CN105095969B - 面向共享知识的自主学习模型的装置 - Google Patents

Abstract

本发明公开了一种面向共享知识的自主学习模型的装置，包括知识库，用于存放与Agent所提供服务相关的领域知识；知识接口、消息接口和环境接口；冗余处理模块，用来消除知识之间存在的冗余内容；冲突处理模块，用来消除不同知识之间的冲突内容；定位处理模块，用来为知识在知识库中找到合适的位置；关联处理模块，用于为新知识找到相似知识点，同时建立相似知识点之间的关系。本发明根据知识内容和结构的特点，分别实现了知识冗余处理、知识冲突处理、知识定位、知识相似关联等自主学习过程，实现了多网络节点对领域知识的自主更新与演化，解决了网络环境下，多网络节点在知识使用过程中新旧知识融合的一致性问题。

Description

面向共享知识的自主学习模型的装置

技术领域

本发明涉及计算机工程领域，具体涉及一种面向共享知识的自主学习模型的装置。

背景技术

随着互联网特别是移动互联网的快速发展，网络已经成为人们学习知识、分享知识的最重要平台。在网络中，知识通常是以行业领域来划分的，知识结构呈现相同领域聚集，不同领域零散关联的形态，领域内的专家经验、技能、管理素质构成的知识框架成为领域知识的核心，所以领域知识存在共通性。然而，对于网络中的分布式网络节点来说，领域知识是共享在知识库中的，每个网络上的节点都可以实时使用、修改、添加、删除领域知识，而这样的操作会直接影响其他节点下一次使用知识过程，降低了共享知识的可信度，这主要是由于新旧知识在融合过程存在信息维护一致性问题。现有的方法，主要从信息符号本身研究信息一致性，没有考虑到领域知识内部存在的知识语义关联。

要使计算机具有知识、能够处理知识，首先就必须解决知识表示的问题。目前，最常用到的知识表示包括谓词逻辑、产生式、语义网、框架等。但是，一阶逻辑谓词的表达能力是有限的，归纳结构的知识，多层次的知识类型都难以用一阶逻辑来描述。产生式表示的主要缺点是求解效率低，不能表示结构性的知识，产生式表示的知识有一定的格式，且规则之间不能直接调用，因此那些具有结构关系或层次关系的知识不易用它表示出来。框架知识表示方法最主要的问题是缺乏形式理论，没有明确的推理机制保证问题求解的可行性，同时框架系统中各个子框架的数据结构不一致就会影响系统的清晰性，造成推理困难。语义网结构性好，可以把事物的属性以及事物间的各种语义联系显式的表现出来，是一种结构化的知识表示法，但语义网络的推理规则不十分明白，表达范围有限，一旦节点个数太多，网络结构复杂，推理就难以进行。除了知识表示外，针对知识的自主学习方法也是重要的组成部分。解释学习在经验学习的基础上，运用领域知识对单个例子的问题求解做出解释，通过一种关于知识间因果关系的推理分析，可产生一般的控制策略，但领域知识的完整、正确对解释学习非常重要。只有完整、正确的领域知识才有可能产生正确的解释描述，而实际问题中不完善可能出现构造不出解释或构造出多种解释的情况。实例学习是典型的归纳学习，基于环境提供的大量特殊的实例，通过对事先标注的包含正例，反例的示教例子的分析，进行归纳推理，得到一般的规则。但实例空间的例子的质量是非常重要的，低质量的示教例子会引起互相矛盾的解释，其结果仅为规则空间的搜索提供试探性的指导，有时甚至会诱导出错误的结论，得到错误的结果。在多节点网络环境下，资源和计算能力是有限的，采用何种策略是自身利益最大化是需要研究的重要问题，同时环境具有实时、动态和观察信息不完全等特征，一成不变的策略算法很难适应复杂环境，因此很多方法通过引入Agent学习机制获得最有利的行动策略。但已有的工作多从单Agent角度出发，以博弈论的效用理论为工具，对不同的环境假设选取合适的研究方向，并且没有考虑Agent的角色差别。

发明内容

为解决上述问题，本发明提供了一种面向共享知识的自主学习模型的装置，根据知识内容和结构的特点，分别实现了知识冗余处理、知识冲突处理、知识定位、知识相似关联等自主学习过程，实现了多网络节点对领域知识的自主更新与演化，解决了网络环境下，多网络节点在知识使用过程中新旧知识融合的一致性问题。

为实现上述目的，本发明采取的技术方案为：

面向共享知识的自主学习模型的装置，包括

知识库，用于存放与Agent所提供服务相关的领域知识，知识库在形态上是多Agent共享，知识更新过程是动态的，支持不同Agent对知识库的实时冗余处理；

接口，包括

知识接口，用来建立与知识库之间的知识访问通道，Agent通过知识接口调取和更新知识；

消息接口，用来接收其他Agent发送过来的消息，Agent本身也可以通过消息接口向其他Agent发出信息；

环境接口，用来感知环境中的数据信息；

冗余处理模块，用来消除Agent在根据服务需求调取知识库中的知识来执行服务时产生新的知识之间存在的冗余内容；

冲突处理模块，在知识学习过程中，知识库的内容更新要遵循“知识无冲突原则”，用来消除不同知识之间的冲突内容；

定位处理模块，对于本体知识库，知识是具有一定层次的，知识更新需要定位知识的具体位置，用来为知识在知识库中找到合适的位置；

关联处理模块，知识在知识库中不是孤立存在的，不同知识之间存在显性或隐性的关系，用于为新知识找到相似知识点，同时建立相似知识点之间的关系。

其中，所述冗余处理模块采用分层冗余处理，具体包括：首先根据知识源k找到Agent集合Ag中需要使用知识的Agent子集Ag’，Ag’以队列形式存在，每次取出Ag’集合中的前两个Agent个体(ag1，ag2)，利用ag1.use(k)和ag2.use(k)函数分别产生新知识k₁和k₂，最后分别对[k₁，k₂]，[(k₁，k₂)，k]和[[(k₁，k₂)，k]，K]进行分层冗余处理，将处理后的新知识融入到最终的知识集合K中，完成知识冗余处理过程。

其中，所述冗余处理由redundancy函数，在redundancy函数中，分别将k₁和k₂中的知识元素取出e₁和e₂，然将e₁和e₂中的X，Y以及关系R取出进行比较并做merge处理，merge处理具体包括：分别对比xe₁，xe₂，ye₁，ye₂，将具有相同内容的元素项删除，并保留原有关系r值，将关系与未被删除项合并。

其中，不同知识之间的冲突包括服务环境与现有知识之间存在冲突。主要是指知识不能满足Agent从当前环境状态向目标环境状态转换的条件需求Agent行为能力与知识之间存在冲突，主要是指知识不能作为Agent执行行为的前提条件。

其中，所述冲突处理模块采用EKA算法和AKF算法。

其中，在EFA算法中，我们首先要得到ag_i对应当前环境s_i以及目标环境t_i中所涉及的全部概念和实例，形成概念集合C_i和实例集合I_i，然后按顺序从知识集合K中依此取出知识元素k，将k中的概念和实例信息取出，形成概念集合C_K和实例集合I_K，进而可以判断：

(1)如果且成立，则证明k对于ag_i的当前服务环境来说是无用的，知识子集k是可以被过滤的；

(2)而如果或成立，则证明k对于ag_i的当前服务任务t_i来说是有用的，知识子集k应该保留。

其中，所述定位处理模块基于刻面技术来实现知识定位，通过计算不同知识术语间的刻面距离来准确定位知识；在定位知识点时，在已知刻面的约束下选择相应的术语，以此来完成对所需知识的描述，如果选择成功，则返回相应的知识；如果选择不成功，则系统将根据同义词词典和概念距离图计算术语的相似性，形成新的定位信息，找出的知识将根据相似性程度排序。

其中，所述关联处理模块通过计算两个知识点之间的相似程度进行关联。

本发明具有以下有益效果：

应用本发明所提出的共享型领域知识自主学习过程，产生的新知识可信度明显高于现有知识融合过程，可以达到以下两个方面的效果：

1、当网络中使用知识的网络节点数确定时，通过对网络节点进行角色分级，高级别的节点对知识的可操作程度更高，这样可以降低新旧知识融合过程中所产生的知识冲突率。

2、当网络中的知识集合较大时(例如一个集合中的概念节点超过1000个是)，本方法可以通过增加概念推理规则的方式，减少或消除不确定节点间的匹配次数，进而来减少知识相似匹配所耗费的计算资源。

附图说明

图1为本发明实施例面向共享知识的自主学习模型的装置的结构框图。

图2为本发明实施例中分层知识冗余处理过程。

图3为本发明实施例中HRP算法流程图。

图4为本发明实施例中redundancy函数运行过程。

图5为本发明实施例中merge函数运行过程。

图6为为本发明实施例中R取值分类。

具体实施方式

为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种面向共享知识的自主学习模型的装置，包括

知识库，用于存放与Agent所提供服务相关的领域知识，知识库在形态上是多Agent共享，知识更新过程是动态的，支持不同Agent对知识库的实时冗余处理；

接口，包括

知识接口，用来建立与知识库之间的知识访问通道，Agent通过知识接口调取和更新知识；

消息接口，用来接收其他Agent发送过来的消息，Agent本身也可以通过消息接口向其他Agent发出信息；

环境接口，用来感知环境中的数据信息；

冗余处理模块，用来消除Agent在根据服务需求调取知识库中的知识来执行服务时产生新的知识之间存在的冗余内容；

冲突处理模块，在知识学习过程中，知识库的内容更新要遵循“知识无冲突原则”，用来消除不同知识之间的冲突内容；

定位处理模块，对于本体知识库，知识是具有一定层次的，知识更新需要定位知识的具体位置，用来为知识在知识库中找到合适的位置；

关联处理模块，知识在知识库中不是孤立存在的，不同知识之间存在显性或隐性的关系，用于为新知识找到相似知识点，同时建立相似知识点之间的关系。

具体的

知识冗余处理

假设领域知识集合K＝(C_K，I_K，R_K)，可以用本体集合的形式表示，K＝{(x，r，y)|x，y∈C_K∪I_K，r∈R_K}，其中C_K表示领域知识本体中的概念元素集合，IK表示领域知识本体中的实例集合，RK表示领域知识本体中的关系集合。Agent集合表示为Ag＝{ag_i|i＝1，2，...，n}。

Agent对知识的使用过程可以用函数use表示：use：K→K′。其中K’表示Agent在知识集合K的基础上产生的新知识集合，对于ag.use(k)＝k′。

新知识的产生会导致出现知识冗余问题，这里先设定ag_i和ag_j为Ag集合中的两个不同Agent个体，并且ag_i和ag_j同时利用use函数使用了领域知识集合K中的知识点k分别产生了新知识点k_i和k_j，getC(k)函数用来获取知识点k中的概念集合，getI(k)函数用来获取知识点k中的实例集合。这里分几种情况讨论知识冗余问题：

定理1

k_i与k_j存在知识冗余。若term1：ag_i.use(k)＝k_i、term2：ag_i.use(k)＝k_j、term3：getC(k_i)∩getC(k_j)≠φ或getI(k_i)∩getI(k_j)≠φ成立，则term1∧term2∧term3→k_i和k_j存在知识冗余。

定理2

在定理1不成立的前提下，k_i或k_j与k存在知识冗余。若term1：ag_i.use(k)＝k_i，且term2：ag_i.use(k)＝k_j，且term3：getC(k)∩getC(k_i)≠φ或getC(k)∩getC(k_j)≠φ或getI(k)∩getI(k_i)≠φ或getI(k)∩getI(k_j)≠φ成立，则term1∧term2∧term3→k_i、k_j与k存在知识冗余。

定理3

在定理1不成立的前提下，k_i或k_j与知识集合K存在知识冗余。若term1：ag_i.use(k)＝k_i，且term2：ag_i.use(k)＝k_j，且term3：C_K∩getC(k_i)≠φ或C_K∩getC(k_j)≠φ或C_I∩getI(k_i)≠φ或C_I∩getI(k_j)≠φ成立，则term1∧term2∧term3→k_i、k_j与知识集合K存在冗余。

由于新知识是在Agent服务过程中产生的，其准确性和可用性都处于不确定的状态，因此本着保护原有知识库的原则，知识冗余处理方法应该最大程度的减少对原有知识的破坏，所以本文提出分层冗余处理的方法：首先将所有的新生成的知识冗余处理，然后将处理后的知识k_i与源知识k进行冗余处理，最后再与知识集合K进行冗余处理。这样的分层设计可以最大避免对原始的破坏，并在一定程度上保证知识的完备性，如图2所示。

冗余处理采用分层冗余处理算法HRP，图3所示，首先根据知识源k找到Agent集合Ag中需要使用知识的Agent子集Ag’，Ag’以队列形式存在，每次取出Ag’集合中的前两个Agent个体(ag1，ag2)，利用ag1.use(k)和ag2.use(k)函数分别产生新知识k₁和k₂，最后分别对[k₁，k₂]，[(k₁，k₂)，k]和[[(k₁，k₂)，k]，K]进行分层冗余处理，将处理后的新知识融入到最终的知识集合K中，完成知识冗余处理过程。

其中，算法HRP的冗余处理过程是由redundancy函数实现的，该函数用来消除两个不同的知识点之间存在的冗余内容知识。在redundancy函数中，分别将k₁和k₂中的知识元素取出e₁和e₂，然将e₁和e₂中的X，Y以及关系R取出进行比较并做merge处理。方法操作过程如图4所示，而merge方法的具体内容如函数merge所示。在函数merge中，分别对比xe₁，xe₂，ye₁，ye₂，将具有相同内容的元素项删除，并保留原有关系r值，将关系与未被删除项合并。具体操作过如图5所示。经过知识冗余处理，可以将不同知识集合中的冗余内容去除，同时利用分层冗余处理的方法可以最大程度减少对原有知识的破坏。

知识冲突处理

对于Agent来说，其在运行期间产生的知识具有偶然性，由于服务过程需要知识的指导来完成，因此这种偶然性会使知识在内容上与服务过程存在冲突，这会导致Agent无法完成服务任务，造成系统的执行效率下降和资源浪费。因此在Agent确定进行知识学习之前，应该根据当前的环境状态、服务目标、以及Agent能力来确定一个知识有效范围，即对知识进行冲突处理，这主要包含两个方面的工作：

(1)服务环境与现有知识之间存在冲突。主要是指知识不能满足Agent从当前环境状态向目标环境状态转换的条件需求。

(2)Agent行为能力与知识之间存在冲突。主要是指知识不能作为Agent执行行为的前提条件。

这里，本文假设环境集合E＝{e_i|i＝0，1，...}，其中表示环境的一个环境状态片段；Ag＝{ag_i|i＝1，2，...，n}表示环境中存在的Agent集合；T(e)＝{t_i|i＝1，2，...，n}表示在环境状态e下，Agent的服务任务集合，其中ag_i对应完成任务t_i；K＝{k_i|i＝0，1，2，...}表示环境中可用的知识集合。

为了简化算法的描述，这里将当前环境状态设为e₀(e₀∈E)，其中：

每个s_i都对应ag_i的当前可理解、可处理的环境状态子信息；将目标环境状态设为e_t(e_t∈E)，其中：

而t_i是服务任务集合中的元素。

对于如何确定知识范围的问题，本文以Ag集合中任意一个Agent(ag_i)为研究对象，首先计算其在s_i→t_i转换的过程中所需的知识范围。假设s_i＝{(x，r，y)|x，y∈C_e0∪I_e0，r∈R_e0}，C_e0为环境状态e₀的概念集合，I_e0为环境状态e₀的实例集合，R_e0为环境状态e₀的关系集合。t_i＝{(x，r，y)|x，y∈C_et∪I_et，r∈R_et}，C_et为环境状态e_t的概念集合，I_et为环境状态e_t的实例集合，R_et为环境状态e_t的关系集合。

所以为了实现知识冲突处理，本文针对上面的问题分别给出两种过滤方法：EKA(Environment Knowledge Filter)和AKF(Ability Knowledge Filter)，分别解决环境与知识之间存在冲突以及Agent行为能力与知识之间存在冲突问题。对于环境与现有知识之间存在冲突，指知识集合K中的一些知识子集所包含的概念或实例信息无法满足本次服务环境对概念和实例的要求，即当前环境或目标环境中有一些概念和实例在知识子集中不存在，这样的任务是无法在该环境下完成的，因此在Agent执行任务之前，需要将这类知识过滤。

在EFA算法中，我们首先要得到ag_i对应当前环境s_i以及目标环境t_i中所涉及的全部概念和实例，形成概念集合C_i和实例集合I_i，然后按顺序从知识集合K中依此取出知识元素k，将k中的概念和实例信息取出，形成概念集合C_K和实例集合I_K，进而可以判断：

(1)如果且成立，则证明k对于ag_i的当前服务环境来说是无用的，知识子集k是可以被过滤的。

(2)而如果或成立，则证明k对于ag_i的当前服务任务t_i来说是有用的，知识子集k应该保留。

对于Agent行为能力与知识之间存在冲突，主要是指Agent在当前环境状态下，无论如何组织动作，都无法达到目标环境状态，这样的知识对于Agent本次服务过程是没有指导价值的，因此这类知识可以被过滤。假设与ag_i对应的动作集合Ac＝{ac_i|i＝1，2，...，}，其形式可以表示为ac＝(p，p′)，其中p＝(x，r，y)表示动作执行前的状态，p′＝(x′，r′，y′)表示动作执行后的状态；则可以得到：

表示ag_i的动作序列，K表示知识集合，这个过程证明了ag_i在s_i环境状态下，可以通过动作序列和知识集合K的引导可以达到目标t_i。因此可以根据这原理给出AKF算法的执行过程，如图5.12所示。

AFA算法的主要作用是检验一个Agent(ag_i)是否能在当前环境状态(s_i∈e₀)和知识内容下完成指定的目标(t_i∈T)，这需要结合根据Agent动作信息进行判断。根据前面的内容可知，动作ac是一个包含前项状态和后项状态的偏序对，如果在动作序列在知识的指导下无法从当前环境状态达到目标环境状态，那么这个动作序列是无效的，所以对应的知识需要被过滤。

知识类型定位

利用知识过滤方法，可以将Agent在本次任务中不相关的知识过滤掉。而如果Agent想使用知识，首先就需要对知识进行准确的定位，找到核心知识。这里本文提出基于刻面技术来实现知识定位，通过计算不同知识术语间的刻面距离来准确定位知识。在定位知识点时，在已知刻面的约束下选择相应的术语，以此来完成对所需知识的描述，如果选择成功，则返回相应的知识；如果选择不成功，则系统将根据同义词词典和概念距离图计算术语的相似性，形成新的定位信息，找出的知识将根据相似性程度排序。

对于第一次的知识定位，匹配操作的作用范围被限定在已知刻面术语集合之内，降低了知识定位检索灵活性和选择自由度，大部分的用户需要经过第二次的近似匹配才能完成知识定位操作，这样做不仅耗时，而且成功找到需求的构件的机率也并不高。因此，本文将研究的重点放在提高第一次的成功率上。具体的算法实现如下。

设一个已知知识点c，可由刻面集合表示为其中表示每个刻面对应一个术语集合，表示每个术语对应一个同义词集合。这里n表示一个大于0的自然数。因为刻面是由术语构成的，所以刻面距离从微观角度来看，就等于该刻面的术语距离总和，因此在介绍算法之前还要定义三个距离概念：

定义1

术语距离D_T(T₁，T₂)，表示任意两个术语之间的距离。

定义2

刻面距离D_F(F₁，F₂)，表示任意两个刻面之间的距离。其中：

定义3

知识距离D_K(C₁，C₂)，表示任意两个知识点之间的距离。其中：

其中，距离是一个直观上的理解，而在实际的操作中，将这个距离定义为把术语T₁转换为术语T₂所需要做的最小操作次数。本文规定，在转换术语时可以用到三个操作：替换、删除和插入，因此计算术语距离的D_T(s，t)函数可以用来表示把术语s转换成术语t，所用到的替换、删除和插入操作的最少使用次数。通过分析可以判断，术语s无论怎样都可以转换为术语t，因为在极端条件下，可以删除术语s的全部字符，然后按照正确的次序插入术语t的字符，因此D_T(s，t)≤|s|+|t|。

根据前面的定义，术语距离D_T可以表示为：D_T(s：[0...i]，t[0...j])＝d_i，j，即D_T(s，t)＝d_{|a|-1，|t|-1}，其中|s|、|t|分别表示术语s和术语t的长度。现在需要计算d_i，j，即s[0...i]和t[0...j]的距离。从微观距离矩阵上分析，从术语s和术语t的结尾处开始，将s[0...i]的最后一个字符s[i]转换为t[0...j]的最后一个字符t[j]，这里有三种可以使用的操作：

(1)R操作：用t[j]取代s[i]，把s[0...i-1]转化为t[0...j-1]。这种做法最多需要d_i-1，j-1+1个操作；

(2)D操作：删除s[i]，把s[0...i-1]转化为t[0...j]。这种做法最多需要d_i-1，j+1个操作；

(3)I操作：在s[0...i]的最后插入t[j]，把s[0...i]转化为t[0...j-1]。这种做法最多需要d_i，j-1+1个操作。

另一种情况是，如果s[i]和t[j]是同一字符，则不需要进行替换操作，用t[j]取代s[i]，然后需要d_i-1，j-1个步骤把s[0...i-1]转化为t[0...j-1]，就可以把s[0...i]转化为t[0...j]。所以，把s[0...i]转化为t[0...j]最多需要min个步骤，其中min如下表示：

该公式包括了把s[i]转化为t[j]的所有可能，d_i，j的值能通过d_i-1，j-1、d_i-1，j和d_i，j-1的值来计算。根据包含这些值的微观距离矩阵，表中的第(i，j)单元能通过它的三个相邻单元进行计算来得到：左边的单元(i-1，j)，左上角的单元(i-1，j-1)和上面的单元(i，j-1)。可见从矩阵的左上角开始向下计算，可以得出表中的所有值。当找到了最短刻面距离，就表示知识定位成功。

知识相似关联

在对知识定位之后，需要根据知识之间的相似性，建立不同知识点之间的关联关系。本文这里首先设定D(k)值来表示一个知识集合k(k∈K)的度，即D(k)的值表示知识集合k中含有的元素数量，对应到领域本体模型中，D(k)的值表示知识集合k所对应的本体模型所包含的二元关系数量。例如，对于任务k＝{k₁，k₂，...，k_n|k_n＝(x_n，r_n，y_n)}来说，D(k)＝n。建立不同知识点间的关系过程中，最为重要的环节是判断两类知识点十分存在相似性，因此本文给出计算知识点相似度的方法。

相似度计算是用来判断两个本体集合的相似程度，在本章中该计算方法主要是计算两个知识点之间的相似程度。设similarity(k，k’)来表示知识集合k和k’之间的相似程度，为了计算该值，这里给出计算集合相似度的相似计算矩阵：R(k，k’)。

设|k|＝|{a₁，a₂，...，a_m|a_i＝(x_i，r_i，y_i)}|＝m，即k中包含m个知识元素，而|k′|＝|{b₁′，b₂′，...，b′_n|b_j＝{x_j，r_j，y_j)}|＝n，即k’中包含n个环境状态信息。这里给出r_ij的取值方法，对于

由此可见，当矩阵R(k，k’)中的1越多，则证明两类知识点内容越相似，为了计算方便，我们设|R(k，k’)|来表示矩阵R(k，k’)中r_ij值为1的数量，可以得到：

这样根据similarity(k，k’)的含义，可以给出具体的表达式：

由公式可知，similarity(k，k’)的值在[0，1]之间，当similarity(k，k’)值趋向于0，则表示k和k’不相似，当similarity(k，k’)值越趋向于1，则表示k和k’越相似。因此，知识关联过程是在利用知识点k在知识库K中找到最相似的知识点k’，并建立k与k’之间的关联，这个过程可以表示为公式5.15，即对于知识点k，其相似知识为：

即当similarity(k，k’)值达到最大时，便找到了最相似的知识点。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.面向共享知识的自主学习模型的装置，其特征在于，包括

知识库，用于存放与Agent所提供服务相关的领域知识，知识库在形态上是多Agent共享，知识更新过程是动态的，支持不同Agent对知识库的实时冗余处理；

接口，包括

知识接口，用来建立与知识库之间的知识访问通道，Agent通过知识接口调取和更新知识；

消息接口，用来接收其他Agent发送过来的消息，Agent本身也可以通过消息接口向其他Agent发出信息；

环境接口，用来感知环境中的数据信息；

冗余处理模块，用来消除Agent在根据服务需求调取知识库中的知识来执行服务时产生新的知识之间存在的冗余内容；

冲突处理模块，用来消除不同知识之间的冲突内容；

定位处理模块，用来为知识在知识库中找到合适的位置；

关联处理模块，用于为新知识找到相似知识点，同时建立相似知识点之间的关系。

2.根据权利要求1所述的面向共享知识的自主学习模型的装置，其特征在于，所述冗余处理模块采用分层冗余处理，具体包括：首先根据知识源k找到Agent集合Ag中需要使用知识的Agent子集Ag’，Ag’以队列形式存在，每次取出Ag’集合中的前两个Agent个体(ag1，ag2)，利用ag1.use(k)和ag2.use(k)函数分别产生新知识k₁和k₂，最后分别对[k₁，k₂]，[(k₁，k₂)，k]和[[(k₁，k₂)，k]，K]进行分层冗余处理，将处理后的新知识融入到最终的知识集合K中，完成知识冗余处理过程。

3.根据权利要求1所述的面向共享知识的自主学习模型的装置，其特征在于，所述冗余处理由redundancy函数，在redundancy函数中，分别将k₁和k₂中的知识元素取出e₁和e₂，然将e₁和e₂中的X，Y以及关系R取出进行比较并做merge处理，merge处理具体包括：分别对比xe₁，xe₂，ye₁，ye₂，将具有相同内容的元素项删除，并保留原有关系r值，将关系与未被删除项合并。

4.根据权利要求1所述的面向共享知识的自主学习模型的装置，其特征在于，不同知识之间的冲突包括服务环境与现有知识之间存在冲突和Agent行为能力与知识之间存在冲突。

5.根据权利要求1所述的面向共享知识的自主学习模型的装置，其特征在于，所述冲突处理模块采用EKA算法和AKF算法。

6.根据权利要求5所述的面向共享知识的自主学习模型的装置，其特征在于，

在EFA算法中，我们首先要得到ag_i对应当前环境s_i以及目标环境t_i中所涉及的全部概念和实例，形成概念集合C_i和实例集合I_i，然后按顺序从知识集合K中依此取出知识元素k，将k中的概念和实例信息取出，形成概念集合C_K和实例集合I_K，进而可以判断：

(1)如果且成立，则证明k对于ag_i的当前服务环境来说是无用的，知识子集k是可以被过滤的；

(2)而如果或成立，则证明k对于ag_i的当前服务任务t_i来说是有用的，知识子集k应该保留。

7.根据权利要求1所述的面向共享知识的自主学习模型的装置，其特征在于，所述定位处理模块基于刻面技术来实现知识定位，通过计算不同知识术语间的刻面距离来准确定位知识；在定位知识点时，在已知刻面的约束下选择相应的术语，以此来完成对所需知识的描述，如果选择成功，则返回相应的知识；如果选择不成功，则系统将根据同义词词典和概念距离图计算术语的相似性，形成新的定位信息，找出的知识将根据相似性程度排序。

8.根据权利要求1所述的面向共享知识的自主学习模型的装置，其特征在于，所述关联处理模块通过计算两个知识点之间的相似程度进行关联。