[發明專利]面向共享知識的自主學習模型的裝置

有效

• 申請號: 201510411554.5
• 申請日: 2015-09-25
• 公開（公告）號: CN105095969B
• 公開（公告）日: 2018-08-17
• 發明（設計）人: 鄧寒冰;許童羽;周云成
• 申請（專利權）人: 沈陽農業大學
• 主分類號: G06N5/04
• 分類號: G06N5/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種面向共享知識的自主學習模型的裝置，包括知識庫，用于存放與Agent所提供服務相關的領域知識；知識接口、消息接口和環境接口；冗余處理模塊，用來消除知識之間存在的冗余內容；沖突處理模塊，用來消除不同知識之間的沖突內容；定位處理模塊，用來為知識在知識庫中找到合適的位置；關聯處理模塊，用于為新知識找到相似知識點，同時建立相似知識點之間的關系。本發明根據知識內容和結構的特點，分別實現了知識冗余處理、知識沖突處理、知識定位、知識相似關聯等自主學習過程，實現了多網絡節點對領域知識的自主更新與演化，解決了網絡環境下，多網絡節點在知識使用過程中新舊知識融合的一致性問題。

技術領域

本發明涉及計算機工程領域，具體涉及一種面向共享知識的自主學習模型的裝置。

背景技術

隨著互聯網特別是移動互聯網的快速發展，網絡已經成為人們學習知識、分享知識的最重要平臺。在網絡中，知識通常是以行業領域來劃分的，知識結構呈現相同領域聚集，不同領域零散關聯的形態，領域內的專家經驗、技能、管理素質構成的知識框架成為領域知識的核心，所以領域知識存在共通性。然而，對于網絡中的分布式網絡節點來說，領域知識是共享在知識庫中的，每個網絡上的節點都可以實時使用、修改、添加、刪除領域知識，而這樣的操作會直接影響其他節點下一次使用知識過程，降低了共享知識的可信度，這主要是由于新舊知識在融合過程存在信息維護一致性問題。現有的方法，主要從信息符號本身研究信息一致性，沒有考慮到領域知識內部存在的知識語義關聯。

要使計算機具有知識、能夠處理知識，首先就必須解決知識表示的問題。目前，最常用到的知識表示包括謂詞邏輯、產生式、語義網、框架等。但是，一階邏輯謂詞的表達能力是有限的，歸納結構的知識，多層次的知識類型都難以用一階邏輯來描述。產生式表示的主要缺點是求解效率低，不能表示結構性的知識，產生式表示的知識有一定的格式，且規則之間不能直接調用，因此那些具有結構關系或層次關系的知識不易用它表示出來。框架知識表示方法最主要的問題是缺乏形式理論，沒有明確的推理機制保證問題求解的可行性，同時框架系統中各個子框架的數據結構不一致就會影響系統的清晰性，造成推理困難。語義網結構性好，可以把事物的屬性以及事物間的各種語義聯系顯式的表現出來，是一種結構化的知識表示法，但語義網絡的推理規則不十分明白，表達范圍有限，一旦節點個數太多，網絡結構復雜，推理就難以進行。除了知識表示外，針對知識的自主學習方法也是重要的組成部分。解釋學習在經驗學習的基礎上，運用領域知識對單個例子的問題求解做出解釋，通過一種關于知識間因果關系的推理分析，可產生一般的控制策略，但領域知識的完整、正確對解釋學習非常重要。只有完整、正確的領域知識才有可能產生正確的解釋描述，而實際問題中不完善可能出現構造不出解釋或構造出多種解釋的情況。實例學習是典型的歸納學習，基于環境提供的大量特殊的實例，通過對事先標注的包含正例，反例的示教例子的分析，進行歸納推理，得到一般的規則。但實例空間的例子的質量是非常重要的，低質量的示教例子會引起互相矛盾的解釋，其結果僅為規則空間的搜索提供試探性的指導，有時甚至會誘導出錯誤的結論，得到錯誤的結果。在多節點網絡環境下，資源和計算能力是有限的，采用何種策略是自身利益最大化是需要研究的重要問題，同時環境具有實時、動態和觀察信息不完全等特征，一成不變的策略算法很難適應復雜環境，因此很多方法通過引入Agent學習機制獲得最有利的行動策略。但已有的工作多從單Agent角度出發，以博弈論的效用理論為工具，對不同的環境假設選取合適的研究方向，并且沒有考慮Agent的角色差別。

發明內容

為解決上述問題，本發明提供了一種面向共享知識的自主學習模型的裝置，根據知識內容和結構的特點，分別實現了知識冗余處理、知識沖突處理、知識定位、知識相似關聯等自主學習過程，實現了多網絡節點對領域知識的自主更新與演化，解決了網絡環境下，多網絡節點在知識使用過程中新舊知識融合的一致性問題。

為實現上述目的，本發明采取的技術方案為：

面向共享知識的自主學習模型的裝置，包括