CN115033716B - 一种通用自学习系统及基于通用自学习系统的自学习方法 - Google Patents
一种通用自学习系统及基于通用自学习系统的自学习方法 Download PDFInfo
- Publication number
- CN115033716B CN115033716B CN202210952851.0A CN202210952851A CN115033716B CN 115033716 B CN115033716 B CN 115033716B CN 202210952851 A CN202210952851 A CN 202210952851A CN 115033716 B CN115033716 B CN 115033716B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- inference
- reasoning
- node
- ring
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于通用自学习系统的自学习方法,包括以知识库中的知识为基础,进行推理,生成推理知识;以获取的第n次推理知识为基础,进行推理,获取第n+1次推理知识,持续推理若干轮后,形成推理链条;若根据推理链条推理出来的知识已存在于推理链条之中,则形成推理环。通过一种基于通用自学习系统的自学习方法,可在知识库中构建关于知识的推理环及推理循环,通过动态可持续、具有高活性状态的推理循环,来维持知识库中知识的自洽和活性。
Description
技术领域
本申请涉及人工智能领域,特别是涉及一种通用自学习系统及基于通用自学习系统的自学习方法。
背景技术
目前,在人工智能领域,构建的人工智能系统基本上都是只能应用于某一技术领域,仅能解决某一技术领域的技术问题。而构建一种可不限领域自主学习、可解决多个技术领域技术问题的通用人工智能系统是亟待解决的技术问题。
另,本发明是US9639523B2专利中记载技术方案的改进方案。
作为本发明中解析图、知识图以及概率图的一种实施例,解析图可为词层(wordlayer)、知识图可为实例层(instance layer)以及概率图可为类层或集合层(set layer);作为本发明中解析节点、知识节点以及概率节点的一种实施例,解析节点可为词节点(wordnode),知识节点可为实例节点(instance node),概率节点可为类节点或集合节点(setnode);关于实施例word layer、instance layer、set layer、word node、instance node以及set node的具体内容,可参见US9639523B2中的相关内容。在前案中已公开的相关内容未在本发明中做详细说明,但有简要提及与说明,以保持本发明可脱离前案完整阅读。
发明内容
本发明提供了一种通用自学习系统及基于通用自学习系统的自学习方法,以解决现有技术中的技术问题。
一种基于通用自学习系统的自学习方法,通用自学习系统包括知识库、推理机、判定机,知识库包括若干知识,推理机以知识库中的知识为基础,通过推理生成推理知识,判定机用于校验知识库中的知识,发现和处理存在矛盾的知识;推理机以知识库中的知识为基础,通过推理生成推理知识,包括如下步骤:获取若干知识之间的匹配情况;知识以知识图的形式表示,知识图的基本子图为知识三元组,知识三元组由两个知识节点和连接两个知识节点的知识节点关系线组成;若第一知识三元组的知识节点与第二知识三元组的知识节点具有共同指代关系,则认为第一知识三元组的知识节点与第二知识三元组的知识节点相互匹配;共同指代关系为指向具有相同或等同含义的指代对象的指代关系,包括同义关系、近义关系、整体与部分关系、上位概念与下位概念关系;若两知识存在可相互匹配的内容,则将两知识连接;归纳总结知识库中的知识生成概率规则;基于概率规则以知识库中的知识为基础进行推理,生成推理知识;推理机以知识库中的知识为基础,通过推理生成推理知识,以获取的第n次推理知识为基础,进行推理,获取第n+1次推理知识,持续推理若干轮后,形成推理链条;若根据推理链条推理出来的知识已存在于推理链条之中,则形成推理环;其中,基于知识库中的已有知识对生成的第n+1次推理知识进行校验;若第n+1次推理知识未与原知识库中的已有知识存在矛盾,则以第n+1次推理知识为基础,继续推理;若第n+1次推理知识与原知识库中的已有知识存在矛盾,且存在矛盾知识中的错误知识或正确率更低的知识是第n+1次推理知识中的知识,则造成推理过程的中断;其中,推理环是动态结构;若推理环以外的知识对推理环无干涉,推理环处于稳定状态;若推理环以外的知识可融入推理环,则形成一个包括原推理环中已有知识和新融入知识的新的推理环,推理环变大;若存在推理环以外的知识与原推理环中的部分知识构成一个新的推理环,推理环状态变化待定;若存在推理环以外的知识可使推理环无法继续连接,推理环从环状结构变回推理链条结构。
可选的,一种基于通用自学习系统的自学习方法,若有不存在于原知识库的新知识输入原知识库后,基于不存在于原知识库的新知识,启动推理;若经过预设时间,未出现推理中断的情况,则向知识库输入新的不存在于知识库的新知识以启动新的推理及持续推理;若出现推理过程的中断,将对该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识而获得的推理知识进行处理。
可选的,一种基于通用自学习系统的自学习方法,推理环包括若干节点,节点之间具有连接关系,形成环状结构,节点可被激活;推理机在推理环的连接路径上循环推理时,推理环上的节点将周期性被激活,推理环上节点被激活的动态循环,构成推理循环。
可选的,一种基于通用自学习系统的自学习方法,节点具有状态数值,预设节点状态数值变化情形及对应的节点状态数值变化值,预设节点状态数值变化情形包括:节点每次被激活时,节点的状态数值会增加;每经过预设时长,节点的状态数值将会减少;节点的状态数值可累计减少直至到预设最低值。
可选的,一种基于通用自学习系统的自学习方法,在推理循环的作用下,推理环的状态数值具有稳定不变、稳定增长以及稳定减少三种数值状态中的一种数值状态。
可选的,一种基于通用自学习系统的自学习方法,节点被激活,激活状态会沿节点连接路径从处于激活状态的节点传播至连接路径上的其他节点,以使其他节点被激活,从而提升节点连接路径的状态数值。
可选的,一种基于通用自学习系统的自学习方法,节点状态数值与节点使用优先级存在关联关系,节点状态数值越大与节点使用优先级越高。
可选的,一种基于通用自学习系统的自学习方法,基于知识库中的知识生成推理机。
可选的,一种基于通用自学习系统的自学习方法,推理机的构建包括如下步骤:归纳总结知识库中的知识生成概率规则;基于概率规则以知识库中的知识为基础进行推理,生成推理知识。
可选的,一种基于通用自学习系统的自学习方法,判定机的构建包括如下步骤:基于知识库中的已有知识对待校验知识进行校验,判断待校验知识与原知识库中已有知识的关系;若发现与待校验知识存在矛盾的已有知识,对待校验知识和与待校验知识存在矛盾的已有知识的正确性进行校验;基于的校验结果,将错误知识或正确率更低的知识排出知识库。
一种电子设备,其特征在于包括处理器和存储器,处理器用于读取并执行所述存储器中的执行,以实现一种基于通用自学习系统的自学习方法。
一种计算机可读存储介质,其上存储有计算机程序和/或知识库,其特征在于,所述计算机程序被计算机执行时,实现一种基于通用自学习系统的自学习方法。
本发明提供的上述技术方案与现有技术相比具有如下优点:通过一种基于通用自学习系统的自学习方法,可在知识库中构建关于知识的推理环及推理循环,通过动态可持续、具有高活性状态的推理循环,来维持知识库中知识的自洽和活性。可基于若干推理循环,实现不限领域的自主学习、并解决多个技术领域的技术问题。
附图说明
图1是语句“小明要步行去食堂”的解析图。
图2是解析图转换知识图的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种通用自学习系统,用于实现关于知识的自学习,包括知识库、推理机以及判定机,知识库用于存储知识。推理机用于以知识库中的知识为基础,进行推理,生成推理知识。判定机用于校验知识库中的知识,发现和处理存在矛盾的知识。
知识库中的知识包括存在于原知识库的已有知识和新输入知识库的知识。原知识库为还未新输入知识的知识库。
新输入知识库中的知识与原知识库中已有知识的关系包括新输入知识库中的知识已存在于原知识库中,新输入知识库中的知识未存在于原知识库中,及新输入知识库中的知识与原知识库中已有知识存在矛盾。
推理知识包括不存在于原知识库的新知识和存在于原知识库的已有知识。原知识库为生成推理知识之前的知识库。
进一步,推理机可基于知识库中的知识生成。
一种通用自学习系统的构建方法,包括构建知识库、构建推理机以及构建校验机。知识库的构建方法、推理机的构建方法、校验机的构建方法均可以有多种,如基于专家系统构建、基于机器学习构建、基于神经网络构建,及各种技术路径搭配混合的构建方法。为助于理解本发明,以使对本发明有更深刻、形象的认识,故提供一个用于详细描述通用自学习系统构建方法的具体实施例。该具体实施例仅用于帮助理解本发明的技术构思,用于表示本发明的技术构思是有具体实现技术方案支撑的,该具体实施例不构成对本发明构思的限制。
现提供一实施例对知识库的构建做详细描述。
在本实施例中,知识库中的知识以知识图的形式存储,知识库包括若干知识图。知识图的生成包括如下步骤:
S11给定标准训练集合,标准训练集合包括若干句标准语句。
优选的,标准训练集合包括若干个标准训练文本,标准训练文本包括若干句标准语句,同一个标准训练文本中的部分标准语句之间存在关联关系。
S12预设解析模型将标准语句解析为若干个解析图。
请参见图1,图1是语句“小明要步行去食堂”的解析图。
解析图包括解析节点和解析节点关系线,若两个解析节点之间存在关联关系,解析节点关系线连接该两个解析节点。关联关系包括语义关系、语法关系及其他类型的关联关系,解析节点为一个词语。
S13根据预设规则将解析图转换为知识图。
请参见图2,图2是解析图转换知识图的示意图。
知识图包括知识节点和知识节点关系线,若两个知识节点之间存在关联关系,知识节点关系线连接该两个知识节点。知识节点是词语集合,词语集合包括若干具有共同属性的词语,如水果包括西瓜、橘子、苹果等。
解析图转换为知识图包括解析节点转换为知识节点和解析节点关系线转换为知识节点关系线。解析节点转换为知识节点,即将词语转换为词语集合。词语的属性、词语与词语集合的对应关系及其他信息词语可以基于词典或词库获得,即可基于词典或词库完成解析节点到知识节点的转换。解析节点关系线所表示的关联关系和知识节点关系线所表示的关联关系相同,即可完成解析节点关系线到知识节点关系线的转换,知识节点和对应的解析节点之间具有对应引用关系。
现提供一实施例对推理机的构建做详细描述。
在本实施例中,推理机包括概率规则,推理机可基于概率规则进行推理。推理机的构建包括如下步骤:
S21获取若干知识之间的匹配情况。
具体的,若知识图仅包括两个知识节点和连接两个知识节点的知识节点关系线,则该知识图为知识图的基本子图,称为知识三元组。可以理解,任意知识图都是由一个基本子图(知识三元组)或若干个基本子图(知识三元组)连接组成。
若第一知识三元组的知识节点与第二知识三元组的知识节点具有共同指代关系,则认为第一知识三元组的知识节点与第二知识三元组的知识节点相互匹配。共同指代关系为指向具有相同或等同含义的指代对象的指代关系,包括同义关系、近义关系、整体与部分关系、上位概念与下位概念关系及其他类似关系;可认为具有共同指代关系的词语仅表现形式不同,实质相同或等同,如:手机和移动电话。
若第一知识三元组的知识节点关系线与的第二知识三元组的知识节点关系线所包括的关系类型和关系类型的方向均相同,则认为第一知识三元组的知识节点关系线与的第二知识三元组的知识节点关系线相互匹配。
若第一知识三元组的三要素与第二知识三元组的三要素均相互匹配,则认为第一知识三元组与第二知识三元组相互匹配。
S22若两知识存在可相互匹配的内容,则将两知识连接。
具体的,若两知识图之间存在可相互匹配的知识节点,基于相互匹配的知识节点连接两知识图。如:若第一知识图中有知识节点与第二知识图中的知识节点相互匹配,则可将该相互匹配的两知识节点连接或合并,以使第一知识图和第二知识图连接,形成包括第一知识图和第二知识图的第三知识图。
通过步骤S21和S22,可将零散、碎片化的知识整理成结构化的知识,以强化对知识的理解。知识库中知识之间的匹配连接过程,可类比人脑对于已有知识不断巩固学习,构建知识间联系,加深对知识理解的过程。如:有一数学知识和一数学题,可基于该数学知识实现对该数学题的求解。若我们知道数学知识,但看到数学题却无从下笔,不能解出来的时候,就是我们未将数学知识和数学题联系起来,此时,数学知识和数学题在我们头脑中是两个割裂的、碎片化的知识;若我们找到数学知识和数学题之间可相互匹配的内容,并根据匹配内容和数学知识解出数学题的时候,我们就构建了数学知识和数学题之间的联系,形成了结构化的知识。
S23归纳总结知识库中的知识生成概率规则。
在本实施例中,概率规则由概率图的形式表示与存储,概率规则包括若干个概率图。概率图包括概率节点和概率节点关系线,若两个概率节点之间存在关联关系,概率节点关系线连接该两个概率节点,两概率节点之间具有连接概率,连接概率标记于概率节点关系线。概率节点是对若干知识节点的总结归纳,是若干知识节点的集合。
概率图包括基础图和拓展图,基础图与拓展图具有一一对应关系。概率图的生成包括如下步骤:
S231生成基础图
给定某个知识三元组x,在知识库中找到所有与知识三元组x匹配的知识三元组,组成知识三元组集合X,总结归纳知识三元组集合X,生成基础图。
具体的,知识三元组集合X包括知识节点集合Xa、知识节点集合Xb以及知识节点关系线集合,基础图的一个概率节点ja是对知识节点集合Xa的归纳总结,基础图的另一个概率节点jb是对知识节点集合Xb的归纳总结,基础图的概率节点关系线是对知识节点关系线集的归纳总结。
S232生成拓展图
在知识库中找出所有与知识三元组集合X有连接关系的知识节点集合Ya和Yb。其中,知识节点集合Ya和知识三元组集合X中的知识节点集合Xa连接,且知识节点集合Ya和知识三元组集合X中的知识节点集合Xb不匹配;知识节点集合Yb和知识三元组集合X中的知识节点集合Xb连接,且知识节点集合Yb和知识三元组集合X中的知识节点集合Xa不匹配。
总结归纳知识节点集合Ya和Yb,生成拓展图。
根据与知识节点集合Xa连接的知识节点关系线的类型,对知识节点集合Ya中的知识节点进行一次分类;在一次分类的基础上,根据知识节点相互之间的匹配情况,对知识节点进行二次分类;获得知识节点集合Ya中的知识节点子集。若知识节点集合Ya中有n个知识节点,某个知识节点子集中有p个知识节点,p≤n,那么该知识节点子集与知识节点集合Xa的连接概率为p/n。将该知识节点子集总结归纳为拓展图中的概率节点ta,那么,该概率节点ta与基础图中的概率节点ja的连接概率为p/n。
通过上述步骤,获得拓展图中的所有概率节点及各概率节点与基础图的连接概率。拓展图与基础图具有一一对应关系。
若概率节点与基础图连接的连接概率p/n是100%,则认为该概率节点与基础图是必然连接。
若概率节点与基础图连接的连接概率p/n<100%,则认为该概率节点与基础图具有连接可能性。
S233将拓展图连接至对应的基础图,组成概率图。
为了便于说明和理解,更清楚的明确基础图和拓展图的生成过程、关系及含义,在前述示例中,基础图仅包括一个概率三元组,拓展图仅包括若干概率节点及概率节点与基础图连接的概率节点关系线。
可以理解,基础图也可以包括若干个具有连接关系的概率三元组,拓展图也可以包括若干个可与基础图连接的子图。在此种情况下,基础图可以理解为条件,拓展图可以理解为结果,基础图与拓展图的关系可理解为,若满足了基础图这个条件,即可获得拓展图这个结果,拓展图所包括的子图是满足基础图条件后,可能得到的子结果,每个子结果有对应的获得概率。为了便于理解本段内容,现提供一假设的简化示例示意本段内容,如:基础图(条件)为“吃了变质食物”,拓展图(结果)或拓展图中的一个子图为“腹泻”。
S24基于概率规则以知识库中的知识为基础进行推理,生成推理知识。
给定知识图f,若存在可与知识图f匹配的基础图,将拓展图连接至知识图f,连接至知识图f上的拓展图就是知识图f在概率规则的作用下,通过推理,生成的推理知识。
若拓展图中的子图或概率节点的连接概率为100%,那么,基于该子图或概率节点连接到知识图上的知识,认为是正确知识,该过程可类比人脑的推演过程。
若拓展图中的子图或概率节点的连接概率<100%,那么,基于该子图或概率节点连接到知识图上的知识,可能是正确知识,也可能是错误知识,该过程可类比人脑的联想过程。可以理解,拓展图中的子图或概率节点的连接概率越接近100%,基于该子图或概率节点连接到知识图上的知识,是正确知识可能性越高。
进一步,可设置连接概率阈值,仅使连接概率大于连接概率阈值的子图或概率节点连接至知识图。通过调节连接概率阈值,可调节获得的推理知识的数量及正确率。
通过步骤S24,可使通用自学习系统在无外部知识输入的情况下,根据知识库中已有知识进行推理,不断获得推理知识,巩固已有知识或获得新知识,实现知识库中知识的巩固和更新。该过程可认为是人类不断处重复学习已有知识,通过推演或想象,温故而知新,举一反三的过程。
为了便于理解S23和S24,提供一假设的简化示例,在本示例中对知识图和概率图都做假设和简化处理,该示例仅用于简单示意,请参见图2。
S23知识库中有第一知识图“小明步行去食堂”、第二知识图“小明步行去澡堂”、第三知识图“小花步行去饭堂”、第四知识图“唐僧步行去西天”、第五知识图“小明步行”。
给定知识三元组“小明步行”,第一知识节点“小明”,第一知识节点“步行”,知识节点关系线“名词性主语”。
在知识库中找到所有与知识三元组“小明步行”匹配的知识三元组“小明步行”、“小花步行”“唐僧步行”,组成知识三元组集合,总结归纳知识三元组集合,生成基础图“人步行”。
在知识库中找出所有与知识三元组集合有连接关系的知识节点集合“去食堂”“去澡堂”、“去饭堂”“去西天”。子集“去食堂、去饭堂”的连接概率0.5,子集“去澡堂”的连接概率0.25,子集“去西天”的连接概率0.25。生成拓展图{“去食堂、去饭堂”0.5;“去澡堂”0.25;“去西天”0.25}。
S24第五知识图“小明步行”,存在与其匹配的基础图“人步行”,将拓展图连接至第五知识图“小明步行”,获得推理知识“小明步行去食堂”、“小明步行去饭堂”、“小明步行去澡堂”、“小明步行去西天”。其中,“小明步行去食堂”、“小明步行去澡堂”是生成的已有知识;“小明步行去饭堂”、“小明步行去西天”是生成的新知识。其中,“小明步行去食堂”、“小明步行去澡堂”、“小明步行去饭堂”是正确知识,“小明步行去西天”是错误知识。
可以理解,基于概率规则推理生成推理知识时,可以是就一句话进行推理;也可以是就一个知识进行推理;还可以是就一组知识进行推理。一个知识可包括若干句话;一组知识可包括若干个知识。
可以理解,基于概率规则推理生成推理知识时,可以形成推理知识的分叉状态。如:一句话生成的推理知识可以是若干句话;一个知识生成的推理知识可以是若干个知识;一组知识生成的推理知识可以是若干组知识。在本实施例中,以一组知识为基础进行推理,并获取若干组推理知识。
可以理解,假设一组知识存在划定范围,在推理过程中,以划定范围的一组知识为基础进行推理,推理的过程中,还可能会有划定范围之外的其他知识或其他关联知识参与到推理过程中协助推理。
现提供一实施例对判定机的构建做详细描述。
设待校验的知识为第一知识,第一知识包括:知识库中已有知识、通过推理获得的推理知识以及新输入知识库的知识。第一知识可能是原本未存在于知识库的新知识,也可能是原本已存在于知识库的已有知识。
S31基于知识库中的已有知识对第一知识进行校验,判断第一知识与原知识库中已有知识的关系。
基于知识库中的已有知识对第一知识进行校验,包括如下校验结果:第一知识是存在于原知识库中的已有知识;第一知识是不存在于原知识库中的新知识;第一知识与知识库中的已有知识存在矛盾。
为了便于理解校验结果,现提供一假设的简化示例,在本示例中对知识做假设和简化处理,该示例仅用于简单示意。设第一知识为“太阳是金黄色的”,若原知识库中的已有知识中存在“太阳是金黄色的”,那么,第一知识是存在于原知识库中的已有知识;若原知识库中的已有知识不存在太阳的颜色属性,即根据原知识库中的已有知识不知道太阳是什么颜色的,此时,第一知识是不存在于原知识库中的新知识;若原知识库中的已有知识存在“太阳是白色的”,此时,第一知识与知识库中的已有知识存在矛盾。
若第一知识与知识库中的已有知识存在矛盾,还对第一知识和与第一知识存在矛盾的已有知识的正确性进行校验,以获得正确知识或正确率更高的知识,从而不断加深对知识的正确理解。
具体的,基于知识库中的已有知识对第一知识进行校验,可包括如下方法:
(一)基于知识库知识图的匹配方法校验给定知识图。
给定第一知识图,若知识库存在第二知识图可与第一知识图完全匹配成功,则认为通用自学习系统可以完全理解给定的第一知识图,第一知识图是存在于原知识库中的已有知识。
(二)基于概率规则校验给定知识图。
给定第一知识图,在概率规则中找到可与知识图的知识三元组匹配的所有基础图;
若知识图中有知识三元组x,概率规则中不存在与之匹配的基础图,那么认为因为通用自学习系统中缺乏相应知识,该知识三元组x无法理解。
若第一知识图中存在知识三元组x可与基础图匹配,将连接在知识三元组x上的知识三元组y和与基础图连接的拓展图进行比较;
若第一知识图中存在知识三元组y,且不存在与知识三元组y匹配的拓展图,那么因为通用自学习系统中缺乏相应知识,该知识三元组y无法理解。
若概率规则存在概率图可以与知识图全部知识三元组匹配,且连接方式完全相同,则认为可基于概率规则完全理解知识图。
通用自学习系统中缺乏相应知识的原因包括:1、第一知识图中的知识三元组是对的,但通用自学习系统中没有相关知识,此时,第一知识图是不存在于原知识库中的新知识;2、知识图中的知识三元组是错的,与已有知识存在矛盾,如:人有四条腿。
可以理解,上述两种知识校验方法可以择一选用,也可以同时使用。另,知识的校验方法有多种,本实施例所记载知识校验方法只是诸多知识校验方法之中的一种,仅用于示例性说明知识的校验方法,不构成对本发明的限制。
S32基于知识库中的已有知识对第一知识进行校验,发现与第一知识存在矛盾的已有知识,对第一知识和与第一知识存在矛盾的已有知识的正确性进行校验,包括如下步骤:
可选的,包括S321基于知识来源处理存在矛盾的知识。
若使第一知识图和第二知识图存在矛盾,第一知识图是基于标准训练集合生成,第二知识图是基于概率规则推理生成,认为第一知识图为正确知识。若使第一知识图和第二知识图均是基于概率规则推理生成,通过S322处理。
S322基于概率规则处理存在矛盾的知识。
若使第一知识图和第二知识图存在矛盾,比对第一知识图和第二知识图的生成概率,若使生成概率数值存在差值,可认为生成概率数值大的知识图为正确知识或正确率更高的知识。第一知识图和第二知识图存在矛盾包括第一知识图和第二知识图整体上存在矛盾,也可以是第一知识图和第二知识图中的子图存在矛盾。
具体的,比对第一知识图和第二知识图中存在矛盾的图在概率规则中所对应的连接概率数值;若使连接概率数值存在差值,可认为连接概率数值大的图所对应的知识图为正确知识或正确率更高的知识。
可选的,还包括设置有连接概率数值差值阈值,若第一知识图和第二知识图中存在矛盾的图在概率规则中所对应的连接概率数值的差值超过预设的连接概率数值差值阈值,认为连接概率数值大的图所对应的知识图为正确知识或正确率更高的知识。
可选的,还包括S323基于外部监管处理存在矛盾的知识。
若使第一知识图和第二知识图存在矛盾,第一知识图和第二知识图均是基于标准训练集合生成,可报错并将错误提交至外部管理者,通过外部监督及干预确定正确知识。
若第一知识图和第二知识图中存在矛盾的图在概率规则中所对应的连接概率数值的差值在预设的连接概率数值差值阈值范围内,可报错并将错误提交至外部管理者,通过外部监督及干预确定正确知识。
可以理解,基于知识来源、基于概率规则、以及基于外部监管这三种处理矛盾知识的方法也可以是并列关系,方法的应用不存在先后顺序,或三种方法应用的先后顺序与上述实施例不一致。
S33基于的校验结果,将错误知识或正确率更低的知识排出知识库。
一种基于通用自学习系统的自学习方法,包括如下步骤:
S41以知识库中的知识为基础,进行推理,生成推理知识。
在一种实施例中,每当有不存在于原知识库的新知识输入知识库后,基于不存在于原知识库的新知识,启动推理,以输入的不存在于原知识库的新知识为基础,进行推理,生成推理知识。
其中,“输入的不存在于原知识库的新知识为基础进行推理”是指输入的不存在于原知识库的新知识是推理过程中不可或缺的知识,而在推理过程中,可能还存在知识库中的其他已有知识参与推理。
可以理解,不存在于原知识库的新知识输入知识库后,就是知识库中的知识。
S42以获取的第n次推理知识为基础,进行第n+1次推理,获得第n+1次推理知识,推理若干轮后,形成推理链条。其中,n≥0,推理链条由若干具有推理关系的知识依照推理关系依次连接而成。
可以理解,在n=0时,“以获取的第n次推理知识为基础,进行推理,获得第n+1次推理知识”即指“以知识库中的知识为基础,进行推理,生成推理知识”。
在一种实施例中,“以获取的第n次推理知识为基础,进行第n+1次推理”是指第n次推理知识是第n+1次推理中不可或缺的知识,但是,在进行第n+1次推理时,可能还存在第n次推理知识以外的其他知识参与第n+1次推理。即,可能存在,第n次推理知识结合知识库中第n次推理知识以外的其他知识,推理出第n+1次推理知识,可以理解,在此种情况下,若缺少知识库中第n次推理知识以外的其他知识,仅根据第n次推理知识,不能获得第n+1次推理知识。通常,参与第n+1次推理的第n次推理知识以外的其他知识与第n次推理知识具有一定的关联性。
可以理解,在启动推理后,将在推理机的作用下,以推理结果为基础持续进行推理,直至出现异常情况或达到目标结果。
可选的,在根据S41和S42生成第n+1次推理知识后,还包括S43基于知识库中的已有知识对生成的第n+1次推理知识进行校验。
若经第n+1次推理,生成的第n+1次推理知识,未与原知识库中的已有知识存在矛盾,那么,可以以第n+1次推理知识为基础,继续推理。
若经第n+1次推理,生成的第n+1次推理知识,与原知识库中的已有知识存在矛盾,且存在矛盾知识中的错误知识或正确率更低的知识是第n+1次推理知识中的知识,那么,会造成推理过程的中断,即不能再以第n+1次推理知识为基础,继续推理。
在一种实施例中,属于第n+1次推理知识中的任意知识与原知识库中的已有知识存在矛盾时,且属于第n+1次推理知识中的任意知识为在矛盾知识中的错误知识或正确率更低的知识,会造成推理过程的中断。属于第n+1次推理知识的任意知识,包括第n+1次推理出现分叉结构,任一分叉枝干上的推理知识;及第n+1次推理未出现分叉结构,而推理知识是一组知识,一组知识中的任一知识。通过该方法,可在推理知识中出现与原知识库中的已有知识存在矛盾的知识,且存在矛盾的知识中错误知识或正确率更低的知识是推理知识中的知识时,中断推理过程,防止以可能存在错误的推理知识为基础,继续推理,越错越多。
可选的,在其他实施例中,关于“生成的第n+1次推理知识,与原知识库中的已有知识存在矛盾,且存在矛盾知识中的错误知识或正确率更低的知识是第n+1次推理知识中的知识,会造成推理过程的中断”也有可能是推理知识中仅与原知识库中已有知识存在矛盾的知识才会出现推理过程的中断,其他未与原知识库中已有知识存在矛盾的知识仍可继续推理。
S44若以推理链条为基础,进行推理,获得的推理知识已存在于推理链条之中,则形成了推理环。
在一种实施例中,每当有不存在于原知识库的新知识输入知识库后,基于不存在于原知识库的新知识,启动推理;若生成的第n+1次推理知识,与原知识库中的已有知识存在矛盾,且存在矛盾知识中的错误知识或正确率更低的知识是第n+1次推理知识中的知识,则会造成推理过程的中断;此时,将因推理过程的中断而不能形成推理环,此时,将对该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识进行处理。
可选的,对该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识进行处理,包括向系统外部监管者报错,请求系统外部监管者对该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识进行处理;直接将该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识从知识库中排除等。
可选的,系统外部监管者的处理可包括外部监管者认为该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识为正确知识,对上述知识进行干预,如:将上述知识标注为正确知识,并查验与其存在矛盾的知识;认为上述知识为错误知识,将上述知识排除知识库,如从知识库中删除。
在本实施例中,对该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识进行处理,为向系统外部监管者报错,请求系统外部监管者对上述知识进行处理。
在本实施例中,每次输入不存在于原知识库的新知识时,是将一组不存在于原知识库的新知识输入知识库,在推理过程,出现推理中断的情况时,若认为新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识获得的推理知识是错误知识或正确率更低的知识,将该新输入的一组不存在于原知识库的新知识及基于该组新输入的不存在于原知识库的新知识获得的推理知识从知识库中排除。
可选的,存在启蒙知识库,该启蒙知识库包括知识数量超过预设的知识数量阈值,且知识的正确率也超过预设的知识正确率阈值,可基于该启蒙知识库,构建第一个推理环。由于启蒙知识库的存在,可认为通常情况下,存在于原知识库中的已有知识为正确知识或正确率更高的知识。
可选的,若经过预设时间,未出现推理中断的情况,将会向知识库输入新的不存在于原知识库的新知识以启动新的推理及持续推理。
可以理解,推理环是动态结构,处于动态变化的过程之中,在动态变化的过程中,推理环的环状结构可能变大、可能变小、可能在一定持续时间内稳定不变、也可能环状结构被破坏回到链条结构。推理环的动态变化情况取决于推理环以外的知识对推理环的干涉情况。推理环以外的知识可包括不存在于知识库的新输入知识,已存在于知识库但从未与推理环有过交互关系的已有知识,以及通过推理获得的未与推理环有过交互关系的新的推理知识。
推理环以外的知识对推理环的干涉情况包括如下类型:
(一)若推理环以外的知识中不存在可对推理环产生干涉的知识时,推理环处于稳定状态。此时,在推理环的连接路径上,推理机将无限循环重复推理,在该无限循环重复推理的过程中,除了不断获得推理环上的已有知识,还可能获得不存在于推理环上的推理知识,从而在推理环上延伸出推理链条。
(二)若推理环以外的知识中存在第一知识,第一知识可融入推理环,形成一个包括原推理环中已有知识和第一知识的新的推理环,此时,推理环变大。
(三)原推理环包括第一部分知识和第二部分知识,若推理环以外的知识中存在第二知识,第二知识可与推理环中的第一部分知识构成一个新的推理环。此时,推理环状态变化待定,需根据具体情况具体分析,且原推理环可以依然存在,也可以不再存在。具体情况可包括:新推理环相对于原推理环,只是具有更短路径,并未与原推理环存在矛盾;第二知识与第二部分知识存在矛盾,并导致第二部分知识被排出知识库。
(四)若推理环以外的知识存在第四知识,可使推理环断开连接,此时,推理环的环状结构被破坏重新回到推理链条结构。如:推理环上存在错误知识,与正确知识产生矛盾后,错误知识被排出知识库,导致推理环的环状结构被破坏。
S45设置节点状态及状态数值。
节点可包括推理链条或推理环中的推理节点、知识图、概率图、知识节点以及概率节点。在本实施例中中,对每个推理节点设置节点状态及状态数值。在其他实施例中,还可以是对每个知识节点和概率节点设置节点状态及状态数值;或是对每个知识图和概率图设置节点状态及状态数值。
节点状态用于表征节点是否被使用,包括激活状态和未激活状态。节点的使用包括节点被调用参与匹配任务、节点被调用参与推理任务、节点被调用参与校验任务以及其他任务。若节点被使用,节点将被激活,节点被激活包括节点处于未激活状态切换到激活状态和节点处于激活状态再次被激活保持或更新激活状态。若节点处于激活状态,且经过第一预设时长,节点未再次被激活,则节点状态由激活状态将切换为未激活状态。
节点状态数值用于表征节点的使用情况。
节点每次被激活时,节点的状态数值将增加第一预设数值。因此,节点被激活次数越多,节点的状态数值越大,节点的状态数值越大,表示节点被使用次数越多,因而,在出现有匹配任务、推理任务以及校验任务等需要使用节点的场景时,调用状态数值更大的节点完成任务的可能性更大。
可选的,节点的使用情况还包括将节点的使用结果纳入考虑范围,如:将对完成任务的贡献情况作为节点使用情况的考虑因素,若参与任务的节点对完成任务有贡献,节点的状态数值还将额外增加第二预设数值。若参与任务节点对完成任务没贡献,节点的状态数值将减少第三预设数值或保持不变。通过上述方法,可根据节点的使用结果对节点的状态数值产生激励或惩罚。
节点的状态数值每经过第二预设时长,将减少第四预设数值。节点的状态数值可累计减少,直至减少到无法减少的预设最低值。
通过上述方法,可根据节点的使用情况,调整节点的状态数值;再根据节点的状态数值,对节点进行分类管理。如:设置节点的使用优先级,节点状态数值越大,节点所对应的使用优先级越高。如此,可在知识库包括的知识足够多的情况下,根据知识的使用情况,合理运用知识库中的知识。提高知识库中知识的利用效率和使用效益。
可以理解,节点状态数值越大,节点所对应的使用优先级越高,使用优先级越高,被使用的次数越多,被使用的次数越多,节点状态数值越大,会形成正反馈循环。进一步,还可根据节点的使用结果对节点的状态数值产生激励或惩罚,以调节反馈情况
可以理解,节点的状态数值增加的过程可认为是模拟人脑使用知识及记忆知识的过程;节点的状态数值随时间推移减少的过程可认为是模拟人脑记忆的知识随时间推移而遗忘的过程。
可以理解,通过设置节点的状态数值还可认为可使节点所对应的知识具有活性特质,节点状态数值增加,相当于节点所对应的知识活性增加,节点状态数值减少,相当于节点所对应的知识活性降低。若节点状态数值通过一定的方式保持数值不变,节点所对应的知识保持一定活性。节点状态数值减少到预设最低值,相当于节点所对应的知识活性丧失,可认为是知识被遗忘或知识是闲置知识仅存储于知识库。
可选的,节点被激活,激活状态会沿节点连接路径从处于激活状态的节点传播至连接路径上的其他节点,以使其他节点被激活,从而提升节点连接路径的整体的状态数值。优选的,节点激活状态单向传播。若使是推理节点,推理节点激活状态的传播方向为推理方向。
S46基于推理环、节点状态以及状态数值,形成推理循环。
形成推理环后,若不存在其他知识能够破坏推理环的环状结构,那么,推理机将在推理环的连接路径上无限循环推理,及持续推理获得推理环上的已有知识,推理环上的推理节点将周期性被激活,形成推理环上推理节点激活状态的动态循环,从而形成可增加推理环连接路径上推理节点的状态数值的推理循环。相对于未形成推理环的知识,推理环上的推理节点因推理循环的存在,将具有更高的状态数值,又激活状态可沿节点连接路径传播,因此,与推理环有连接关系的推理链条也具有更高的状态数值。
又,节点的状态数值每经过第二预设时长,将减少第四预设数值。因此,可通过调节节点状态数值在各种情况下状态数值的增加值和减少值,以在仅存推理循环的作用下,推理环的状态数值保持稳定不变、或稳定增加、或稳定减少。
在一种实施例中,若使仅在推理循环的作用下,推理环的状态数值保持稳定不变;那么同等情况下,与推理环连接的推理链条的状态数值将稳定衰减直至预设最低值,在与推理环连接的推理链条的状态数值减少至预设最低值后,与推理环连接的推理链条的状态数值又会因推理循环和激活状态的传播,获得状态数值的周期性增加;另,同等情况下,未与推理环连接的推理链条的状态数值将稳定衰减直至预设最低值,且未与推理环连接的推理链条的状态数值稳定下降的梯度(斜率)将大于与推理环连接的推理链条的状态数值稳定下降的梯度。
通过一种基于通用自学习系统的自学习方法,可在知识库中构建关于知识的推理环及推理循环,通过动态可持续、具有高活性状态的推理循环,来维持知识库中知识的自洽和活性。知识库中知识包括知识库中的已有知识,及原本不存在于知识库的新进入知识库的新知识。
若干推理循环组成知识库中的主体知识,若新输入的不存在于原知识库的新知识与主体知识存在矛盾,或基于新输入的不存在于原知识库的新知识而启动的持续推理产生的第n+1次推理知识与主体知识存在矛盾,均会造成推理的中断,影响推理循环,从而被发现,进而被排除知识库。如此,可实现知识库中知识的自洽。可以理解,造成推理的中断,影响推理循环包括新输入的不存在于原知识库的新知识或基于新输入的不存在于原知识库的新知识持续推理产生的第n+1次推理知识是错误知识或正确率更低的知识时,会造成推理的中断,从而不能形成推理循环;少数情况下,原推理循环中的知识是错误知识或正确率更低的知识时,会使原推理循环无法继续或形成新的推理循环。
通过构建推理循环及通过推理循环不断校验知识的方式,可不断检验寻找与知识库主体知识矛盾的知识,以实现知识库中知识的自洽,但可以理解,知识库在任意时刻,不一定是完全自洽的。在通过推理循环校验寻找与知识库主体知识矛盾的知识的过程中,知识库中仍有可能存在影响知识库自洽性的知识。
在本实施例中,自洽的推理循环可拥有通用的对新知识的对错进行判断的能力,而通用的判断知识对错的能力,可被认为是意识,因此,可认为自洽的推理循环是一种机器意识,通过自洽的推理循环,在某种意义上形成了通用自学习系统的世界观,甚至可称之为人工意识体。因此,可认为该通用自学习系统在使用过程中,会逐步具有机器意识。
基于若干自洽的推理循环还可实现通用自学习系统不限领域的自主学习,解决多个技术领域的技术问题,大幅降低通用自学习系统学习知识的人工辅助成本。
进一步,本发明的知识的连接结构与神经元结构高度类似,节点可类比为神经元,节点关系可类比为神经元的突起,表示知识的网状结构类似于人脑中的神经元连接结构,节点在使用时被激活,产生激活状态和激活状态的传导特性类似于神经元接收刺激,产生兴奋并传导兴奋的功能,其中,激活状态的传导特性可类似于生物电,类比于神经元的节点可被认为是知识的记忆节点。
节点被激活,节点的状态数值增加的过程可认为是模拟人脑使用知识及记忆知识的过程,知识越使用记忆越深刻;知识的状态数值越大,使用的优先级更高,也对应于人脑中优先应用常用知识、习惯性思维解决问题的思路;节点的状态数值随时间推移减少的过程可认为是模拟人脑记忆知识的遗忘过程。
本发明中的知识在形成推理环后,在推理循环的作用下可保持知识活性,可看做是人脑记忆常用知识的活跃的神经元区域。
S22中记载的将两知识连接的连接方法,相当于不断重复学习后,对知识的加深理解,将零散、碎片化的知识整理为结构化和系统化的知识;概率规则中连接概率为100%的必然性推理类似于人脑中的演绎推理,概率规则中连接概率小于100%的或然性推理类似于人脑中的联想或想象;判定机校验的过程为不断对知识真伪性进行鉴别、验证的过程。
本发明的通用自学习系统具有学习、记忆、理解、推理、联想、想象及校验等功能,且存储于其中的知识具有活性。
本发明实施例提供了一种电子设备,包括处理器和存储器。
存储器,可用于存储知识库中的知识及存放计算机程序,包括存放推理机和判定机的执行程序。
在本发明一个实施例中,处理器,用于执行存储器上所存放的程序时,实现前述任意一个方法实施例提供的方法。
可选的,上述处理器可以是一个通用中央处理器(central processingunit,CPU),网络处理器(network processor,NP),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
上述存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如前述任意一个方法实施例提供的法的步骤。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种基于通用自学习系统的自学习方法,通用自学习系统包括知识库、推理机、判定机,知识库包括若干知识,推理机以知识库中的知识为基础,通过推理生成推理知识,判定机用于校验知识库中的知识,发现和处理存在矛盾的知识,其特征在于,
推理机以知识库中的知识为基础,通过推理生成推理知识,包括如下步骤:
获取若干知识之间的匹配情况;
知识以知识图的形式表示,知识图的基本子图为知识三元组,知识三元组由两个知识节点和连接两个知识节点的知识节点关系线组成;
若第一知识三元组的知识节点与第二知识三元组的知识节点具有共同指代关系,则认为第一知识三元组的知识节点与第二知识三元组的知识节点相互匹配;共同指代关系为指向具有相同或等同含义的指代对象的指代关系,包括同义关系、近义关系、整体与部分关系、上位概念与下位概念关系;
若两知识存在可相互匹配的内容,则将两知识连接;
归纳总结知识库中的知识生成概率规则;
基于概率规则以知识库中的知识为基础进行推理,生成推理知识;
以知识库中的知识为基础,进行推理,生成推理知识;
以获取的第n次推理知识为基础,进行推理,获取第n+1次推理知识,持续推理若干轮后,形成推理链条;
若根据推理链条推理出来的知识已存在于推理链条之中,则形成推理环;
其中,
基于知识库中的已有知识对生成的第n+1次推理知识进行校验;
若第n+1次推理知识未与原知识库中的已有知识存在矛盾,则以第n+1次推理知识为基础,继续推理;
若第n+1次推理知识与原知识库中的已有知识存在矛盾,且存在矛盾知识中的错误知识或正确率更低的知识是第n+1次推理知识中的知识,则造成推理过程的中断;
其中,
推理环是动态结构;
若推理环以外的知识对推理环无干涉,推理环处于稳定状态;
若推理环以外的知识可融入推理环,则形成一个包括原推理环中已有知识和新融入知识的新的推理环,推理环变大;
若存在推理环以外的知识与原推理环中的部分知识构成一个新的推理环,推理环状态变化待定;
若存在推理环以外的知识可使推理环无法继续连接,推理环从环状结构变回推理链条结构。
2.如权利要求1所述的一种基于通用自学习系统的自学习方法,其特征在于,
若有不存在于原知识库的新知识输入原知识库后,基于不存在于原知识库的新知识,启动推理,以该新输入的不存在于原知识库的新知识为基础,进行推理,获得基于该新输入的不存在于原知识库的新知识而获得的推理知识;
若经过预设时间,未出现推理中断的情况,则向知识库输入新的不存在于知识库的新知识以启动新的推理及持续推理;
若出现推理过程的中断,将对该新输入的不存在于原知识库的新知识及基于该新输入的不存在于原知识库的新知识而获得的推理知识进行处理。
3.如权利要求1或2所述的一种基于通用自学习系统的自学习方法,其特征在于,
推理环包括若干节点,节点之间具有连接关系形成环状结构,节点可被激活;
推理机在推理环的连接路径上循环推理时,推理环上的节点将周期性被激活,推理环上节点被激活的动态循环,构成推理循环。
4.如权利要求3所述的一种基于通用自学习系统的自学习方法,其特征在于,
节点具有状态数值,预设节点状态数值变化情形及与节点状态数值变化情形对应的节点状态数值变化值,预设节点状态数值变化情形包括:
节点每次被激活时,节点的状态数值会增加;
每经过预设时长,节点的状态数值将会减少;
节点的状态数值可累计减少直至到预设最低值。
5.如权利要求4所述的一种基于通用自学习系统的自学习方法,其特征在于,
在推理循环的作用下,推理环的状态数值具有稳定不变、稳定增长以及稳定减少三种数值状态中的一种数值状态。
6.如权利要求4所述的一种基于通用自学习系统的自学习方法,其特征在于,
节点状态数值与节点使用优先级存在关联关系,节点状态数值越大与节点使用优先级越高。
7.如权利要求3所述的一种基于通用自学习系统的自学习方法,其特征在于,
节点被激活,激活状态会沿节点连接路径从处于激活状态的节点传播至连接路径上的其他节点,以使其他节点被激活。
8.如权利要求1所述的一种基于通用自学习系统的自学习方法,其特征在于,
基于知识库中的知识生成推理机。
9.如权利要求8所述的一种基于通用自学习系统的自学习方法,其特征在于,推理机的构建包括如下步骤:
归纳总结知识库中的知识生成概率规则;
基于概率规则以知识库中的知识为基础进行推理,生成推理知识。
10.如权利要求1或2所述的一种基于通用自学习系统的自学习方法,其特征在于,判定机的构建包括如下步骤:
基于知识库中的已有知识对待校验知识进行校验,判断待校验知识与原知识库中已有知识的关系;
若发现与待校验知识存在矛盾的已有知识,对待校验知识和与待校验知识存在矛盾的已有知识的正确性进行校验;
基于的校验结果,将错误知识或正确率更低的知识排出知识库。
11.一种电子设备,其特征在于包括处理器和存储器,处理器用于读取并执行所述存储器中的执行,以实现如权利要求1-10任一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序和/或知识库,其特征在于,所述计算机程序被计算机执行时,实现如权利要求1-10任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952851.0A CN115033716B (zh) | 2022-08-10 | 2022-08-10 | 一种通用自学习系统及基于通用自学习系统的自学习方法 |
PCT/CN2022/123880 WO2024031813A1 (zh) | 2022-08-10 | 2022-10-08 | 一种通用自学习系统及基于通用自学习系统的自学习方法 |
US18/231,522 US20240054359A1 (en) | 2022-08-10 | 2023-08-08 | Universal self-learning system and self-learning method based on universal self-learning system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952851.0A CN115033716B (zh) | 2022-08-10 | 2022-08-10 | 一种通用自学习系统及基于通用自学习系统的自学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115033716A CN115033716A (zh) | 2022-09-09 |
CN115033716B true CN115033716B (zh) | 2023-01-20 |
Family
ID=83129929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210952851.0A Active CN115033716B (zh) | 2022-08-10 | 2022-08-10 | 一种通用自学习系统及基于通用自学习系统的自学习方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115033716B (zh) |
WO (1) | WO2024031813A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033716B (zh) * | 2022-08-10 | 2023-01-20 | 深圳市人马互动科技有限公司 | 一种通用自学习系统及基于通用自学习系统的自学习方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009285A (zh) * | 2017-12-22 | 2018-05-08 | 重庆邮电大学 | 基于自然语言处理的林业生态环境人机交互方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5119470A (en) * | 1990-04-27 | 1992-06-02 | Ibm Corporation | Computer based inference engine device and method thereof for integrating backward chaining and forward chaining reasoning |
AU2002952648A0 (en) * | 2002-11-14 | 2002-11-28 | Softlaw Corporation Limited | Forward-chaining inferencing |
CN101710393A (zh) * | 2009-11-25 | 2010-05-19 | 北京航空航天大学 | 一种专家系统知识表示机制和推理方法 |
CN104750828B (zh) * | 2015-03-31 | 2018-01-12 | 克拉玛依红有软件有限责任公司 | 一种基于6w规则的归纳演绎知识无意识自学习方法 |
CN104915717B (zh) * | 2015-06-02 | 2017-11-14 | 百度在线网络技术(北京)有限公司 | 数据处理方法、知识库推理方法及相关装置 |
CN111159328A (zh) * | 2019-11-20 | 2020-05-15 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 情报知识融合系统及方法 |
CN111191460B (zh) * | 2019-12-30 | 2023-01-03 | 福州大学 | 一种结合逻辑规则和碎片化知识的关系预测方法 |
CN111339299B (zh) * | 2020-02-27 | 2023-06-02 | 北京明略软件系统有限公司 | 一种领域知识库的构建方法和装置 |
CN115033716B (zh) * | 2022-08-10 | 2023-01-20 | 深圳市人马互动科技有限公司 | 一种通用自学习系统及基于通用自学习系统的自学习方法 |
-
2022
- 2022-08-10 CN CN202210952851.0A patent/CN115033716B/zh active Active
- 2022-10-08 WO PCT/CN2022/123880 patent/WO2024031813A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009285A (zh) * | 2017-12-22 | 2018-05-08 | 重庆邮电大学 | 基于自然语言处理的林业生态环境人机交互方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115033716A (zh) | 2022-09-09 |
WO2024031813A1 (zh) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7925605B1 (en) | Evolutionary expert systems and methods using meta-rules matching | |
Neves et al. | The halt condition in genetic programming | |
Michalski | Learning strategies and automated knowledge acquisition: an overview | |
Young et al. | Prioritised Default Logic as Rational Argumentation. | |
CN115033716B (zh) | 一种通用自学习系统及基于通用自学习系统的自学习方法 | |
Chen et al. | CSCLRec: Personalized Recommendation of Forum Posts to Support Socio-Collaborative Learning. | |
Liu et al. | Repairing and reasoning with inconsistent and uncertain ontologies | |
Ting et al. | Semantic-Awareness Recommendation with Linked Open Data in Web-Based Investigative Learning | |
Carberry | Pragmatic modeling: Toward a robust natural language interface | |
Zhou et al. | Research on personalized e-learning based on decision tree and RETE algorithm | |
Gomes | Software design retrieval using bayesian networks and wordnet | |
Dividino et al. | Provenance, Trust, Explanations-and all that other Meta Knowledge. | |
Coskun | Graph convolutional networks meet with high dimensionality reduction | |
US20240054359A1 (en) | Universal self-learning system and self-learning method based on universal self-learning system | |
Kulykovska et al. | A semantic chatbot for Internet of things management | |
Siebes et al. | Ranking agent statements for building evolving ontologies | |
Lu et al. | Degrees of Information Relevance in Situation Assessment | |
Jain et al. | Semantic contextual reasoning to provide human behavior | |
Goldsmith et al. | New Horn Revision Algorithms. | |
Cabral et al. | Converting semantic meta-knowledge into inductive bias | |
Pontello et al. | Meta-learning approach for implementation of AI methods in the context of CRISP-DM with case studies from master data management | |
CN117271561B (zh) | 一种基于大语言模型的sql语句生成方法、装置及设备 | |
Ramos-Jiménez et al. | Induction of decision trees using an internal control of induction | |
Chen | Structure discovery in Bayesian networks: Algorithms and applications | |
Fu et al. | Problem Solving by soaking the concept network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |