识积累在知识库中，实现知识的增加的知识增加步骤；(6)对应于外部的询问或请求确定并输出最佳解的最佳解确定步骤，(7)上述信息生成步骤还包含：检索存储了关联节点的单元的节点搜索步骤；(8)检索存储了关联链路的单元的链路搜索步骤；以及(9)根据该关联节点搜索步骤或关联链路搜索步骤的结果，进行至少利用类推、归纳推理、外延推理或联想中任一种的推理与理解的步骤。
权利要求3所述的学习/思考方法的发明，其特征在于根据权利要求2所述的基于结构化知识的学习/思考方法中的评价判断步骤由以下步骤构成。即，上述评价判断步骤包括：(1)参照已存储在知识库中的知识，按项目评价新生成信息的知识的步骤；(2)判断新生成的知识是否满足询问请求，若满足请求则将该知识作为候补解，若不满足请求则求出其它结果并返回上述按项目评价的步骤的步骤；(3)参考知识库对作为该候补解的知识排序的步骤；(4)从排序的候补解中抽出/确定目标必要条件所最适合的候补解的步骤。
另外，权利要求4所述的学习/思考方法的发明，其特征在于根据权利要求2所述的基于结构化知识的学习/思考方法中的知识增加步骤由以下步骤构成。即，上述知识增加步骤包括：(1)判断是否将在信息生成步骤中生成，并在上述评价/判断步骤中作为最佳解生成的新知识作为新节点增加的步骤；(2)在作为新节点增加时，存储在单元综合存储器中的步骤；(3)不管节点的增加，判断是否将上述生成的新知识作为链路增加的步骤；以及(4)在作为新链路增加时，存储在单元综合记录中的步骤。
依据本发明的学习/思考机器和学习/思考方法，通过对信息所具有的各种语义进行结构化，可令计算机通过信息的语义结构理解描述、表达的语义内容。作为更高级的功能，令它们复合，可实现对象的解析、构思、评价、问题解决、意志确定等，能够实现在速度、精度、容量上超过人脑的学习/思考机器和学习/思考方法。
以下，说明具备多个上述学习/思考机器的本发明的计算机系统。一般用多个上述的学习/思考机器(以下称为计算机)，将被处理的知识存储在存储器中并进行信息处理时，读出存储器中存储的知识并进行比较等的处理量，随着知识量的增多会成为天文数字。例如，对于N个的知识(概念、用语)，具有连接而形成的空间在用图形表示时达到N的2次方的空间，但用超图表示时达到2的N次方的空间，而进一步作为均质化二部图表达时会扩大到2的N次方再N次方的递归地2的N次方空间的庞大空间。
这里，考虑人的知识量，当N以万(10万～100万)单位时，在这些空间上的信息处理量是N次方(Nth Power)，事实上成为难以处理的庞大的信息量。将此称为NP完全(NP complete)问题。
本发明的信息处理系统提供以解决该NP完全问题为目的的超脑型计算机系统。
为达成该目的，权利要求5所述的计算机系统具有以下的特征。即，中央管理计算机和多个单元计算机可通信地连接的计算机系统中，(1)中央管理计算机构成为：在动作前存储有所有单元计算机的地址和名称，可对所有单元计算机输入问题，同时可输出对问题的回答；(2)所有单元计算机构成为：将经结构化而可表示各个知识和其连接终点知识的知识逐个存储，并可按各知识的每个语义关系对连接终点的信息进行存取。(3)因此，若有问题输入，则从中央管理计算机向所有的多个单元计算机发送问题，作为前提动作，多个单元计算机基于对各自拥有的知识的问题的语义关系的连接信息将状态改变到处理对象状态或不适合状态，对于上述问题，无语义关系的连接的单元计算机成为不适合状态，并将关于处在不适合状态的情况与中央管理计算机和关联的单元计算机联络，同时，只有对于上述问题有语义关系的连接的单元计算机成为处理对象状态，只有处理对象状态的单元计算机才继续执行处理，通过对应于问题解析和语义理解来自该单元计算机的回答来生成新的信息。(5)然后，变换成可让生成的新信息与问题对应，并作为回答输出。
权利要求6所述的计算机系统是在权利要求5所述的计算机系统上再附加以下各点作为其特征的计算机系统。即，中央管理计算机中设有：(1)问题输入部被输入问题时，解析已输入问题的条件的请求条件解析部；(2)请求条件处理对象单元检出部，根据经解析的请求条件进行向全部单元计算机发送请求条件，另外接收来自不适合的单元计算机的不适合状态的回信，从全部单元计算机中检出除去不适合单元计算机以外的成为对应请求条件的处理对象的单元计算机；(3)仅对检出的处理对象单元计算机继续执行以后的检索动作，从处理对象单元计算机接收检索回答，并根据收到的检索回答进行检索结果解析的检索收发部；(4)从解析的检索结果进行语义理解和信息生成，并生成新信息的语义理解/信息生成部；(5)将生成的新信息变换成所请求的输出形式的输出信息变换部；(6)基于生成的新信息，可顺序更新地将有语义连接的连接终点的单元计算机地址存储的单元连接终点地址存储部；以及(7)将生成的新信息以请求的输出形式输出的回答输出部。
权利要求7所述的计算机系统是在权利要求5所述的计算机系统上再附加了以下各点作为其特征的计算机系统。即，多个单元计算机中设有：(1)请求条件处理对象判断部，用连接终点的单元计算机是否存在的判断信息判断从中央管理计算机向全部单元计算机同时发送的请求条件其自身的单元计算机是否适合；(2)对于请求条件本单元计算机不适合时，将不适合状态回信给中央管理计算机，而当本单元计算机是对应于请求条件的处理对象状态时，将关于处理对象状态的情况与连接终点的单元计算机联络的不适合回信/连接终点单元联络部；(3)本单元计算机是对应于请求条件的处理对象时，接收来自中央管理计算机的检索信息的检索接收部；(4)按照请求条件检索与本单元计算机有信息连接的连接终点的其它单元计算机，并用连接终点的单元计算机的信息判断能否按每个请求条件进行基于检索信息的检索的连接终点判断部；(5)将对所作的检索的回答返回给中央管理计算机的检索回答部；(6)可顺序更新地存储基于检索信息和检索的回答而获得的知识的知识存储部；以及(7)以可顺序更新的方式存储与所获得的知识对应的连接终点的单元计算机的连接终点单元存储部。
权利要求8所述的计算机系统的特征在于在权利要求7所述的计算机系统中的连接判断部由以下部分构成。即，连接终点判断部中设有：(1)搜索其请求条件的结构为步骤数(step number)N(自然数)的通路的步骤数N搜索装置；(2)搜索其请求条件的结构为树状通路的树状通路搜索装置；以及(3)搜索其请求条件的结构为环状通路的环状通路搜索装置，进行与上述请求条件的结构对应的连接判断。
权利要求9所述的信息生成方法的发明是采用中央管理计算机与多个单元计算机可通信地连接的计算机系统的信息生成方法，其特征在于具备以下的动作或信息处理步骤。即，信息生成方法中，(1)中央管理计算机在动作前仅存储多个单元计算机的地址，可对多个单元计算机输入问题，并可输出对应于问题的回答；(2)多个单元计算机逐个存储了以可表示各个知识和其连接终点知识的方式结构化的知识，同时存储有各知识的语义关系的连接终点信息，多个单元计算机可按照被问的问题，使各单元计算机之间彼此通信；并包括(3)若有问题输入，则从中央管理计算机向所有的多个单元计算机发送问题的步骤；(4)作为前提动作，对应于问题，使多个单元计算机基于各个知识和语义关系的连接信息而变化到处理对象状态或不适合状态的状态变化的步骤；(5)对于问题无语义关系的连接的单元计算机成为不适合状态，并将关于处于该不适合状态的信息回信给中央管理计算机，只有对于问题，存在语义关系的连接的单元计算机成为处理对象状态并将回答返回给中央管理计算机的步骤；(6)中央管理计算机仅对适合状态的单元计算机继续提问的步骤；(7)通过解析和语义理解来自各单元计算机的回答来生成新信息，与问题对应地变换生成的新信息并作为回答加以输出的步骤。
权利要求10所述的信息生成方法的发明的特征在于在权利要求9所述的信息生成方法中还具备以下的信息处理步骤。即，中央管理计算机具备：(1)若问题输入到问题输入部，则由请求条件解析部解析输入的问题的条件的步骤；(2)基于已解析的请求条件由请求条件处理对象单元检出部向全部单元计算机发送请求条件，并接收来自对应条件不适合的单元计算机的关于不适合状态的回信，检出从全部单元计算机中除去不适合单元计算机的成为对应于请求条件的处理对象的单元计算机的步骤；(3)由检索收发部仅对检出的处理对象单元计算机继续执行其后的检索动作，并从处理对象单元计算机接收检索回答的步骤以及基于接收的检索回答由检索结果解析部解析检索结果的步骤；(4)用语义理解/信息生成部进行语义理解和信息生成，以从解析的检索结果生成新信息的步骤；(5)用输出信息变换部将生成的新信息变换成所请求的输出形式的步骤；(6)基于生成的新信息，以可顺序更新的方式向单元连接终点地址存储部存储存在语义连接的连接终点的单元计算机地址的步骤；(7)由回答输出部将生成的新信息以请求的输出形式输出的步骤。
权利要求11所述的信息处理方法的发明的特征在于在权利要求9所述的信息生成方法中还具备以下的信息处理步骤。即，多个单元计算机具备：(1)利用请求条件处理对象判断部的是否存在连接终点的单元计算机的判断信息，判断在从中央管理计算机向全部单元计算机同时发送的请求条件下其本单元计算机是否成为处理对象的步骤；(2)对于请求条件本单元计算机不适合时，将不适合状态回信给中央管理计算机，而对于请求条件本单元计算机成为处理对象时，由不适合回信/连接终点单元联络部将处理对象状态与连接终点的单元计算机联络的步骤；(3)对于请求条件本单元计算机成为处理对象时，由检索接收部接收来自中央管理计算机的检索信息的步骤；(4)按照请求条件本单元计算机检索存在信息连接的连接终点的其它单元计算机，利用连接终点的单元计算机信息由连接终点判断部判断能否按各请求条件进行基于检索信息的检索的步骤；(5)由检索回答部向中央管理计算机回复已作检索的回答的步骤；(6)以可顺序更新的方式向知识存储部存储基于检索信息和检索的回答获得的知识的步骤；(7)以可顺序更新的方式向连接终点单元存储部存储与已获得的知识对应的连接终点的单元计算机的步骤。
权利要求12所述的信息处理方法的发明的特征在于在权利要求11所述的信息生成方法中连接终点判断部还具备以下的信息处理步骤。即，连接终点判断部中，(1)在搜索基于请求条件的结构的连接判断中的步骤数N(自然数)的通路的动作中，判断包括本单元计算机在内的节点数N处是否存在连接终点的单元计算机；(2)基于节点数N时连接终点的单元计算机存在的信息，将包含本单元计算机在内的有节点数N的连接的单元计算机判断为处于处理对象状态，经由不适合回信/连接终点单元联络部进行联络，以将它们转移到处理对象状态；(3)基于在节点数N处有连接终点的单元计算机的信息，判断包括本单元计算机在内的具有与N以外的其它节点数的连接的单元计算机处于不适合状态，经由不适合回信/连接终点单元联络部进行联络，以将它们转移到不适合状态；同时，(4)将不适合状态这一情况与中央管理计算机联络。
权利要求13所述的信息处理方法的发明的特征在于：在权利要求11所述的信息生成方法中，连接终点判断部还具备以下的信息处理步骤。即，连接终点判断部中，(1)在搜索基于请求条件的结构的连接判断中的树状通路的动作中，搜索包括本单元计算机在内的成为树状的连接终点的单元计算机时，判断包括本单元计算机在内的成为树状的连接终点的单元计算机是否为端，(2)此时，依次判断端的连接终点的单元计算机也是端，将成为树状的连接终点的所有单元计算机判断成端，(3)基于成为树状的连接终点的所有单元计算机为端的信息，判断端处于处理对象状态，并将成为树状的连接终点的所有单元计算机判断为处于处理对象状态，经由不适合回信/连接终点单元联络部进行联络，以将它们转移到处理对象状态，(4)判断除处理对象状态的成为树状的连接终点的单元计算机以外、剩下的成为环状的连接终点的所有单元计算机处于不适合状态，经由不适合回信/连接终点单元联络部进行联络，以将它们转移到不适合状态，同时，(5)将表示不适合状态的信息与中央管理计算机联络。
权利要求14所述的信息处理方法的发明的特征在于：在权利要求11所述的信息生成方法中，连接终点判断部还具备以下的信息处理步骤。即，连接终点判断部中，(1)在搜索基于请求条件的结构的连接判断中的环状通路的动作中，搜索包括本单元计算机在内的成为环状的连接终点的单元计算机时，判断包括本单元计算机在内的成为树状的连接终点的单元计算机是否为端，(2)此时，依次判断端的连接终点的单元计算机也是端，将成为树状的连接终点的所有单元计算机判断为端，(3)基于成为树状的连接终点的所有单元计算机为端的信息，判断端处于不适合状态，并将成为树状的连接终点的所有单元计算机判断为不适合状态，并经由不适合回信/连接终点单元联络部进行联络，以将它们转移到不适合状态，同时将不适合状态与中央管理计算机联络，(4)判断包括本单元计算机在内的节点数N(自然数)处是否存在连接终点的单元计算机，除不适合状态的成为树状的连接终点的单元计算机以外，再与节点数N的判断对照，判断剩下的节点数N的成为环状的连接终点的单元计算机为处理对象状态，经由不适合回信/连接终点单元联络部进行联络，以将它们转移到处理对象状态，(5)基于节点数N处没有连接终点的单元计算机的信息判断包括本单元计算机在内的其它节点数为不适合状态，经由不适合回信/连接终点单元联络部进行联络，以将它们转移到不适合状态，同时，(6)将关于不适合状态的信息与中央管理计算机联络。
依据本发明的计算机系统和利用该系统的信息处理方法，对应于问题，设直接或间接地不具有连接的单元计算机为不适合状态，仅将具有与问题有关系的连接的单元计算机设成处理对象状态，从而，只有具备语义连接的单元计算机能够进行如人脑细胞的作用同样的思考动作，从而解决NP完全问题。
附图的简单说明
图1是表示本发明的学习/思考机器的整体配置的框图。
图2是更详细地功能性表示本发明的学习/思考机器的内部作用的框图。
图3是将本发明的学习/思考机器的作用分为学习阶段和思考阶段进行说明的示图。
图4是说明本发明的整体作用的流程图。
图5是详细说明图4的数据/信息/知识的输入阶段的作用的流程图。
图6是详细说明图4的知识组织化(结构化)阶段的作用的流程图。
图7是详细说明图4的信息生成阶段的作用的流程图。
图8是详细说明图4的评价/判断阶段的作用的流程图。
图9是详细说明图4的知识增加阶段的作用的流程图。
图10是用图形表示“IS-A”的关系的示图。
图11是用均质化二部图表示“IS-A”的关系的示图。
图12是利用称为“借”的用语说明“概念”与“关系”的相对性的示图。
图13是基于语义关系的知识的自组织化系统的概要的示图。
图14是通过图13所示的C-TRAN法收集同义语集的方法的说明图。
图15是一例通过图13所示的SS-KWEIC法抽出层次/关联关系的说明图。
图16是通过图13所示的SS-SANS法抽出关联关系的顺序的说明图。
图17是表示超脑型计算机系统的结构的框图。
图18是表示图17的中央管理计算机的结构的框图。
图19是表示图17的单元计算机的结构的框图。
图20是说明请求条件处理对象单元检出动作的流程图。
图21是说明请求条件处理对象判断开始的动作的流程图。
图22是说明连接终点的单元状态联络开始的动作的流程图。
图23是说明搜索具有请求条件的结构的连接判断中的步骤数N的通路的动作的流程图。
图24是说明搜索具有请求条件的结构的连接判断中的树状通路的动作的流程图。
图25是说明搜索具有请求条件的结构的连接判断中的环状通路的动作的流程图。
图26是说明连接终点单元存储开始动作的流程图。
图27是说明连接终点检索开始动作的流程图。
图28是说明检索回答部的动作的流程图。
图29是说明检索发送接收动作的流程图。
图30是说明检索结果解析的动作的流程图。
图31是说明语义理解/信息生成的动作的流程图。
图32是说明输出信息变换动作的流程图。
本发明的最佳实施方式
在说明本发明的实施例之前，首先说明成为本发明前提的理论。捕捉信息作为概念与概念间的关系的集合，作为由概念与概念间的关系构成的结构体描述语义的方法可用如图10的图形表示。就是说，“狗是动物。”的语句是将称为“狗”的概念(节点)与称为“动物”的概念(节点)用称为“是”的关系(“IS-A”的关系链：用箭头表示)连接的。像这样的图形描述中，表达语义关系时有界限。用关系(链路)连接概念(节点)与概念(节点)的图形方法中，不能处理含3个以上概念的关系的如因果关系那样的关系。这里仅限于传统型的处理二项关系的图形描述方式。还有，可用所谓的决策树表达因果关系，但决策树并不是图形。
因此，本发明人为了处理不只二项关系的三项以上的多项关系，且将关系所具有的语义与概念所具有的语义同样地表达，将如该“IS-A”那样的关系作为一个概念同等处理“狗”或“动物”。即，如图11所示，在计算机的观点上“IS-A”也是作为一个概念进行处理的。换言之，本发明人提出将“狗是动物。”的一个“IS-A”的关系分为“狗”与“IS-A”的关系和“IS-A”与“动物”的关系。这样，关系也可以作为概念处理(将此称为“节点与链路的相对性”)，因此如后述那样也可以表达多项关系、因果关系、对偶性、相对性。就是说，根据这种情况，能够极其简单且细致地进行计算机的言语处理、语句的语义处理。
图12是将更复杂的语句图式化后的示图。细实线的椭圆表示的用组(A)集中的部分示出了““借”是“借贷关系”。”。这里“借”和“借贷关系”是表示概念，“IS-A”表示组(A)的关系。用虚线表示的组(B)中示出“我借车。”的语句，这时的“我”和“车”是概念，但“借”表示该两个概念的关系。这样，称为“借”的单词可成为关系，也可成为概念，将这称为概念与关系的相对性。本发明人将关系和概念同样处理，若在连接概念与概念的链路上设置“は”“で”“を”(IS)等的助词或箭头，则能看出其后的计算机语义处理是极为普遍的。
本发明人将概念与关系同样地处理的上述的结构体命名为均质化二部图模型(Homogenized Bipartite Model：HBM)，已在前面介绍的论文中提出过。通过用该均质化二部图，可从信息的语义内容的特性作成所有支持这些语义内容的概念结构，能够实现类推、归纳推理、外延生成等的高级的功能。
这里均质化二部图是如下的结构体。
E2V        (1)
V＝VUE        (2)
E＝EUV        (3)
σ：L→VUE    (4)
这里，V是表示信息概念的节点的集合，E表示信息关系的链路的集合，L表示标记(label)即表达的集合。σ表示节点或链路，即对概念与关系分配标记(字符串)的情况。
该均质化二部图是处理多项关系的超图的扩充，超图中的链路数如式(1)所示，若节点总数为V则为2的V次方以下。均质化二部图是除了满足该式(1)以外，还同时满足式(2)与式(3)的模型。即，超图中也满足的式(1)表示作为节点集的任意部分集存在链路(关系)的情况，但式(2)表示链路(关系)也可以作为节点(概念)处理的情况，式(3)表示节点(概念)也可以作为链路(关系)处理的情况。式(2)与抽象化或递归结构对应，式(3)表示嵌套状的内部结构被许可的情况。若将该式(2)与式(3)的关系合并时，则可知节点与链路基本上相对且均质化。式(4)表示节点与链路表达(用语)的对应关系。该式(4)表示所有的表达是节点(概念)还是链路(关系)，将表示某一节点(概念)对链路(关系)有怎样的作用或立场的辅助表达(通常与“は”或“で”(IS)等助词相当)考虑在内。也可箭头来代替该“は”或“で”进行表达。
要进行包括信息的语义理解在内的适于管理的信息的资源化时，分为对书籍信息的物理结构、对概念关系的概念结构、对以因果关系为主的逻辑关系的逻辑结构进行结构化，这对于抽出语义关系或管理信息资源均方便。但是要是还包括信息的语义处理，则在描述、理解方面不充分，需要根据信息的语义关系将信息整体组织化(结构化)。图13是说明基于语义关系的知识的自组织化系统的示图。这里自组织化指的是概念或关系分别与内置的语义关系对应而自律地被组织化。
这里，可以认为自组织化与结构化是同义的。人工进行大量信息的结构化要花时间和劳力。因此，网罗地收集具备众多专业用语的专业辞书、词典、手册，论文期刊、教科书、专业书等的信息资源作成数据库40。然后，用方框表示的C-TRAN法41、SS-KWEIC法42、SS-SANS法43、SANS法44从该网罗地收集的信息中抽出同值关系、层次关系、各种语义关系等。然后根据用INTEGRAL法45抽出的各语义关系进行综合。从而自动实现基于语义关系的信息/知识的结构化即自组织化，且作为自组织的知识信息收集并累积到知识库46。
对抽出各种关系的方法进行个别说明，则C-TRAN法(Constrained Transitive Closure)是抽出用语间的同值关系即同义语集的方法。例如，用日英对译用语集等，以记载的日语和英语译文作为同值关系抽出的方法。抽出顺序如图14所示，日英对译用语集中作为日语“計算機”的对译记载了“computer”，若在英语部分的“computer”上记载“コンピユ一タ”的片假名用语，则将“計算機”、“computer”、“コンピユ一タ”作为同值关系抽出，同样在日语的“ユンピユ一タ”上有称为“PC”译文，则将“PC”也看作有同值关系，从而传递闭包(transitive closure)地扩大同义语集。
接着，SS-KWEIC法(Semantically Structured Key Word ElementIndex in terminological Context)是基于专业用语的构成规则，将复合用语分解成基本结构用语，并通过解析相互关系获得层次关系(上位语、下位语)和关联关系的方法。
专业用语具备如下的特征。即，大部分为名词；对后部分的体言类语基(radicals)的性质或状态，有很多其前部分的语基进行修饰或限定等的修饰关系；用语往往包含多个语基的等。
根据该特征，按照专业用语的构成规则，能够通过将复合用语分解成基本结构用语后解析相互的关系，抽出层次关系、关联关系。是层次关系还是关联关系可由合成语中的修饰关系来判断。
图15中示出用SS-KWEIC法的层次/关联关系的抽出例。作为分解前的专业用语，有“系统”“信息系统”“控制系统”“气象信息系统”“金融信息系统”。“系统”以外的用语分别被分成两个或三个用语，并根据其修饰关系判断是层次关系还是关联关系。即，“系统→信息系统→气象信息系统”的从上位到下位的流程层次关系，“信息系统”与“控制系统”之间和“气象信息系统”与“金融信息系统”之间有关联关系。
SS-SANS法(Semantically Specified Syntactic Analysis)是，从确定以特定用语为中心的一定语法开始，通过采用语法解析结果来搜索同值的新语法图，并通过递归性地利用该语法来扩大特定用语与语法的方法。通过该方法能够自动抽出自然科学等中的重要的逻辑关系特别是因果关系等的关联关系并进行结构化。
接着，在图16中示出采用SS-SANS法的关联关系的抽出顺序。现在，考虑作为具体的语句称为“用NMR测定结构”的语句，首先作为与特定用语“测定”对应的用语，收集称为“用NMR  …结构”的语句，例如抽出“解析”“分析”。这样，就生成“用NMR解析结构”或“用NMR分析结构”的语句作为关联语句。从这些新生成的语句，搜索特定用语即与“结构”相当的用语，例如导入“化合物”、“分子”、“光谱”等关联用语，则生成“用NMR分析化合物”或“用NMR解析光谱”等语句。进一步展开，以这些语句为基础搜索与特定用语“MNR”关联的用语，抽出“红外线”“X线”“质量解析”等的用语。结果，可抽出“用红外线解析光谱”或“用质量解析测定化合物”等新的语义关系，因此可无限地增加知识。本例中可以明确的形式得到“测定手段”、“解析对象”、“处理内容”的多样关系。这样通过陆续得到语句中包含的特定用语和关联的用语，形成并积累新知识的方法，即递归地扩充语法与用语，得到用语间的关联关系的方法就是SS-SANS法。
因果关系也包含各种关系，如：直接导致结果的原因结果关系、几个原因组合而导致结果的原因结果的关系以及虽然必然性并不充分但因某些理由而导致结果的理由结果等种类。通过SS-SANS法对这些进行结构化，则演绎推理就可以作为单一的导航或检索而实现，再与层次结构并用，进而可以实现类推或类推性假说。
SANS法(Semantic Analysis of Sentences)是不按专业的一般语句的语义解析方法，该方法在用C-TRAN法、SS-KWEIC法、SS-SANS法积累专业用语后使用时可发挥其效果。
还有，INTEGRAL法(Integration of Domain EstablishedKnowledge)是用以综合采用C-TRAN、SS-KWEIC、SS-SANS、SANS等方法语义抽出的概念和关系整体并结构化的方法。
根据以上的前提理论，以下，参照附图就本发明的实施例进行说明。图1是表示本发明一实施例的框图。
网罗信息收集部1是从辞书、词典类、教科书、论文、手册等中网罗地收集用语的部分。这里收集的信息并不特别受限于对象领域，但可以将对象区域限定在医疗领域或化学领域等进行收集。语义关系抽出部2利用已叙述的C-TRAN法、SS-KWEIC法、SS-SANS法、SANS法抽出网罗信息收集部1收集的各种用语、技术用语的语义关系。具体地说抽出同值关系、层次关系、因果关系、关联关系和其它语义关系的用语和用语间的关系。
自组织化部3是根据语义关系抽出部2抽出的语义关系自组织地综合并结构化的部分，在知识库4中积累综合并结构化知识。知识库4是可称为本发明的学习/思考机器的头脑的部分，是存储已学习的知识或思考的结果新生成的知识的部分。
输入部5是输入新信息的部分，例如输入“印度人口多且IT发展也迅速，但打进硅谷的可能性如何？”的询问的部分。
对照部6是对于来自输入部5的询问，从知识库4引出关联的信息知识，并进行对照的部分，若有与输入知识库4的询问完全一致信息，则向中枢部传送已理解的消息并将它输出到未图示的显示装置等的输出装置。若不完全一致，即部分一致时，传送给信息生成部7。
信息生成部7是采用类推、归纳推理、外延推理、联想等的各式各样的方法生成新信息的部分。例如，对于上述的“印度人口多且IT发展也迅速，但打进硅谷的可能性如何？”的询问，在知识库4中作为关联信息假设抽出的不是印度，而是抽出了“中国人口多且IT发展也迅速，并且，打进硅谷。”的知识。参考该知识，则印度和中国都人口多且IT发展迅速的方面有共同点。另外，由于存在中国已打进硅谷的事实，所以对上述询问的答案成为“是”。就是说，生成“印度打进硅谷的可能性高。”的新知识。该方法就是按照类推的新信息生成。作为信息生成机构，以类推、归纳推理、外延推理三种为中心，但可以增加它们的组合、扩充、重复、修饰、变形等的特殊操作。
这样得到的新知识在评价部8中被评价。评价是根据与知识库4所有的知识的一致性或关联性进行。例如，可得到上述新生成的“印度打进硅谷的可能性高。”这样的知识准确性高的评价。
评价部8评价的知识由判断部9判断，该判断部9中的判断在评价部8中确定了明确的顺序时，按照该顺序进行选择即可，但出现2个以上的不同结果且难以标示其优先顺序，存在难以比较的得失时，则根据评价基准或目的求出新的评价基准，或者在不是重要问题时任意选择。当然，作为输出可列举判断根据和候补解。
该信息生成部7、评价部8、判断部9的整体作用就是思考。即使在判断部9中判断，也有因存在多个适当的候补而不能筛选的情况。即使存在这种状态，如果需要确定一个时，确定部10也会进行筛选一个的确定。这个就是最终确定。
确定部10确定的结果经过输出部11作为新的知识积累到知识库4中。这就意味着知识的增加。
图2是进一步详细表示本发明一实施例的框图。这些方框表示进行语义处理和根据该语义处理进行思考的计算机中各执行阶段的功能，并非实际存在相当方框的电路。
本发明的一个实施例由以下部分构成：从辞书等的信息源收集数据/信息/知识等的网罗信息收集部21；抽出网罗信息收集部21获得的用语的语义关系并描述的语义关系抽出描述部22；将由语义关系抽出描述部22抽出并描述的语义关系作成结构化的知识的结构化部23；将结构化的知识综合后存储的单元综合存储部24；调查由语义关系抽出描述部22抽出并描述的用语或者概念与已在计算机中已有的知识库中的用语或概念在语义上有否连接的语义连接搜索部25；语义上有连接时仅对该单元进行更详细的搜索的关联单元搜索部26；在关联单元搜索部26中发现关联的知识时，根据该知识进行类推、归纳推理、外延推理等的推理部27；将推理部27的推理结果作为新信息生成的信息生成部28；根据来自信息生成部28的信息抽出相关联的几个候补概念的候补概念信息抽出部29；候补概念信息抽出部29抽出的候补概念中筛选一个的候补概念确定部30；将候补概念确定部30中确定的概念作为新知识加上标记并增加的知识增加部31；以及将候补概念确定部30确定的概念输出显示或打字输出的输出部32。这里，单元指的是包含某一节点或与链路的标记直接连接的节点或链路的标记的存储区域。
图3是图2的框图的说明图，是主要用以说明框图功能的图。即，与人的学习、思考过程同样地，概念地表示本发明的学习/思考机器怎样作用的图，将学习部分和思考部分分开说明。
首先，描述已输入信息(知识)的语义关系，但这时对等地描述节点(概念)与链路(关系)。然后附加标记后进行概念间的层次化，共同的关联的概念综合地存储到共同的存储区域中，相异的概念独立地存储到不同的存储区域。
接着，进入思考的最初阶段即构思阶段。为搜索语义上的连接而搜索关联单元。然后根据关联的知识，经类推、归纳推理、外延推理、联想等的推理而进行信息生成。在接着的评价阶段，以关联的知识为依据从由信息生成而获得的知识中选择候补知识，连接到下个判断阶段。在判断阶段由几个候补知识选择并确定回答。然后该结果成为新知识的增加，加到知识库(综合/独立存储部)中。
接着按照流程图说明本发明实施例的作用。本发明的基于结构化知识的学习/思考机器，可说是执行人们学习知识并根据学习的知识生成新知识的过程的机器。图4至图9是表示其全过程的流程图。图4表示人的整个学习/思考过程，表示输入数据、信息、知识的阶段(步骤S1)、将输入的知识自组织地结构化的阶段(步骤S2)、信息生成阶段(步骤S3)、评价/判断阶段(步骤S4)、知识增加阶段(步骤S5)。可将信息生成阶段(步骤S3)和评价/判断阶段(步骤S4)一起称为思考阶段。
首先，根据图5说明知识输入的阶段。输入的语句最初从描述语义关系的阶段开始(步骤S11)。最初判断输入的知识是否成为“IS-A”的关系(步骤S12)。若为“IS-A”的关系，则作为继承关系描述(步骤S13)。若不是“IS-A”的关系，则在下面判断是否为“PART-OF”(步骤S14)。“PART-OF”的关系指的是：例如“胃是消化器官之一。”的“包含”“被包含”的关系，若为“PART-OF”的关系，则作为部分-整体的关系描述(步骤S15)。
多数的概念描述往往是该“IS-A”的关系和“PART-OF”的关系，但在不是“IS-A”也不是“PART-OF”时，判断是否为其以外的二项关系(步骤S16)。作为“IS-A”“PART-OF”以外的二项关系的概念间的关系包含如“因下雨而打伞。”的因果关系。若为其它的二项关系则作为二项关系描述(步骤S17)。判断二项关系后判断多项关系(步骤S18)。
作为多项关系的例子有：存在2个以上的原因而最初产生结果的因果关系，例如，可考虑“因下雨如果带伞就打伞。”的语句。若输入这样的语句(知识)，就作为多项关系加以描述(步骤S19)。
接着，判断递归关系(步骤S110)。作为递归关系的输入信息，有“我的父母是祖先。祖先的祖先是祖先。”的具有递归性表达的语句。这样的知识被描述为递归关系(步骤S111)。
然后判断是否为嵌套关系(步骤S112)。嵌套关系是内部结构的关系。例如，“汽车由引擎、车体、门、…构成，引擎由活塞、汽缸…构成。”的语句。表示该内部结构的语句成为嵌套关系，被描述为嵌套关系(步骤S113)。还有，以上围绕6个关系进行了说明，但本发明并不以这些关系的描述为限，显然也可以考虑如“--也许是动物。”的描述样态关系的情况。
以上说明的各种关系描述全部成为节点与链路的均质化的描述(步骤S114)。接着判断附加了标记的这些信息知识与已在知识库中的知识是否有关联关系(步骤S115)。若存在关联关系，则与已在知识库中的知识一起综合地被存储(步骤S117)，若为无关联的知识，即全新的独立概念的知识(步骤S116)，则独立地加以存储(步骤S118)。
图6是表示知识组织化(结构化)阶段的流程图。判断已输入的用语或概念是否与知识库中已有的重复(步骤S21)。作为节点(概念)重复时，判断它们是否为多义词(步骤S22)，多义词时付上识别符号并作为另一节点附加存储(步骤S23)。节点不重复或重复也不是多义词时，判断有无下个关联的节点(步骤S24)。若存在关联的节点，判断是上位层次的用语还是下位层次的用语(步骤S25)。判断是上位层次时附加到已有的关联节点的上位接近节点(步骤S26)。这里形成新的层次关系。接着，判断是下位层次时，成为关联用语的下位层次而附加到下位接近节点(步骤S27)。还有，这里说明了上位和下位的层次关系，但本方法也可适用于上位/下位的层次关系以外的例如前后关系或主从关系那样的顺序关系等。
判断为无节点关联时，接着判断是否有链路的重复(步骤S28)，若有链路的重复则结束。若判断无链路的重复，则判断是否有下个关联的链路(步骤S29)，若有关联的链路，则判断该链路是上位层次的链路还是下位层次的链路(步骤S210)。若由与关联链路比较的结果判断出上位层次的链路，则以层次地方式附加到上位的接近链路(步骤S211)，若判断为下位层次则层次方式附加到下位的接近链路(步骤S212)。图6是将节点(概念)和链路(关系)分开进行判断的流程图，但并不以些为限，可进行多任务处理或时分复用处理等的并行处理。
图7是表示以图1所示的对照部6和信息生成部7为中心的信息生成阶段的作用的流程图。如图1所示，将询问输入或某些请求输入与知识库的知识对照，对照结果有部分一致时，进入用以生成新知识的思考阶段。即，如图7所示，对应于询问或请求从知识库中搜索有语义连接的节点和链路(步骤S31)。最初搜索节点(步骤S32)，若发现了关联的节点(步骤S32)，则仅对存储关联节点的单元进行检索(步骤S33)。还有，在搜索该关联节点时，有必要考虑相对于链路的方向性。即，以“猫吃鱼。”为例时，“猫”和“鱼”相对于“吃”而言的方向性。这是因为“猫”能吃“鱼”而“鱼”不能吃“猫”。
在节点搜索后进行链路的搜索(步骤S34)，这时也仅对存储了关联链路的单元进行检索(步骤S35)。然后根据关联的链路信息，进入推理阶段(步骤S36)，执行类推(步骤S37)、归纳推理(步骤S38)、外延推理(步骤S39)等。图7中示出上述3种典型的推理，实际上也可以包含联想等另外的推理。结果，如果形成某些新节点或链路就可生成信息(步骤S310)。另外，若节点搜索与链路搜索的结果没发现关联节点也没发现关联链路，则不能对该询问进行判断，不再作进一步的判断而结束。
接着，按照图8说明评价/判断阶段的流程。首先对生成的信息结果付上标记，并将付上该标记的信息结果与积累到知识库4中的知识在概念、关联关系上逐项进行参照(步骤S41)。接着，判断参照的结果是否满足询问请求(步骤S42)。若充分满足请求，则生成的知识成为候补知识(步骤S43)。若请求不充分则搜索其它结果(步骤S44)，重复进行对知识库4的参照。
接着，参照知识库4中积累的知识，对最初成为候补的知识按照请求基准排序(步骤S45)。然后，判断目标必要条件的满足度是否最高(步骤S46)。然后进行最终确定(步骤S47)，经由显示装置或打字装置等外部输出装置(未图示)将判断结果输出，并作为新知识积累到知识库4中。
接着参照图9说明知识增加阶段的流程。首先，若生成了新信息，则判断是否增加节点(步骤S51)，判断为是需要增加节点时，将新生成的节点综合存储到有关联节点的部分(步骤S52)。判断为不需要作为节点的增加时，接着判断是否需要作为链路增加(步骤S53)，若需要链路增加，则将新生成的链路综合存储到有关联链路的部分上(步骤S54)。即，作为节点或链路进行单元综合存储。从而，可作为新知识在知识库4中增加知识。
如上说明，依据本发明，通过将信息所具有的各种语义结构化，计算机通过信息的语义结构能够理解描述、表达的语义内容。作为更高的功能将这些复合，并可实现对象解析、构思、评价、问题解决、意志确定等，可实现在速度、精度、容量上超过人脑的学习/思考机器和学习/思考方法。
以下，就为解决实现具体的硬件结构时的NP完全问题而减少计算量的本发明的超脑型计算机系统进行说明。
首先，说明本发明的超脑型计算机系统的概略结构和动作。
图17是表示超脑型计算机系统整体结构的框图。
图17中，该计算机系统由中央管理计算机61、单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)构成。中央管理计算机61与单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)可通信地连接。
中央管理计算机61仅存储单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)的地址，可输入对单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)的问题和输出对已输入的问题的来自各单元计算机的回答。
单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)中各自存储了知识(概念、用语)，并存储了各知识的语义关系的连接信息。单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)，例如对应于目标对象以10万(106)为中心设置100～1亿(102～108)个，设有可与人脑存储的知识量同等以上的知识量相比的数量的单元计算机。
中央管理计算机61上被输入问题时，从中央管理计算机61向所有的单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)发送问题。首先，作为前提动作，从单元计算机1(62-1)、单元计算机2(62-2)、…单元计算机N(62-N)中选择对输入的问题与自己保存的知识(概念、用语)有语义关系的连接的单元计算机，并动态地连接。
例如，在问题Q1“是否有从节点A出发经步骤N(3个以内)返回的通路？”时，仅与从节点A相当的单元计算机以3角形的环状连接的单元计算机才成为处理对象状态。除此以外的以4个以上的环状连接的单元计算机全部成为不适合状态。这时，不适合状态的单元计算机回信表示自己与该问题无关系的状态信息。只有成为处理对象状态的单元计算机回复对问题的回答。
若问题为Q2“从任何节点均有环状的通路吗？”，则只有环状连接的单元计算机成为处理对象状态。然后，除此以外的树状连接的单元计算机全部成为不适合状态。这时，不适合状态的单元计算机回信表示自己与问题无关系的状态信息。然后，只有处理对象状态的单元计算机回复对问题的回答。全部都不是树状且环状的单元计算机时，不会形成对问题的回答，中央管理计算机61向提问人回信没有那样的环状通路的回答。
问题为Q3“有树状的通路吗？”时，不具有树状通路的环状连接的单元计算机向中央管理计算机61发送不具有树状通路的状态信息，只有技状连接的单元计算机才向中央管理计算机61回复表示自己与问题有关系的回答。
问题为Q4“是环、树状的中间概念吗？即，有与上位或下位的概念连接的通路吗？”时，从环、树状的端(上位、下位)的单元计算机依次成为不适合状态。这时，不适合状态的单元计算机向中央管理计算机61回信自己对于问题无关系的状态信息。然后，只有存储中间概念的剩下适合状态的单元计算机向中央管理计算机61回复回答。
这里，处理对象状态的单元包含从全部单元除去了不适合状态的单元后的单元中成为适合状态的单元。
这样，通过将不具有直接或间接连接的单元计算机设为不适合状态，并只将具有与问题有关系的连接的单元计算机设为处理对象状态，能够使仅对问题有语义连接的单元计算机进行犹如人脑细胞作用那样的思考动作。从而解决NP完全的问题。
接着，详细说明用以进行这样的动作的超脑型计算机系统的中央管理计算机61和单元计算机62-1～N的结构和动作。以下，为了方便起见，将中央管理计算机61简称为中枢(hub)，单元计算机62-1～N简称为单元。
图18是功能地表示中央管理计算机61的结构的框图。
图18中，若问题输入部71有问题输入，则请求条件解析部72解析输入的问题条件。这里，输入的问题与结构化的知识对应，具体而言输入的问题被结构化，以表示知识和其连接终点的知识。
根据解析后的请求条件，请求条件处理对象单元检出部73对全部单元74发送请求条件，同时接收来自不适合单元75的表示对该请求条件回信的不适合状态的信息。从而，请求条件处理对象单元检出部73检出全单元74中除去不适合单元75的适合请求条件的单元。
检索收发部76仅对检出的适合单元77继续执行其以后的检索动作，并从处理对象单元77接收检索回答。然后，检索结果解析部78基于接收的检索回答来解析检索结果。
语义理解/信息生成部79从解析的检索结果进行语义理解和信息生成，生成新信息。输出信息变换部80将生成的新信息变换成被请求的输出形式。
单元连接终点地址存储部82根据生成的新信息，存储有语义连接的连接终点单元的地址。该信息按顺序更新。检索收发部76根据连接终点单元的地址能够进一步收缩检索对象进行再检索。
回答输出部81以请求的输出形式输出生成的新信息。这里，存储在单元连接终点地址存储部82中的生成的新信息及回答输出部81输出的生成的新信息均为结构化的知识。
这里，上述的中枢的问题输入部71和回答输出部81由键或触摸屏和液晶屏等的便携终端用用户接口构成。
另外，请求条件解析部72、请求条件处理对象单元检出部73、检索结果解析部78、语义理解/信息生成部79和输出信息变换部80由便携终端用CPU、ROM和RAM等构成的控制处理器构成。适用于控制处理器的操作系统(OS)除可以用WINDOWS、LINUX等通常PC的OS以外，也可以用便携终端用OS即TRON等。作为单元连接终点地址存储部82可采用ROM等构成的非易失性存储器。
另外，请求条件处理对象单元检出部73和检索收发部76由便携终端用的通信部构成。
中枢可单独构成，但可让便携游戏机、便携电话兼任上述功能。
图19是功能上表示单元计算机的结构的框图。
图19中，请求条件处理对象判断部92对从中枢91向全部单元同时发送的请求条件进行判断，判断本单元是否成为处理对象。该请求条件处理对象判断过程，利用对是否有连接终点的单元的判断信息进行。
不适合回信/连接终点单元联络部93，在对于请求条件本单元不适合时不向中枢94回信告知适合状态的信号，用对于请求条件本单元是处理对象则用关于是处理对象状态的信息与连接终点的单元95联络。
检索接收部97在对请求条件本单元是处理对象状态时接收来自中枢96的检索信息。连接终点判断部98按照请求条件检索存在本单元的信息连接的连接终点的其它单元，判断能否按每个请求条件进行基于检索信息的检索。该检索的判断过程中利用连接终点单元的信息进行。
检索回答部101将所作的检索的回答回信给中枢102。知识存储部99存储基于检索信息和检索的回答而得到的知识。连接终点单元存储部100存储与得到的知识对应的连接终点的单元。
这里，上述的单元的请求条件处理对象判断部92、不适合回信/连接终点单元联络部93、检索接收部97和检索回答部101由便携终端用的通信部构成。
另外，请求条件处理对象判断部92、不适合回信/连接终点单元联络部93、连接终点判断部98由便携终端用的CPU、ROM和RAM等组成的控制处理器构成。
另外，作为知识存储部99和连接终点单元存储部100，可采用由ROM等构成的非易失性存储器。
单元可由个体构成，另外，也可让便携游戏机、便携电话兼任上述的功能。
作为由以上说明的通信部、控制部、存储部构成的本发明的超脑型计算机系统，在将中枢和单元分别独立构成时，可整体上由数10厘米的立方体或半径10厘米的球体实现。
另外，中枢和单元由便携游戏机或便携电话构成时，可用存在于可通信的范围内有便携游戏机或便携电话整体上实现。
这样构成的中央管理计算机61和单元计算机62-1～N进行如以下的动作。以下的说明是按本发明的超脑型计算机系统的动作顺序从中枢到单元，然后从单元到中枢的方式进行。
图20是表示请求条件适合单元检出的动作的流程图。图20示出图18所示的中央管理计算机61(中枢)的请求条件处理对象单元检出部73的动作。
图20中，开始请求条件处理对象单元检测(步骤S61)时，对全部单元进行基于请求条件的同时检索通报(步骤S62)。具体地说，中枢的请求条件处理对象单元检出部73中，作为请求条件例如步骤数N的通路、环状通路、树状通路等的条件向全部单元同时发送。
接着，接收各单元回复的不适合状态信息(步骤S63)。具体地说，中枢的请求条件处理对象单元检出部73从对请求条件不适合的单元接收回复的不适合状态信息。
接着，将全部单元中不适合状态的单元以外的单元作为处理对象单元检出(步骤S64)。具体地说，请求条件处理对象单元检出部73将全部单元74中除去不适合单元75的对请求条件成为处理对象的单元检出。
若对请求条件成为处理对象的单元被检出，则请求条件处理对象单元检出部73向检索收发部76通知检出的请求条件处理对象单元(步骤S64)。从而，能够继续执行将检索对象只收缩在处理对象单元的检索动作。
图21是表示请求条件适合性判断开始的动作的流程图。图21示出图19所示的单元计算机的请求条件处理对象判断部92的动作。
首先，开始请求条件处理对象判断(步骤S71)时，接收基于来自中枢的请求条件的同时通报(步骤S72)。具体地说，单元的请求条件处理对象判断部92接收根据图20的步骤S62所示的全部单元的请求条件的同时检索通报。
接着，判断请求条件是否一致(步骤S73)。具体地说，单元的请求条件处理对象判断部92判断对于请求条件本单元是否成为处理对象。
步骤S73中请求条件一致时，转移到处理对象状态(步骤S75)。具体地说，单元的请求条件处理对象判断部92在对请求条件本单元成为处理对象时转移到处理对象状态。
步骤S73中请求条件不一致时，用与连接终点单元的关系来判断本单元是否与请求条件一致(步骤S74)。具体地说，在单元的请求条件处理对象判断部92中，用连接终点单元的关系来判断对于请求条件本单元是否成为处理对象。
步骤S74中根据连接终点单元的关系本单元与请求条件一致时，进入步骤S75而转移到处理对象状态作为处理对象加以保持。具体地说，单元的请求条件处理对象判断部92根据与连接终点单元的关系本单元对请求条件成为处理对象时转移到处理对象状态。
步骤S74中根据连接终点单元的关系判定本单元与请求条件不一致时，转移到不适合状态(步骤S76)。具体地说，单元的请求条件处理对象判断部92根据与连接终点单元的关系判定对于请求条件本单元不适合时转移到不适合状态。
图22是表示连接终点的单元状态联络开始的动作的流程图。即，图22示出图19所示的单元计算机的不适合回信/连接终点单元联络部93的动作。
首先，开始连接终点单元的状态联络(步骤S81)时，判断是否为请求处理对象(步骤S82)。具体地说，不适合回信/连接终点单元联络部93判断从请求条件处理对象判断部92是否供给表示对于请求条件本单元是处理对象的状态信号。
在步骤S82中若判断本单元是请求处理对象，则将处理对象状态与连接终点单元联络(步骤S83)。具体地说，不适合回信/连接终点单元联络部93向与请求条件对应的连接终点单元发送表示本单元是处理对象状态的信息，这一操作被顺序重复以交互联络。
另外，不适合回信/连接终点单元联络部93在对于请求条件本单元不适合时向中枢94回信不适合状态。
图23是表示搜索基于请求条件结构的连接判断中步骤数N的通路的动作的流程图，即，对上述问题Q1“是否有从节点A出发经步骤N(3个以内)返回的通路？”提供回答的流程图。图23示出图19所示的单元计算机的请求条件处理对象判断部92和连接终点判断部98的动作。
首先，开始搜索基于请求条件结构的连接判断中的步骤数N的通路的动作时(步骤S91)，连接终点判断部98判断是否为节点数N(步骤S92)。就是说，连接终点判断部98判断包括本单元(节点)在内的节点数N处有否连接终点的单元(节点)。
在判断步骤S92中判断是节点数N时，接着将具有节点数N的单元转移到处理对象状态并作为处理对象保持(步骤S93)。具体地说，请求条件处理对象判断部92基于来自连接终点判断部98的在节点数N处有连接终点的单元(节点)的信息，将包含本单元(节点)在内的节点数N判断为处理对象状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到处理对象状态。
在判断步骤S92中判断节点数不是N时，使具有该节点数N以外的其它节点数的单元转移到不适合状态(步骤S94)。具体地说，请求条件处理对象判断部92基于来自连接终点判断部98的在节点数N处无连接终点的单元(节点)的信息，判断包括本单元(节点)在内的其它节点数为不适合状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到不适合状态，同时将不适合状态与中枢联络。
图24是表示搜索基于请求条件结构的连接判断中树状通路的动作的流程图，即，用以形成对上述问题Q3“有树状通路吗？”的回答的流程图。图24示出图19所示的单元计算机的请求条件处理对象判断部92和连接终点判断部98的动作。
首先，开始对基于请求条件结构的连接判断中树状通路进行搜索的动作(步骤S101)，对树状通路进行搜索(步骤S102)。具体地说，连接终点判断部98搜索包含本单元(节点)在内成为树状通路的连接终点的单元(节点)。
接着，判断本单元是否为树的端(步骤S103)。具体地说，连接终点判断部98判断包含本单元(节点)在内成为树状通路的连接终点的单元(节点)是否为端。这时，连接终点判断部98也将端的连接终点的单元(节点)顺序地判断为端，将成为树状通路的所有连接终点的单元(节点)判断为端。
在判断步骤S103中判断本单元是端时，将端转移到处理对象状态并作为处理对象保持(步骤S104)。具体地说，请求条件处理对象判断部92基于来自连接终点判断部98的所有成为树状连接的连接终点的单元(节点)是端的信息，判断端是处理对象状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到处理对象状态。
然后，将树内单元转移到处理对象状态并作为处理对象保持(步骤S105)。具体地说，请求条件处理对象判断部92判断来自连接终点判断部98的成为树状连接的所有连接终点的单元(节点)处在处理对象状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到处理对象状态。
接着，将环内剩下的单元转移到不适合状态(步骤S106)。具体地说，请求条件处理对象判断部92判断除来自连接终点判断部98的处理对象状态的成为树状连接的所有连接终点的单元(节点)以外剩下的成为环状连接的所有连接终点的单元(节点)处在不适合状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到不适合状态，同时将不适合状态与中枢联络。
图25是表示搜索基于请求条件结构的连接判断中环状通路的动作的流程图，即，用以生成对问题Q2“不论从哪处节点都有环状通路吗？”的回答的流程图。图25示出图19所示的单元计算机的请求条件处理对象判断部92和连接终点判断部98的动作。
首先，开始搜索基于请求条件结构的连接判断中环状通路的动作(步骤S121)，在连接终点判断部98中进行环的搜索(步骤S122)。具体地说，连接终点判断部98搜索包含本单元(节点)在内成为环状的连接终点的单元(节点)。
接着，判断是否为端(步骤S123)。具体地说，连接终点判断部98判断包含本单元(节点)在内成为树状的连接终点的单元(节点)是否为端。这时，连接终点判断部98将端的连接终点的单元(节点)也顺序地判断成端，并将成为树状的所有连接终点的单元(节点)判断为端。
在判断步骤S123中判断本单元是端时，使本单元转移到不适合状态(步骤S124)。具体地说，请求条件处理对象判断部92基于来自连接终点判断部98的全部树状的连接终点的单元(节点)是端的信息，判断端的单元处在不适合状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些转移到不适合状态。
接着，在请求条件处理对象判断部92中将树内单元转移到不适合状态(步骤S125)。具体地说，请求条件处理对象判断部92判断所述来自连接终点判断部98的树状的连接终点的单元(节点)处在不适合状态，并经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到不适合状态，同时将不适合状态与中枢联络。
然后，在连接终点判断部98中判断是否为节点数N(步骤S126)。具体地说，连接终点判断部98判断在包含本单元(节点)在内的节点数N处有否连接终点的单元(节点)。
这里，进行对节点数N的判断是因为由于知识的连接终点大部分环状连接若只将环状通路全部设成处理对象状态，则最终出现NP完全的问题，不能进行其后的检索。因而，进行环状通路的搜索时，对照节点数N的判断后进行，例如，3因素环为对象时，4因素环以上的环成为不适合状态，可减少检索对象。
在判断步骤S126中判断是节点数N时，将剩下的环内单元转移到不适合状态(步骤S127)。具体地说，请求条件处理对象判断部92除去来自连接终点判断部98的成为不适合状态的树状通路的连接终点的单元(节点)，再加上对节点数N的判断，并将剩下的节点数N的成为环状的连接终点的单元(节点)判断为处在处理对象状态。然后，经由不适合回信/连接终点单元联络部93进行联络，以转移到适合状态。
在判断步骤S126判断不是节点数N时，请求条件处理对象判断部92将节点数N以外的单元转移到不适合状态(步骤S128)。具体地说，请求条件处理对象判断部92基于来自连接终点判断部98的在节点数N处无连接终点的单元(节点)的信息，判断包含本单元(节点)在内的节点数N以外的其它节点数处在不适合状态。然后，经由不适合回信/连接终点单元联络部93进行联络，以将这些单元转移到不适合状态，同时与中枢联络通知这些单元处在不适合状态。
还有，上述的图23～图25示出基于请求条件结构的连接判断中的例子，按照请求条件将它们适当地组合使用。
另外，在搜索上位与下位的中间概念时，可以如上述那样通过对端的判断在依次将连接终点的单元(节点)转移到不适合状态的同时进行，但这时可利用若上位概念不适合则下位概念必然不适合的判断来进行搜索。
图26是表示连接终点单元存储开始的动作的流程图。图26示出图19所示的单元计算机的连接终点判断部98和连接终点单元存储部100的动作。
首先，使连接终点单元存储开始的动作开始时(步骤S131)，连接终点判断部98中判断有否连接终点(步骤S132)。具体地说，连接终点判断部98判断本单元(节点)有否连接终点的单元(节点)。
在判断步骤S132中判断有连接终点时，接着在连接终点判断部98中判断是否已存储(步骤S133)。具体地说，连接终点判断部98在若判断本单元(节点)有连接终点的单元(节点)时，先判断连接终点单元存储部100中有否连接终点的单元(节点)的存储。
在判断步骤S133中若判断无存储，则连接终点判断部98将信息的连接终点单元的地址与其信息内容存储到连接终点单元存储部(步骤S134)。就是说，连接终点判断部98在连接终点单元存储部100中存储信息的连接终点单元的地址与该地址上的单元具有的信息。
在判断步骤S133中判断已经有存储时，判断是否要更新(步骤S135)。若要更新，则连接终点判断部98用信息的连接终点单元的地址与该单元具有的信息来更新连接终点单元存储部100。若不更新，则进入步骤S136调查其它单元的信息。就是说，调查连接终点判断部98中本单元(节点)与连接终点的其它单元(节点)的信息。
图27是表示连接终点检索开始的动作的流程图。图27示出图19所示的单元计算机的不适合回信/连接终点单元联络部93和连接终点判断部98的动作。
首先，开始连接终点单元的检索动作(步骤S141)，在连接终点判断部98中判断是否为对环内单元的检索(步骤S142)。即，连接终点判断部98判断对应于请求条件进行的检索是不是对本单元(节点)与环内的连接终点的单元(节点)的检索。
在判断步骤S142中若判断为是环内检索，则在连接终点判断部98中进行环内的检索(步骤S143)。具体地说，连接终点判断部98通过不适合回信/连接终点单元联络部93对本单元(节点)与环内的连接终点的单元(节点)进行检索。
在判断步骤S142中若判断不是环内检索，则接着判断是否为树内检索(步骤S144)。具体地说，连接终点判断部98判断对应于请求条件进行的检索是否为在本单元(节点)与树内对连接终点的单元(节点)的检索。
在判断步骤S144中若判断是树内检索，则判断有否连接终点单元(步骤S145)。具体地说，连接终点判断部98判断本单元(节点)树内连接终点的单元(节点)上还有否连接终点单元。
在判断步骤S145中若判断有连接终点单元，则再进行树内的前方的检索，直到没有连接终点单元(步骤S146)。具体地说，连接终点判断部98通过不适合回信/连接终点单元联络部93重复进行对本单元(节点)与树内连接终点的单元(节点)的前方的检索，直到没有连接终点。
图28是表示检索回答部的动作的流程图。图28示出图19所示的单元计算机的检索回答部101的动作。
首先，开始检索回答部的动作时(步骤S151)，检索回答部101根据按照请求条件检索的结果判断本单元(节点)与连接终点的单元(节点)是否为直接的连接终点(步骤S152)。
在判断步骤S152中若判断本单元与连接终点单元是直接的连接终点，则将检索结果的信息和直接的连接终点的单元的地址传送给中枢(步骤S153)。具体地说，检索回答部101基于来自连接终点判断部98的连接终点判断信息，生成检索结果，并将检索结果的信息和直接的连接终点的单元的地址传送给中枢。
在判断步骤S152中若判断不是直接的连接终点，则判断是否为间接的连接终点(步骤S154)。具体地说，检索回答部101按照请求条件判断本单元(节点)与连接终点的单元(节点)是否为间接的连接终点。
在判断步骤S154中若判断是间接的连接终点，则将检索结果的信息和间接的连接终点的单元的地址传送给中枢(步骤S155)。具体地说，检索回答部101基于来自连接终点判断部98的连接终点判断信息，生成检索结果，并将检索结果的信息和间接的连接终点的单元的地址传送给中枢。
还有，这里的知识存储部99存储基于检索回答部101的检索信息和检索的回答获得的知识。连接终点单元存储部100存储与获得的知识对应的连接终点单元。从而，能够避免同样检索时的重复动作。
图29是表示检索收发动作的流程图。图29示出图18所示的中央管理计算机61(中枢)的检索收发部76的动作。
首先，开始检索收发的动作(步骤S161)时，检索收发部76从单元连接终点地址存储部82得知连接终点单元的地址(步骤S162)。具体地说，中枢的检索收发部76从单元连接终点地址存储部82认知已作检索而成为连接终点的单元的地址。
接着，在中枢的检索收发部76中得知请求条件处理对象单元(步骤S163)。具体地说，中枢的检索收发部76接收来自图20的步骤S65的请求条件处理对象单元检出部73的请求条件处理对象单元的信息，并认知该信息。
接着，中枢的检索收发部76向连接终点的某一处理对象单元发送检索信息并接收检索结果(步骤S164)。具体地说，中枢的检索收发部76向连接终点的某一处理对象单元发送检索信息，接收图28的步骤S153及步骤S154的检索结果的信息和直接或间接的连接终点的单元的地址。
图30是表示检索结果解析的动作的流程图。图30示出图18所示的中央管理计算机61(中枢)的检索结果解析部78的动作。
首先，开始检索结果解析的动作(步骤S171)，中枢中的某一检索结果解析部78收集全部的来自处于处理对象状态的各单元的检索结果(步骤S172)。具体地说，中枢的检索结果解析部78从检索收发部76收集全部来自处在处理对象状态的各单元的检索结果。
接着，在检索结果解析部73中解析与请求条件对应的结构(节点数/环//树)(步骤S173)。具体地说，中枢的检索结果解析部78按与请求条件对应的每个结构，例如按每个节点数/环/树来解析检索结果。
然后，中枢的检索结果解析部78将每个结构的解析结果发送给语义理解/信息生成部79(步骤S174)。
图31是表示语义理解/信息生成的动作的流程图。图31示出图18所示的中央管理计算机(中枢)的语义理解/信息生成部79的动作。
首先，开始语义理解/信息生成的动作(步骤S181)，在中枢的语义理解/信息生成部79中调查每个结构的解析结果的语义(步骤S182)。具体地说，中枢的语义理解/信息生成部79按对应于请求条件的每个结构，例如按每个节点数/环/树来调查检索结果的语义。
接着，在中枢的语义理解/信息生成部79中，判断可否从检索结果进行直接语义理解(步骤S183)。
在判断步骤S183中判断可直接语义理解时，由于可从检索结果进行直接语义理解，中枢的语义理解/信息生成部79将生成的语义附加在检索结果的信息上(步骤S184)。
在判断步骤S183中若判断不能直接语义理解，则中枢的语义理解/信息生成部79按对应于请求条件的每个结构，例如按每个节点数/环/树调查与检索结果类似的语义(步骤S185)。
接着，根据中枢的语义理解/信息生成部79，判断可还根据检索结果基于类推来生成信息(步骤S186)。具体地说，用中枢的语义理解/信息生成部79进行伴随新信息生成的类推、功能推理、联想等。
在判断步骤S186中若判断能够进行类推的信息生成，则中枢的语义理解/信息生成部79将从检索结果类推而生成的信息的语义附加到检索结果的信息上(步骤S187)。
在判断步骤S186中若判断不能进行类推的信息生成，则中枢的语义理解/信息生成部79根据检索结果重复调查其它单元的信息(步骤S188)。
图32是表示输出信息变换的动作的流程图。图32示出图18所示的中央管理计算机(中枢)的输出信息变换部80、单元连接终点地址存储部82和回答输出部81的动作。
首先，输出信息变换部80开始输出信息变换的动作(步骤S191)，将结构化的信息变换成对应于请求的表达(步骤S192)。即，中枢的输出信息变换部80将生成后结构化的新信息变换成所请求的输出形式。
接着，中枢的输出信息变换部80将基于生成的新信息结构化的信息以及与该新生成并结构化的信息有语义连接的连接终点单元的地址存储到单元连接终点地址存储部82(步骤S193)。然后，中枢的回答输出部81将生成的新信息以请求的输出形式输出(步骤S194)。
 权利要求书
(按照条约第19条的修改)
1.(补正后)一种学习/思考机器，其特征在于具备：
由网罗地收集信息的装置；
按照多个规则从收集的信息抽出语义关系的装置；
根据抽出的语义关系进行解析，且表示要充分表达的语义内容的语义的节点和节点间的语义关系的链路，该节点与该链路是可互相交换其作用的结构，由所述节点和所述链路表达并作为结构化的知识存储的装置；
根据预定推理由所述语义关系结构化的知识对应于询问或请求与所述知识库中存储了关联节点的单元对照后生成新信息的装置；
对生成的新信息进行评价的装置；
判断该评价结果的排序的装置；
根据判断的结果确定最佳解的装置；
接受外部询问或请求的输入部；以及
进行来自外部的询问或请求与知识库之间的对照的对照装置，
用该对照装置对照的结果若完全一致则向中枢部传达已理解该一致的信息，而若所述对照结果部分一致则由所述信息生成装置补充不足的信息并与所述知识库中存储了关联节点的单元对照后生成信息，以根据所述语义关系由所述节点和链路结构化的知识与新的语义上的内容有语义关系。
2.(补正后)一种基于结构化知识的学习/思考方法，其特征在于包括：
将网罗地收集到的数据、信息、知识输入的知识输入步骤；
按照多个规则从所述输入的数据、信息、知识抽出语义关系，并根据抽出的语义关系进行信息的语义解析来表示语义的节点和表示节点间的语义关系的链路，是可互相交换其作用的结构，存储由所述节点和所述链路表达的结构化的知识的知识结构化步骤；
通过预定推理生成新信息，以使根据所述语义关系由所述节点与链路结构化的知识与新语义的内容有关系的信息生成步骤；
将所述信息生成的结果与知识库对照，对该信息生成的新知识进行评价与判断的评价判断步骤；
将所述评价/判断的结果、新信息生成的知识积累在知识库中，实现知识的增加的知识增加步骤；以及
对应于外部的询问或请求确定并输出最佳解的最佳解确定步骤，
所述信息生成步骤还包括：
只检索存储了关联节点的单元的关联节点搜索步骤；
只检索存储了关联链路的单元的关联链路搜索步骤；以及
根据所述关联节点搜索步骤或关联链路搜索步骤的结果，进行至少利用类推、归纳推理、外延推理或联想等中任一种的推理的步骤。
3.如权利要求2所述的基于结构化知识的学习/思考方法，其特征在于所述评价判断步骤包括：
参照已存储在知识库中的知识，按项目评价新信息生成的知识的步骤；
判断新生成的知识是否满足询问请求，若满足请求则将该知识作为候补解，若不满足请求则求出其它结果并返回所述按项目评价的步骤的步骤；
参照知识库对作为所述候补解的知识排序的步骤；以及
从已排序的候补知识中抽出/确定目标必要条件最佳的候补知识的步骤。
4.如权利要求2所述的基于结构化知识的学习/思考方法，其特征在于所述知识增加步骤包括：
在所述信息生成步骤进行信息生成，并判断是否将所述评价/判断步骤中作为最佳解生成的新知识作为新节点增加的步骤；
在作为新节点增加时，存储在单元综合存储器中的步骤；
不管节点增加如何，判断是否将所述生成的新知识作为链路增加的步骤；以及
在作为新链路增加时，存储在单元综合存储器中的步骤。
5.(补正后)一种计算机系统，其中，中央管理计算机和多个单元计算机可通信地连接，其特征在于：
所述中央管理计算机构成为在动作前仅存储有上述多个单元计算机的地址，可对上述多个单元计算机输入问题，并可输出对问题的回答；
所述多个单元计算机具有各自表示语义的节点和表示节点间的语义关系的链路，是可互相交换其作用的结构，为了保持由所述节点和所述链路表达的结构化的知识，各个单元计算机构成为可存储各一个节点或链路和存储有与该节点或该链路具有语义关系的连接的节点或链路的其它单元计算机的信息；
若有问题输入，则从所述中央管理计算机向全部的上述多个单元计算机发送所述问题，作为前提动作，所述多个单元计算机基于对各自拥有的知识的所述问题的语义关系的连接信息而使状态变为处理对象状态或不适合状态；
对于所述问题无语义关系连接的单元计算机成为不适合状态并将不适合状态回信给所述中央管理计算机，只是有语义关系连接的单元计算机成为处理对象状态而将回答回复给所述中央管理计算机，
所述中央管理计算机仅对所述处理对象状态的单元计算机才继续提出问题，通过解析和语义理解来自所述单元计算机的回答来生成新信息，并将所述生成的新信息变换以所述问题对应，并作为回答输出。
6.如权利要求5所述的计算机系统，其特征在于所述中央管理计算机中设有：
问题输入部输入问题时，解析已输入问题的条件的请求条件解析部；
根据解析的所述请求条件向全部单元计算机发送请求条件，另外接收来自对该条件不适合单元计算机的不适合状态的回信，从所述全部单元计算机中检出除去所述不适合单元计算机以外的成为对应所述请求条件的处理对象的单元计算机的请求条件处理对象单元检出部；
仅对所述检出的所述处理对象单元计算机继续执行其以后的检索动作，从所述处理对象单元计算机接收检索回答，根据接收的所述检索回答进行检索结果的解析的检索收发部；
根据经解析的所述检索结果进行语义理解和信息生成来生成新信息的语义理解/信息生成部；
将生成的新信息变换成所请求的输出形式的输出信息变换部；
基于所述生成的所述新信息，可顺序更新地存储有语义连接的连接终点的单元计算机地址的单元连接终点地址存储部；以及
将所述生成的新信息以请求的输出形式输出的回答输出部。
7.如权利要求5所述的计算机系统，其特征在于所述多个单元计算机中设有：
对应于所述中央管理计算机向全部单元计算机同时被发送的请求条件，用连接终点的单元计算机是否存在的判断信息判断本单元计算机是否成为处理对象的请求条件处理对象判断部；
对于所述请求条件本单元计算机不适合时将不适合状态信息回信给中央管理计算机，而对于所述请求条件本单元计算机处于处理对象状态时将处理对象状态与连接终点的单元计算机联络的不适合回信/连接终点单元联络部；
对于所述请求条件本单元计算机成为处理对象时，接收来自所述中央管理计算机的检索信息的检索接收部；
按照所述请求条件检索与本单元计算机有信息连接的连接终点的其它单元计算机，并用所述连接终点的单元计算机的信息判断能否按每个所述请求条件进行基于检索信息的检索的连接终点判断部；
将所进行的所述检索的回答回信给所述中央管理计算机的检索回答部；
可顺序更新地存储基于所述检索信息和检索的回答而获得的知识的知识存储部；以及
可顺序更新地存储与所述获得的知识对应的连接终点的单元计算机的连接终点单元存储部。
8.如权利要求7所述的计算机系统，其特征在于：
所述连接终点判断部中设有搜索所述请求条件的结构为步骤数N的通路的步骤数N搜索装置，搜索所述请求条件的结构为树状通路的树状通路搜索装置，其中N为自然数，以及搜索所述请求条件的结构为环状通路的环状通路搜索装置，进行与所述请求条件的结构对应的连接判断。
9.(补正后)一种信息生成方法，采用中央管理计算机与多个单元计算机可通信地连接而成的计算机系统，其特征在于：
所述中央管理计算机在动作前仅存储所述多个单元计算机的地址，可对所述多个单元计算机输入问题，并可输出对于问题的回答；
所述多个单元计算机具有各自表示语义的节点和表示节点间的语义关系的链路，是可互相交换其作用的结构，为了保持由所述节点和所述链路表达的结构化的知识，各个单元计算机构成为可存储各一个节点或链路并存储与该节点或该链路具有语义关系的连接的节点或链路的其它单元计算机的信息；
其中包括：若有问题输入则从所述中央管理计算机向全部的上述多个单元计算机发送问题的步骤；
作为前提动作，基于所述多个单元计算机各自拥有的知识的对应于所述问题的语义关系的连接信息使状态变化到处理对象状态或不适合状态的步骤；
对于所述问题，无语义关系连接的单元计算机成为不适合状态并将关于不适合状态的信息回信给所述中央管理计算机，只有存在语义关系的连接的单元计算机成为处理对象状态，并回答所述中央管理计算机的步骤；
所述中央管理计算机仅对处理对象状态的单元计算机继续输出问题的步骤；以及
通过解析和语义理解来自所述处理对象状态的单元计算机的回答来生成新信息，将生成的新信息变换成与问题对应并作为回答输出的步骤。
10.如权利要求9所述的信息生成方法，其特征在于：
所述中央管理计算机具备，
问题输入到问题输入部时，由请求条件解析部解析输入的问题的条件的步骤；
基于已解析的所述请求条件由请求条件处理对象单元检出部向全部单元计算机发送所述请求条件，并接收来自对该条件不适合单元计算机的不适合状态的回信，从所述全部单元计算机中检出除去了所述不适合单元计算机的成为对应于请求条件的处理对象的单元计算机的步骤；
用检索收发部仅对检出的所述处理对象单元计算机继续执行其后的检索动作，并从所述处理对象单元计算机接收检索回答的步骤；
基于接收到的所述检索回答由检索结果解析部进行检索结果解析的步骤；
由语义理解/信息生成部根据经解析的所述检索结果进行语义理解和信息生成，以生成新信息的步骤；
由输出信息变换部将生成的所述新信息变换成所请求的输出形式的步骤；
基于生成的所述新信息，可顺序更新地向单元连接终点地址存储部存储有语义连接的连接终点的单元计算机地址的步骤；
用回答输出部将生成的所述新信息以请求的输出形式输出的步骤。
11.如权利要求9所述的信息生成方法，其特征在于所述多个单元计算机具备：
由请求条件处理对象判断部利用是否存在连接终点的单元计算机的判断信息来判断对于所述中央管理计算机向全部单元计算机同时发送的请求条件本单元计算机是否成为处理对象的步骤；
对于所述请求条件本单元计算机不适合时，将关于不适合状态的信息回信给所述中央管理计算机，而对于所述请求条件本单元计算机成为处理对象时，由不适合回信/连接终点单元联络部将处理对象状态与连接终点的单元计算机联络的步骤；
对于所述请求条件本单元计算机成为处理对象时，由检索接收部接收来自所述中央管理计算机的检索信息的步骤；
按照所述请求条件检索到本单元计算机有信息连接的连接终点的其它单元计算机，由连接终点判断部用所述连接终点的单元计算机信息判断能否按每个所述请求条件进行基于所述检索信息的检索的步骤；
由检索回答部向所述中央管理计算机回信已作的所述检索的回答的步骤；
可顺序更新地向知识存储部存储基于所述检索信息和检索的回答而获得的知识的步骤；
可顺序更新地向连接终点单元存储部存储与所述获得的知识对应的连接终点的单元计算机的步骤。
12.如权利要求11所述的信息生成方法，其特征在于：
所述连接终点判断部的判断步骤中包括，
在搜索基于请求条件的结构的连接判断中的步骤数N的通路的动作中，包含本单元计算机在内以节点数N判断连接终点的单元计算机是否存在的步骤，其中N为自然数；
基于在节点数N上连接终点的单元计算机存在的信息，将包含本单元计算机的节点数N判断为处于处理对象状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到处理对象状态的步骤；
基于在节点数N上没有连接终点的单元计算机的信息，判断包括本单元计算机在内的其它节点数处于不适合状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态；同时，将不适合状态与所述中央管理计算机进行联络。
13.如权利要求11所述的信息生成方法，其特征在于包括：
所述连接终点判断部的判断步骤，在搜索基于请求条件结构的连接判断中的树状通路的动作中，搜索包括本单元计算机在内的成为树状的连接终点的单元计算机时，
判断包括本单元计算机在内成为树状的连接终点的单元计算机是否为端，此时，顺序地判断端的连接终点的单元计算机也是端，将成为树状的连接终点的所有单元计算机判断成端的步骤；
基于成为树状的连接终点的所有单元计算机为端的信息，判断端处于处理对象状态，将成为树状的连接终点的所有单元计算机判断为处于处理对象状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到处理对象状态的步骤；
判断除处理对象状态的成为树状的连接终点的单元计算机以外、剩下的成为环状的连接终点的所有单元计算机处于不适合状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态，同时，将不适合状态与所述中央管理计算机进行联络。
14.如权利要求11所述的信息生成方法，其特征在于包括：
所述连接终点判断部的判断步骤，在搜索基于请求条件的结构的连接判断中的环状通路的动作中，搜索包含本单元计算机在内成为环状的连接终点的单元计算机时，
判断包含本单元计算机在内成为树状的连接终点的单元计算机是否为端，此时，连接终点依次判断端的连接终点的单元计算机也不属于环，因此将成为树状的连接终点的所有单元计算机判断为不属于环的步骤；
基于成为树状的连接终点的所有单元计算机为端的信息，判断端处于不适合状态，并将成为树状的连接终点的所有单元计算机判断为不适合状态，通过所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态，同时将不适合状态与所述中央管理计算机进行联络的步骤；
判断包括本单元计算机在内的节点数N上是否存在连接终点的单元计算机的步骤，其中N为自然数；
除了不适合状态的成为树状的连接终点的单元计算机以外，并进行节点数N的判断，判断剩下的节点数N的成为环状的连接终点的单元计算机处于处理对象状态，通过所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到处理对象状态的步骤；以及
基于节点数N上没有连接终点的单元计算机的信息判断包含本单元计算机在内其它节点数处于不适合状态，通过所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态，同时，将不适合状态与所述中央管理计算机及邻接的单元计算机进行联络的步骤。

Claims (14)

1.一种学习/思考机器，具备由网罗地收集信息的装置；
对收集到的信息的进行解析，并按照多个规则抽出语义关系的装置；
由将语义内容作为根据抽出的语义关系充分表达的语义内容的结构化的知识而存储的装置构成的知识库，其中设有：
通过基于所述语义关系而结构化的知识与询问或请求的对应而以预定的推理生成新信息的装置；
对生成的新信息进行评价的装置；
判断该评价结果的排序的装置；
根据判断的结果确定最佳解的装置；
接受外部询问或请求的输入部；以及
进行来自外部的询问或请求与知识库之间的对照的对照装置，
用该对照装置对照的结果若完全一致则向中枢部传达已理解该一致的信息，而若所述对照结果部分一致则通过预定推理生成信息，以使根据所述语义关系结构化的知识与新的语义上的内容有关系。
2.一种基于结构化知识的学习/思考方法，其特征在于包括：
将网罗地收集到的数据、信息、知识输入的知识输入步骤；
从所述输入的数据、信息、知识进行信息的解析，并按照多个规则抽出语义关系，并根据抽出的语义关系存储结构化的知识的知识结构化步骤；
通过预定推理生成新信息，以使根据所述语义关系而结构化的知识与新语义的内容有关系的信息生成步骤；
将所述信息生成的结果与知识库对照，对该信息生成的新知识进行评价与判断的评价判断步骤；
将所述评价/判断的结果、新信息生成的知识积累在知识库中，实现知识的增加的知识增加步骤；以及
对应于外部的询问或请求确定并输出最佳解的最佳解确定步骤，
所述信息生成步骤还包括：
只检索存储了关联节点的单元的关联节点搜索步骤；
只检索存储了关联链路的单元的关联链路搜索步骤；以及
根据所述关联节点搜索步骤或关联链路搜索步骤的结果，进行至少利用类推、归纳推理、外延推理或联想等中任一种的推理的步骤。
3.如权利要求2所述的基于结构化知识的学习/思考方法，其特征在于所述评价判断步骤包括：
参照已存储在知识库中的知识，按项目评价新信息生成的知识的步骤；
判断新生成的知识是否满足询问请求，若满足请求则将该知识作为候补解，若不满足请求则求出其它结果并返回所述按项目评价的步骤的步骤；
参照知识库对作为所述候补解的知识排序的步骤；以及
从已排序的候补知识中抽出/确定目标必要条件最佳的候补知识的步骤。
4.如权利要求2所述的基于结构化知识的学习/思考方法，其特征在于所述知识增加步骤包括：
在所述信息生成步骤进行信息生成，并判断是否将所述评价/判断步骤中作为最佳解生成的新知识作为新节点增加的步骤；
在作为新节点增加时，存储在单元综合存储器中的步骤；
不管节点增加如何，判断是否将所述生成的新知识作为链路增加的步骤；以及
在作为新链路增加时，存储在单元综合存储器中的步骤。
5.一种计算机系统，其中，中央管理计算机和多个单元计算机可互相通信地连接，其特征在于：
所述中央管理计算机构成为在动作前存储有上述多个单元计算机全部的地址和名称，可对上述多个单元计算机的全部输入问题，并可输出对问题的回答；
所述全部的单元计算机构成为可将为了表示各个知识和其连接终点的知识而结构化的知识逐个存储，并可对各知识的语义关系的连接终点的信息进行存取；
若有问题输入，则从所述中央管理计算机向全部的上述多个单元计算机发送所述问题，作为前提动作，所述多个单元计算机基于对各自拥有的知识的所述问题的语义关系的连接信息而使状态变为处理对象状态或不适合状态；
对于所述问题无语义关系连接的单元计算机成为不适合状态且该不适合状态被所发送到所述中央管理计算机和关联的所述单元计算机，只是有语义关系连接的单元计算机成为处理对象状态，只有所述处理对象状态的单元计算机才继续执行处理，通过解析和语义理解对应于问题的来自所述单元计算机的回答来生成新信息，并将所述生成的新信息变换以所述问题对应，并作为回答输出。
6.如权利要求5所述的计算机系统，其特征在于所述中央管理计算机中设有：
问题输入部输入问题时，解析已输入问题的条件的请求条件解析部；
根据解析的所述请求条件向全部单元计算机发送请求条件，另外接收来自对该条件不适合单元计算机的不适合状态的回信，从所述全部单元计算机中检出除去所述不适合单元计算机以外的成为对应所述请求条件的处理对象的单元计算机的请求条件处理对象单元检出部；
仅对所述检出的所述处理对象单元计算机继续执行其以后的检索动作，从所述处理对象单元计算机接收检索回答，根据接收的所述检索回答进行检索结果的解析的检索收发部；
根据经解析的所述检索结果进行语义理解和信息生成来生成新信息的语义理解/信息生成部；
将生成的新信息变换成所请求的输出形式的输出信息变换部；
基于所述生成的所述新信息，可顺序更新地存储有语义连接的连接终点的单元计算机地址的单元连接终点地址存储部；以及
将所述生成的新信息以请求的输出形式输出的回答输出部。
7.如权利要求5所述的计算机系统，其特征在于所述多个单元计算机中设有：
对应于所述中央管理计算机向全部单元计算机同时被发送的请求条件，用连接终点的单元计算机是否存在的判断信息判断本单元计算机是否成为处理对象的请求条件处理对象判断部；
对于所述请求条件本单元计算机不适合时将不适合状态信息回信给中央管理计算机，而对于所述请求条件本单元计算机处于处理对象状态时将处理对象状态与连接终点的单元计算机联络的不适合回信/连接终点单元联络部；
对于所述请求条件本单元计算机成为处理对象时，接收来自所述中央管理计算机的检索信息的检索接收部；
按照所述请求条件检索与本单元计算机有信息连接的连接终点的其它单元计算机，并用所述连接终点的单元计算机的信息判断能否按每个所述请求条件进行基于检索信息的检索的连接终点判断部；
将所进行的所述检索的回答回信给所述中央管理计算机的检索回答部；
可顺序更新地存储基于所述检索信息和检索的回答而获得的知识的知识存储部；以及
可顺序更新地存储与所述获得的知识对应的连接终点的单元计算机的连接终点单元存储部。
8.如权利要求7所述的计算机系统，其特征在于：
所述连接终点判断部中设有搜索所述请求条件的结构为步骤数N的通路的步骤数N搜索装置，搜索所述请求条件的结构为树状通路的树状通路搜索装置，其中N为自然数，以及搜索所述请求条件的结构为环状通路的环状通路搜索装置，进行与所述请求条件的结构对应的连接判断。
9.一种信息生成方法，采用中央管理计算机与多个单元计算机可通信地连接而成的计算机系统，其特征在于：
所述中央管理计算机在动作前仅存储所述多个单元计算机的地址，可对所述多个单元计算机输入问题，并可输出对于问题的回答；
所述多个单元计算机逐个存储了为表示各个知识和其连接终点的知识而结构化的知识，同时存储有各知识的语义关系的连接终点的信息；
其中包括：若有问题输入则从所述中央管理计算机向全部的上述多个单元计算机发送问题的步骤；
作为前提动作，基于所述多个单元计算机各自拥有的知识的对应于所述问题的语义关系的连接信息使状态变化到处理对象状态或不适合状态的步骤；
对于所述问题，无语义关系连接的单元计算机成为不适合状态并将关于不适合状态的信息回信给所述中央管理计算机，只有存在语义关系的连接的单元计算机成为处理对象状态，并回答所述中央管理计算机的步骤；
所述中央管理计算机仅对处理对象状态的单元计算机继续输出问题的步骤；以及
通过解析和语义理解来自所述处理对象状态的单元计算机的回答来生成新信息，将生成的新信息变换成与问题对应并作为回答输出的步骤。
10.如权利要求9所述的信息生成方法，其特征在于：
所述中央管理计算机具备，
问题输入到问题输入部时，由请求条件解析部解析输入的问题的条件的步骤；
基于已解析的所述请求条件由请求条件处理对象单元检出部向全部单元计算机发送所述请求条件，并接收来自对该条件不适合单元计算机的不适合状态的回信，从所述全部单元计算机中检出除去了所述不适合单元计算机的成为对应于请求条件的处理对象的单元计算机的步骤；
用检索收发部仅对检出的所述处理对象单元计算机继续执行其后的检索动作，并从所述处理对象单元计算机接收检索回答的步骤；
基于接收到的所述检索回答由检索结果解析部进行检索结果解析的步骤；
由语义理解/信息生成部根据经解析的所述检索结果进行语义理解和信息生成，以生成新信息的步骤；
由输出信息变换部将生成的所述新信息变换成所请求的输出形式的步骤；
基于生成的所述新信息，可顺序更新地向单元连接终点地址存储部存储有语义连接的连接终点的单元计算机地址的步骤；
用回答输出部将生成的所述新信息以请求的输出形式输出的步骤。
11.如权利要求9所述的信息生成方法，其特征在于所述多个单元计算机具备：
由请求条件处理对象判断部利用是否存在连接终点的单元计算机的判断信息来判断对于所述中央管理计算机向全部单元计算机同时发送的请求条件本单元计算机是否成为处理对象的步骤；
对于所述请求条件本单元计算机不适合时，将关于不适合状态的信息回信给所述中央管理计算机，而对于所述请求条件本单元计算机成为处理对象时，由不适合回信/连接终点单元联络部将处理对象状态与连接终点的单元计算机联络的步骤；
对于所述请求条件本单元计算机成为处理对象时，由检索接收部接收来自所述中央管理计算机的检索信息的步骤；
按照所述请求条件检索到本单元计算机有信息连接的连接终点的其它单元计算机，由连接终点判断部用所述连接终点的单元计算机信息判断能否按每个所述请求条件进行基于所述检索信息的检索的步骤；
由检索回答部向所述中央管理计算机回信已作的所述检索的回答的步骤；
可顺序更新地向知识存储部存储基于所述检索信息和检索的回答而获得的知识的步骤；
可顺序更新地向连接终点单元存储部存储与所述获得的知识对应的连接终点的单元计算机的步骤。
12.如权利要求11所述的信息生成方法，其特征在于：
所述连接终点判断部的判断步骤中包括，
在搜索基于请求条件的结构的连接判断中的步骤数N的通路的动作中，包含本单元计算机在内以节点数N判断连接终点的单元计算机是否存在的步骤，其中N为自然数；
基于在节点数N上连接终点的单元计算机存在的信息，将包含本单元计算机的节点数N判断为处于处理对象状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到处理对象状态的步骤；
基于在节点数N上没有连接终点的单元计算机的信息，判断包括本单元计算机在内的其它节点数处于不适合状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态；同时，将不适合状态与所述中央管理计算机进行联络。
13.如权利要求11所述的信息生成方法，其特征在于包括：
所述连接终点判断部的判断步骤，在搜索基于请求条件结构的连接判断中的树状通路的动作中，搜索包括本单元计算机在内的成为树状的连接终点的单元计算机时，
判断包括本单元计算机在内成为树状的连接终点的单元计算机是否为端，此时，顺序地判断端的连接终点的单元计算机也是端，将成为树状的连接终点的所有单元计算机判断成端的步骤；
基于成为树状的连接终点的所有单元计算机为端的信息，判断端处于处理对象状态，将成为树状的连接终点的所有单元计算机判断为处于处理对象状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到处理对象状态的步骤；
判断除处理对象状态的成为树状的连接终点的单元计算机以外、剩下的成为环状的连接终点的所有单元计算机处于不适合状态，经由所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态，同时，将不适合状态与所述中央管理计算机进行联络。
14.如权利要求11所述的信息生成方法，其特征在于包括：
所述连接终点判断部的判断步骤，在搜索基于请求条件的结构的连接判断中的环状通路的动作中，搜索包含本单元计算机在内成为环状的连接终点的单元计算机时，
判断包含本单元计算机在内成为树状的连接终点的单元计算机是否为端，此时，连接终点依次判断端的连接终点的单元计算机也不属于环，因此将成为树状的连接终点的所有单元计算机判断为不属于环的步骤；
基于成为树状的连接终点的所有单元计算机为端的信息，判断端处于不适合状态，并将成为树状的连接终点的所有单元计算机判断为不适合状态，通过所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态，同时将不适合状态与所述中央管理计算机进行联络的步骤；
判断包括本单元计算机在内的节点数N上是否存在连接终点的单元计算机的步骤，其中N为自然数；
除了不适合状态的成为树状的连接终点的单元计算机以外，并进行节点数N的判断，判断剩下的节点数N的成为环状的连接终点的单元计算机处于处理对象状态，通过所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到处理对象状态的步骤；以及
基于节点数N上没有连接终点的单元计算机的信息判断包含本单元计算机在内其它节点数处于不适合状态，通过所述不适合回信/连接终点单元联络部进行联络，以将这些单元转移到不适合状态，同时，将不适合状态与所述中央管理计算机及邻接的单元计算机进行联络的步骤。
CNA2003801059125A 2002-10-18 2003-10-17 基于结构化知识的学习/思考机器和学习/思考方法以及计算机系统和信息生成方法 Pending CN1726508A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP305041/2002 2002-10-18
JP2002305041 2002-10-18

Publications (1)

Publication Number Publication Date
CN1726508A true CN1726508A (zh) 2006-01-25

Family

ID=32105151

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2003801059125A Pending CN1726508A (zh) 2002-10-18 2003-10-17 基于结构化知识的学习/思考机器和学习/思考方法以及计算机系统和信息生成方法

Country Status (8)

Country Link
US (1) US20060217818A1 (zh)
EP (1) EP1560158A1 (zh)
JP (1) JPWO2004036497A1 (zh)
KR (1) KR20050062624A (zh)
CN (1) CN1726508A (zh)
AU (1) AU2003277508A1 (zh)
RU (1) RU2005115089A (zh)
WO (1) WO2004036497A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253934A (zh) * 2010-05-18 2011-11-23 邹顺鹏 一种基于双语自动转换的间接形式化方法
WO2012109786A1 (en) * 2011-02-16 2012-08-23 Empire Technology Development Llc Performing queries using semantically restricted relations
CN103000052A (zh) * 2011-09-16 2013-03-27 上海先先信息科技有限公司 人机互动的口语对话系统及其实现方法
CN112740238A (zh) * 2018-09-28 2021-04-30 三菱电机株式会社 推理装置、推理方法和推理程序

Families Citing this family (105)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7013308B1 (en) * 2000-11-28 2006-03-14 Semscript Ltd. Knowledge storage and retrieval system and method
TWI340329B (en) * 2004-10-01 2011-04-11 Inst Information Industry Patent summarization system, method and machine-readable storage medium
JP4547299B2 (ja) * 2005-05-09 2010-09-22 日本電信電話株式会社 反転クエリグラフパターン生成装置、生成方法、生成用プログラム、およびこれらを用いた反転サブグラフ検索装置、検索方法、検索プログラム
US8666928B2 (en) 2005-08-01 2014-03-04 Evi Technologies Limited Knowledge repository
US8818916B2 (en) 2005-10-26 2014-08-26 Cortica, Ltd. System and method for linking multimedia data elements to web pages
US11216498B2 (en) 2005-10-26 2022-01-04 Cortica, Ltd. System and method for generating signatures to three-dimensional multimedia data elements
US10193990B2 (en) 2005-10-26 2019-01-29 Cortica Ltd. System and method for creating user profiles based on multimedia content
US9191626B2 (en) 2005-10-26 2015-11-17 Cortica, Ltd. System and methods thereof for visual analysis of an image on a web-page and matching an advertisement thereto
US10949773B2 (en) 2005-10-26 2021-03-16 Cortica, Ltd. System and methods thereof for recommending tags for multimedia content elements based on context
US10742340B2 (en) 2005-10-26 2020-08-11 Cortica Ltd. System and method for identifying the context of multimedia content elements displayed in a web-page and providing contextual filters respective thereto
US9477658B2 (en) 2005-10-26 2016-10-25 Cortica, Ltd. Systems and method for speech to speech translation using cores of a natural liquid architecture system
US10585934B2 (en) 2005-10-26 2020-03-10 Cortica Ltd. Method and system for populating a concept database with respect to user identifiers
US11604847B2 (en) 2005-10-26 2023-03-14 Cortica Ltd. System and method for overlaying content on a multimedia content element based on user interest
US10180942B2 (en) 2005-10-26 2019-01-15 Cortica Ltd. System and method for generation of concept structures based on sub-concepts
US10380164B2 (en) 2005-10-26 2019-08-13 Cortica, Ltd. System and method for using on-image gestures and multimedia content elements as search queries
US8312031B2 (en) 2005-10-26 2012-11-13 Cortica Ltd. System and method for generation of complex signatures for multimedia data content
US11003706B2 (en) 2005-10-26 2021-05-11 Cortica Ltd System and methods for determining access permissions on personalized clusters of multimedia content elements
US9767143B2 (en) 2005-10-26 2017-09-19 Cortica, Ltd. System and method for caching of concept structures
US8266185B2 (en) 2005-10-26 2012-09-11 Cortica Ltd. System and methods thereof for generation of searchable structures respective of multimedia data content
US11032017B2 (en) 2005-10-26 2021-06-08 Cortica, Ltd. System and method for identifying the context of multimedia content elements
US10621988B2 (en) 2005-10-26 2020-04-14 Cortica Ltd System and method for speech to text translation using cores of a natural liquid architecture system
US10360253B2 (en) 2005-10-26 2019-07-23 Cortica, Ltd. Systems and methods for generation of searchable structures respective of multimedia data content
US10614626B2 (en) 2005-10-26 2020-04-07 Cortica Ltd. System and method for providing augmented reality challenges
US9529984B2 (en) 2005-10-26 2016-12-27 Cortica, Ltd. System and method for verification of user identification based on multimedia content elements
US10698939B2 (en) 2005-10-26 2020-06-30 Cortica Ltd System and method for customizing images
US11019161B2 (en) 2005-10-26 2021-05-25 Cortica, Ltd. System and method for profiling users interest based on multimedia content analysis
US9384196B2 (en) 2005-10-26 2016-07-05 Cortica, Ltd. Signature generation for multimedia deep-content-classification by a large-scale matching system and method thereof
US9953032B2 (en) 2005-10-26 2018-04-24 Cortica, Ltd. System and method for characterization of multimedia content signals using cores of a natural liquid architecture system
US10776585B2 (en) 2005-10-26 2020-09-15 Cortica, Ltd. System and method for recognizing characters in multimedia content
US10191976B2 (en) 2005-10-26 2019-01-29 Cortica, Ltd. System and method of detecting common patterns within unstructured data elements retrieved from big data sources
US9031999B2 (en) 2005-10-26 2015-05-12 Cortica, Ltd. System and methods for generation of a concept based database
US9747420B2 (en) 2005-10-26 2017-08-29 Cortica, Ltd. System and method for diagnosing a patient based on an analysis of multimedia content
US10535192B2 (en) 2005-10-26 2020-01-14 Cortica Ltd. System and method for generating a customized augmented reality environment to a user
US10380267B2 (en) 2005-10-26 2019-08-13 Cortica, Ltd. System and method for tagging multimedia content elements
US9218606B2 (en) 2005-10-26 2015-12-22 Cortica, Ltd. System and method for brand monitoring and trend analysis based on deep-content-classification
US10372746B2 (en) 2005-10-26 2019-08-06 Cortica, Ltd. System and method for searching applications using multimedia content elements
US9646005B2 (en) 2005-10-26 2017-05-09 Cortica, Ltd. System and method for creating a database of multimedia content elements assigned to users
US11403336B2 (en) 2005-10-26 2022-08-02 Cortica Ltd. System and method for removing contextually identical multimedia content elements
US10691642B2 (en) 2005-10-26 2020-06-23 Cortica Ltd System and method for enriching a concept database with homogenous concepts
US11361014B2 (en) 2005-10-26 2022-06-14 Cortica Ltd. System and method for completing a user profile
US10635640B2 (en) 2005-10-26 2020-04-28 Cortica, Ltd. System and method for enriching a concept database
US11386139B2 (en) 2005-10-26 2022-07-12 Cortica Ltd. System and method for generating analytics for entities depicted in multimedia content
US11620327B2 (en) 2005-10-26 2023-04-04 Cortica Ltd System and method for determining a contextual insight and generating an interface with recommendations based thereon
US9372940B2 (en) 2005-10-26 2016-06-21 Cortica, Ltd. Apparatus and method for determining user attention using a deep-content-classification (DCC) system
US10380623B2 (en) 2005-10-26 2019-08-13 Cortica, Ltd. System and method for generating an advertisement effectiveness performance score
US10387914B2 (en) 2005-10-26 2019-08-20 Cortica, Ltd. Method for identification of multimedia content elements and adding advertising content respective thereof
US10607355B2 (en) 2005-10-26 2020-03-31 Cortica, Ltd. Method and system for determining the dimensions of an object shown in a multimedia content item
US10848590B2 (en) 2005-10-26 2020-11-24 Cortica Ltd System and method for determining a contextual insight and providing recommendations based thereon
US8326775B2 (en) * 2005-10-26 2012-12-04 Cortica Ltd. Signature generation for multimedia deep-content-classification by a large-scale matching system and method thereof
JP4958476B2 (ja) * 2006-05-24 2012-06-20 株式会社日立製作所 検索装置
US10733326B2 (en) 2006-10-26 2020-08-04 Cortica Ltd. System and method for identification of inappropriate multimedia content
WO2008120030A1 (en) * 2007-04-02 2008-10-09 Sobha Renaissance Information Latent metonymical analysis and indexing [lmai]
US8838659B2 (en) 2007-10-04 2014-09-16 Amazon Technologies, Inc. Enhanced knowledge repository
US9805089B2 (en) 2009-02-10 2017-10-31 Amazon Technologies, Inc. Local business and product search system and method
US8285664B2 (en) 2009-11-03 2012-10-09 Clausal Computing Oy Semantic network with selective indexing
US9110882B2 (en) 2010-05-14 2015-08-18 Amazon Technologies, Inc. Extracting structured knowledge from unstructured text
US8538915B2 (en) 2010-07-12 2013-09-17 International Business Machines Corporation Unified numerical and semantic analytics system for decision support
RU2449366C1 (ru) * 2011-01-21 2012-04-27 Государственное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) Способ моделирования преднамеренных повреждений элементов сети связи
US9037452B2 (en) * 2012-03-16 2015-05-19 Afrl/Rij Relation topic construction and its application in semantic relation extraction
JP6792831B2 (ja) * 2012-05-08 2020-12-02 Ｌｉｎｆｏｐｓ有限会社 脳型感情表現ロボットの制御方法
JP2013254339A (ja) * 2012-06-06 2013-12-19 Toyota Motor Corp 言語関係判別装置、言語関係判別プログラム、言語関係判別方法
US9959317B2 (en) 2014-03-05 2018-05-01 Empire Technology Development Llc Semantic data generation
JP6466138B2 (ja) * 2014-11-04 2019-02-06 株式会社東芝 外国語文作成支援装置、方法及びプログラム
US11204929B2 (en) 2014-11-18 2021-12-21 International Business Machines Corporation Evidence aggregation across heterogeneous links for intelligence gathering using a question answering system
US10318870B2 (en) 2014-11-19 2019-06-11 International Business Machines Corporation Grading sources and managing evidence for intelligence analysis
US11244113B2 (en) * 2014-11-19 2022-02-08 International Business Machines Corporation Evaluating evidential links based on corroboration for intelligence analysis
US11836211B2 (en) 2014-11-21 2023-12-05 International Business Machines Corporation Generating additional lines of questioning based on evaluation of a hypothetical link between concept entities in evidential data
KR101636477B1 (ko) * 2014-11-28 2016-07-06 (주)아이와즈 구조화된 지식정보와 문서수집을 이용한 지식확장 및 검증 시스템, 그 방법, 기록매체
DE102016010909A1 (de) * 2015-11-11 2017-05-11 Adobe Systems Incorporated Strukturiertes Modellieren, Extrahieren und Lokalisieren von Wissen aus Bildern
US11195043B2 (en) 2015-12-15 2021-12-07 Cortica, Ltd. System and method for determining common patterns in multimedia content elements based on key points
KR101992399B1 (ko) * 2016-07-05 2019-06-24 한국전자통신연구원 하이브리드 추론 기반의 자연어 질의응답 시스템 및 그 방법
US11760387B2 (en) 2017-07-05 2023-09-19 AutoBrains Technologies Ltd. Driving policies determination
WO2019012527A1 (en) 2017-07-09 2019-01-17 Cortica Ltd. ORGANIZATION OF DEPTH LEARNING NETWORKS
JP6828823B2 (ja) * 2017-09-15 2021-02-10 日本電気株式会社 知識生成装置、知識生成方法、及びプログラム
JP7021499B2 (ja) * 2017-10-24 2022-02-17 日本電気株式会社 統合データベースシステム、統合管理システム、統合管理方法、および統合管理プログラム
US10846544B2 (en) 2018-07-16 2020-11-24 Cartica Ai Ltd. Transportation prediction system and method
US20200133308A1 (en) 2018-10-18 2020-04-30 Cartica Ai Ltd Vehicle to vehicle (v2v) communication less truck platooning
US10839694B2 (en) 2018-10-18 2020-11-17 Cartica Ai Ltd Blind spot alert
US11181911B2 (en) 2018-10-18 2021-11-23 Cartica Ai Ltd Control transfer of a vehicle
US11126870B2 (en) 2018-10-18 2021-09-21 Cartica Ai Ltd. Method and system for obstacle detection
US10748038B1 (en) 2019-03-31 2020-08-18 Cortica Ltd. Efficient calculation of a robust signature of a media unit
US11126869B2 (en) 2018-10-26 2021-09-21 Cartica Ai Ltd. Tracking after objects
JP7172497B2 (ja) * 2018-11-22 2022-11-16 富士フイルムビジネスイノベーション株式会社 情報処理装置及びプログラム
US10789535B2 (en) 2018-11-26 2020-09-29 Cartica Ai Ltd Detection of road elements
EP3660699A1 (en) * 2018-11-29 2020-06-03 Tata Consultancy Services Limited Method and system to extract domain concepts to create domain dictionaries and ontologies
CN109815343B (zh) * 2019-01-28 2021-01-22 北京百度网讯科技有限公司 获得知识图谱中的数据模型的方法、装置、设备和介质
JP7301547B2 (ja) * 2019-02-08 2023-07-03 本田技研工業株式会社 設計支援装置
US11687795B2 (en) 2019-02-19 2023-06-27 International Business Machines Corporation Machine learning engineering through hybrid knowledge representation
US11643005B2 (en) 2019-02-27 2023-05-09 Autobrains Technologies Ltd Adjusting adjustable headlights of a vehicle
US11285963B2 (en) 2019-03-10 2022-03-29 Cartica Ai Ltd. Driver-based prediction of dangerous events
US11694088B2 (en) 2019-03-13 2023-07-04 Cortica Ltd. Method for object detection using knowledge distillation
US11132548B2 (en) 2019-03-20 2021-09-28 Cortica Ltd. Determining object information that does not explicitly appear in a media unit signature
US11222069B2 (en) 2019-03-31 2022-01-11 Cortica Ltd. Low-power calculation of a signature of a media unit
US10776669B1 (en) 2019-03-31 2020-09-15 Cortica Ltd. Signature generation and object detection that refer to rare scenes
US10796444B1 (en) 2019-03-31 2020-10-06 Cortica Ltd Configuring spanning elements of a signature generator
US10789527B1 (en) 2019-03-31 2020-09-29 Cortica Ltd. Method for object detection using shallow neural networks
CN110632878B (zh) * 2019-10-08 2022-06-28 上海宝阶智能科技有限公司 一种异构嵌入式表格化处理及执行动作流程的方法和装置
US11507828B2 (en) * 2019-10-29 2022-11-22 International Business Machines Corporation Unsupervised hypernym induction machine learning
US11593662B2 (en) 2019-12-12 2023-02-28 Autobrains Technologies Ltd Unsupervised cluster generation
US10748022B1 (en) 2019-12-12 2020-08-18 Cartica Ai Ltd Crowd separation
US20210192372A1 (en) * 2019-12-19 2021-06-24 Electronics And Telecommunications Research Institute Multi-layered knowledge base system and processing method thereof
US11590988B2 (en) 2020-03-19 2023-02-28 Autobrains Technologies Ltd Predictive turning assistant
US11827215B2 (en) 2020-03-31 2023-11-28 AutoBrains Technologies Ltd. Method for training a driving related object detector
US11756424B2 (en) 2020-07-24 2023-09-12 AutoBrains Technologies Ltd. Parking assist
CN113255920B (zh) * 2021-06-29 2021-09-28 中国科学院自动化研究所 基于大数据的动态系统事理灾变因果推断方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08305729A (ja) * 1995-05-10 1996-11-22 Oki Electric Ind Co Ltd ネットワーク情報フィルタリングシステム
JP2000259648A (ja) * 1999-03-05 2000-09-22 Sharp Corp 文章検索装置および方法ならびに文章検索プログラムを記録したコンピュータで読取り可能な記録媒体
JP2002132506A (ja) * 2000-10-30 2002-05-10 Advanced Telecommunication Research Institute International 仮説シミュレーション装置および仮説シミュレーション方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253934A (zh) * 2010-05-18 2011-11-23 邹顺鹏 一种基于双语自动转换的间接形式化方法
WO2012109786A1 (en) * 2011-02-16 2012-08-23 Empire Technology Development Llc Performing queries using semantically restricted relations
CN103380426A (zh) * 2011-02-16 2013-10-30 英派尔科技开发有限公司 利用语义限制关系来执行查询
US9245049B2 (en) 2011-02-16 2016-01-26 Empire Technology Development Llc Performing queries using semantically restricted relations
CN103380426B (zh) * 2011-02-16 2017-09-22 英派尔科技开发有限公司 利用语义限制关系来执行查询
CN103000052A (zh) * 2011-09-16 2013-03-27 上海先先信息科技有限公司 人机互动的口语对话系统及其实现方法
CN112740238A (zh) * 2018-09-28 2021-04-30 三菱电机株式会社 推理装置、推理方法和推理程序

Also Published As

Publication number Publication date
RU2005115089A (ru) 2006-11-20
AU2003277508A1 (en) 2004-05-04
EP1560158A1 (en) 2005-08-03
WO2004036497A1 (ja) 2004-04-29
US20060217818A1 (en) 2006-09-28
KR20050062624A (ko) 2005-06-23
JPWO2004036497A1 (ja) 2006-02-16

Similar Documents

Publication Publication Date Title
CN1726508A (zh) 基于结构化知识的学习/思考机器和学习/思考方法以及计算机系统和信息生成方法
Dimitriadou et al. AIDE: an active learning-based approach for interactive data exploration
Ros et al. A machine learning approach for semi-automated search and selection in literature studies
Yang et al. Deep learning for web services classification
Ciriello et al. AlignNemo: a local network alignment method to integrate homology and topology
CN1145901C (zh) 一种基于信息挖掘的智能决策支持构造方法
CN1176426A (zh) 在数据处理系统中对计算机指令执行排序的方法和装置
CN1882943A (zh) 使用超单元的搜索处理的系统和方法
Othman et al. A genetic similarity algorithm for searching the gene ontology terms and annotating anonymous protein sequences
Zhang et al. Protein complex prediction in large ontology attributed protein-protein interaction networks
JP2018067278A (ja) データプロパティ認識のための装置、方法及びプログラム
Schietgat et al. A machine learning based framework to identify and classify long terminal repeat retrotransposons
Lourenço et al. BioDR: Semantic indexing networks for biomedical document retrieval
Venkatesan et al. Agronomic Linked Data (AgroLD): A knowledge-based system to enable integrative biology in agronomy
EP4078598A1 (en) Protein families map
Lin et al. Comprehensive evaluation of deep and graph learning on drug–drug interactions prediction
Xu et al. Learning to refine expansion terms for biomedical information retrieval using semantic resources
Zhang et al. Construction of ontology augmented networks for protein complex prediction
Glauer et al. Interpretable ontology extension in chemistry
Huang et al. Deep entity matching with adversarial active learning
Lopez et al. Identification of bioprivileged molecules: expansion of a computational approach to broader molecular space
Bhutani et al. Exploiting structure in representation of named entities using active learning
Chen et al. LinkingPark: An automatic semantic table interpretation system
Xu et al. Protein complex identification by integrating protein-protein interaction evidence from multiple sources
Polavarapu et al. Investigation into biomedical literature classification using support vector machines

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20060125