人工智能导论概念汇总：知识表示与推理期末复习指南

简介面向备考人工智能导论课程的高校学生与自学者这份山东大学人工智能导论概念汇总以PDF形式梳理课程核心概念体系适合期末复习、知识框架搭建与考点速查。内容围绕智能的定义与特征、知识表示与知识图谱、确定性推理方法等主线展开涵盖一阶谓词逻辑、产生式表示、框架表示、语义网络等具体方法并对搜索策略、遗传算法等相关概念作了归纳代码框内容标注为非重点便于按考试可能性取舍。压缩包内共1个PDF文件约2.28MB结构紧凑打开即可阅读无需额外配置环境。目前已有434人学习可作为课堂笔记之外的对照材料帮助读者快速回顾谓词公式、量词辖域、产生式系统结构等易混知识点在有限时间内完成概念串讲与查漏补缺。1. 人工智能导论概念汇总先看清这场期末到底考什么人工智能导论概念汇总这类资料最容易让人误判的地方是把“背定义”当成全部。真到期末卷子上丢分往往不在“智能是什么”而在知识表示法选错、子句集少写一步、可信度公式代反。这场考试的核心就三块概念辨析、表示法对比、推理计算。面试里问到机器学习、推理方法、搜索策略、遗传算法也常从这三块往外延伸。拿分策略很直接定义背到能默写关键词表示法背到能画对比表推理题背到能按步骤写过程。这份汇总V2适合两类人期末前想快速收网的人和面试前需要把人工智能基础概念重新捋顺的人。别一上来就啃偏题先把必考骨架立住。2. 知识表示四类表示法的必考对比与答题模板知识表示这一章是典型的“看起来都是文字考起来全是细节”。输入资料里给了四条主线一阶谓词逻辑、产生式、框架、知识图谱。复习时不要按课本顺序平均用力而要按题型用力。选择题爱考“谁能表示不确定知识”“谁有结构性继承性”“知识图谱分几层”简答题爱考“产生式与蕴含式的区别”“框架的槽和侧面是什么”综合题则会把一阶谓词逻辑和后面的归结反演接起来。也就是说这一章既要背概念又要为第3章推理题打底。先看知识本身。知识的特性有相对正确性、不确定性、可表示性与可利用性。知识表示就是把人类知识形式化或者模型化。这个定义短但答题时要带出“形式化/模型化”两个词否则容易被判不完整。逻辑分经典逻辑与非经典逻辑经典逻辑包括经典命题逻辑、一阶谓词逻辑非经典逻辑包括三值逻辑、多值逻辑、模糊逻辑。这里最常见的翻车点是把“模糊逻辑”塞进经典逻辑或者把“一阶谓词逻辑”说成非经典逻辑。记法很简单带“模糊、多值、三值”的都不是经典逻辑。2.1 一阶谓词逻辑命题、谓词、量词和两个局限命题是非真即假的陈述句。命题逻辑研究命题及命题之间关系的符号逻辑系统它的缺陷要背原话无法把它所描述的事物的结构及逻辑特征反映出来也不能把不同事物间的共同特征表述出来。正是这个缺陷把一阶谓词逻辑推了出来。谓词写成 P(x1,x2,...,xn)个体是 x1,x2,...,xn谓词名是 P。比如“A同学是一个教师”可以写成一元谓词 Teacher(A)。这里的 A 只是代称考场上换成任何名字都一样。连接词优先级别从高到低是否定、合取、析取、蕴含、等价。这个顺序必须记牢化简子句集时少写一个括号就可能改变整个公式的意思。量词的辖域是位于量词后面的单个谓词或者用括弧括起来的谓词公式。约束变元是被量词约束的变元自由变元是没有被约束的变元。谓词公式的性质包括永真性/永假性、可满足性/不可满足性、等价性、永真蕴含。答题时不要只写“真或假”要把“永真、永假、可满足、不可满足”四个词分开。一阶谓词逻辑表示法的优点自然性、精确性、严密性、容易实现。局限性不能表示不确定的知识、组合爆炸、效率低。这四优三缺是高频简答题。面试官最想听的是你能不能把“为什么不能表示不确定知识”说清楚因为一阶谓词逻辑的真值只有真/假遇到“大概率感冒”“比较像教师”这类带置信度的描述就使不上劲。这也解释了后面为什么要有产生式和可信度方法。2.2 产生式与框架一个考区别一个考结构产生式的表示形式要分四种情况背确定性规则知识写成 P→Q确定性事实性知识写成对象属性值不确定性规则知识写成 P→Q置信度不确定性事实性知识写成对象属性值置信度。产生式与谓词逻辑中蕴含式的区别有两句关键话第一除逻辑蕴含外产生式还包括各种操作、规则、变换、算子、函数等第二蕴含式只能表示精确知识而产生式不仅可以表示精确知识还可以表示不精确知识。答题时把这两句写全基本就稳了。产生式系统的结构图要能默规则库用于描述相应领域内知识的产生式集合综合数据库存放问题求解过程中各种当前信息控制系统由一组程序组成负责整个产生式系统的运行实现对问题的求解。匹配成功的规则可能不止一条这时要进行冲突消解。产生式表示法的优点自然性、模块性、有效性、清晰性缺点效率不高、不能表达结构性知识。这里的“不能表达结构性知识”常和框架表示法对比考因为框架的强项正是结构性。框架表示法要抓三个词框架、槽、侧面。框架是描述所论对象属性的数据结构槽描述所论对象某一方面的属性侧面描述相应属性的一个方面。把具体信息填入槽或侧面后就得到相应框架的一个事例框架。输入资料里的教师框架就是典型框架名、姓名、年龄、性别、职称、部门、住址、工资、开始工作时间、截止时间其中性别缺省男、职称缺省讲师、截止时间缺省现在。答题时不要只写“框架有继承性”要能指出“住址框架、工资框架”这类槽值可以指向另一个框架这就是结构性和继承性的落点。框架表示法的特点结构性、继承性、自然性。这三个词顺序不重要但一个都不能少。常见扣分是写成“模块性、清晰性”那是产生式的优点串章了。2.3 知识图谱模式层、数据层和构建路线知识图谱的定义要带出“可视化技术描述知识资源及其载体挖掘、分析、构建、绘制和显示知识及它们之间的相互联系”。也可以把它看作一张图节点表示实体或概念边由属性或关系构成。逻辑结构分模式层与数据层。数据层由一系列事实组成知识以事实为单位存储模式层构建在数据层之上是知识图谱的核心。这个“核心”两个字常考别把数据层说成核心。体系架构里的资源对象分三类结构化数据知识定义和表示都比较完备半结构化数据部分结构化但存在大量结构化程度较低的数据非结构化数据没有定义和规范约束的“自由”数据。知识图谱构建分自顶向下和自底向上。答题时可以用一句话收束自顶向下偏向先定模式再抽数据自底向上偏向先抽实体再归纳模式。不要展开成论文期末简答到这个程度够用。2.4 真题演练三道简答题的得分点拆解第一题“产生式与谓词逻辑中的蕴含式有什么区别”答题思路先分点再补一句适用场景。得分点一产生式除逻辑蕴含外还包括操作、规则、变换、算子、函数等得分点二蕴含式只能表示精确知识产生式可以表示不精确知识。最后补一句所以产生式更适合规则型、带置信度的领域知识表示。不要一上来举例子先把区别写清再举例。第二题“框架表示法中槽和侧面是什么关系请结合教师框架说明。”答题思路是先定义再落到教师框架。槽描述对象某一方面的属性侧面描述相应属性的一个方面。教师框架里“职称”是槽“范围教授、副教授、讲师、助教”和“缺省讲师”是侧面。这样答既有定义又有结构比只背“槽是属性”更稳。注意不要说“槽是子框架”槽可以指向子框架但槽本身不是子框架。第三题“知识图谱的模式层和数据层分别起什么作用”答题思路是分层说。数据层由事实组成知识以事实为单位存储模式层构建在数据层之上是知识图谱的核心。再补一句构建路线自顶向下、自底向上。这道题最容易错在把“模式层”说成“存事实的地方”事实在数据层。记忆抓手数据层管“有哪些事实”模式层管“事实按什么概念体系组织”。提示知识表示这一章的简答题先写定义关键词再写对比维度最后补一句适用场景。三步写完比堆例子更容易踩到得分点。3. 确定性推理子句集九步法与归结反演真题拆解确定性推理是整份汇总里最像“计算题”的一章也是步骤分最密集的一章。输入资料给的主线很清楚推理的基本分类、自然演绎推理、谓词公式化为子句集、鲁宾逊归结原理、归结反演、应用归结原理求解问题。复习时要把“概念判断”和“手算步骤”分开练。概念判断考演绎/归纳、单调/非单调、正向/逆向/混合/双向手算步骤考子句集九步和归结反演。很多人概念背得熟一到化子句集就漏掉变量标准化或者消去存在量词时忘了 Skolem 化整道题从第一步就开始歪。先理清推理分类。推理是从已知事实出发运用已掌握的知识找出其中蕴涵的事实或归纳出新的事实。演绎推理是从全称判断推导出单称判断即由一般性知识推出适合于某一具体情况的结论归纳推理是从足够多事例中归纳出一般性结论是从个别到一般。完全归纳推理考察全部对象不完全归纳推理只考察部分对象。默认推理又叫缺省推理是在知识不完全的情况下假设某些条件已经具备所进行的推理。确定性推理所用的知识与证据都是确定的推出的结论也是确定的真值或者为真或者为假不确定性推理所用的知识与证据不都是确定的结论也不确定。单调推理随着推理推进和新知识加入结论越来越接近最终目标非单调推理则可能因为新知识加入而否定已有结论退回前面的某一步重新开始。正向推理以已知事实为出发点叫事实驱动推理逆向推理以某个假设目标为出发点叫目标驱动推理混合推理分先正向后逆向、先逆向后正向双向推理是正向与逆向同时进行并在某一步骤“碰头”。冲突消解策略要背四个排序按针对性排序、按已知事实的新鲜性排序、按匹配度排序、按条件个数排序。自然演绎推理的规则里P规则是前提引入T规则是推理规则假言推理是 P,P→Q ⇒ Q拒取式推理是 P→Q,﹁Q ⇒ ﹁P。这些名字看起来散答题时可以用“前提引入—推理规则—假言/拒取”串起来。3.1 子句集九步法每一步都在防丢分谓词公式化为子句集的方法输入资料给了九步消去“→”和“↔”把否定符号移到紧靠谓词的位置变量标准化消去存在量词化为前束形化为 Skolem 标准形略去全称量词消去合取词子句变量标准化。这九步不是背名字就完事每一步都有对应的易错点。第一步消去蕴含和等价要用 P→Q ⇔ ﹁P∨QP↔Q ⇔P∧Q∨﹁P∧﹁Q。第二步把否定移进去靠双重否定律、德·摩根定律、量词转换律。第三步变量标准化是去重名不同量词约束的变元不能同名。第四步消去存在量词要分两种情况存在量词不出现在全称量词辖域内换个变量存在量词出现在一个或多个全称量词辖域内用 Skolem 函数代替每个存在量词量化的变量这个过程叫 Skolem 化。第五步化为前束形形式是前缀{母式}前缀是全称量词串母式是不含量词的谓词公式。第六步化为 Skolem 标准形写成全称量词串加子句的合取式。第七步略去全称量词第八步消去合取词第九步子句变量标准化。这里最容易翻车的是第四步和第九步。第四步错后面所有归结都建立在错误子句上第九步漏不同子句用了同一个变量名归结时会发生变量捕获。答题时建议把九步编号写出来每一步只写关键变换不要跳步。阅卷看的是过程不是最后一行。3.2 归结原理与归结反演先否定结论再找空子句鲁宾逊归结原理的基本思想是检查子句集 S 中是否包含空子句若包含则 S 不可满足若不包含在 S 中选择合适子句进行归结一旦归结出空子句就说明 S 不可满足。命题逻辑中的归结原理设 C1 与 C2 是子句集中的任意两个子句如果 C1 中的文字 L1 与 C2 中的文字 L2 互补那么从 C1 和 C2 中分别消去 L1 和 L2并将两个子句中余下的部分析取构成一个新子句 C12。归结式 C12 是其亲本子句 C1 与 C2 的逻辑结论。谓词逻辑中的归结原理还要加一步最一般合一得到二元归结式。归结反演的步骤要背成动作序列将已知前提表示为谓词公式 F将待证明结论表示为谓词公式 Q并否定得到 ﹁Q把 {F﹁Q} 化为子句集 S对 S 中子句进行归结每次归结式都并入 S若出现空子句停止归结证明 Q 为真。提示里有一句很实用归结时按由长到短的子句顺序进行。这不是玄学子句长可消去的文字多容易先产生短子句减少盲目试错。3.3 真题演练一自然演绎证明“A同学喜欢某课程”题目给三类事实凡是容易的课程 A同学都喜欢C 班的课程都是容易的ds 是 C 班的一门课程。求证 A同学喜欢 ds 这门课程。答题思路先定义谓词再写公式最后写推理链。定义 EASY(x) 表示 x 是容易的LIKE(x,y) 表示 x 喜欢 yC(x) 表示 x 是 C 班的一门课程。已知事实写成(∀x)(EASY(x)→LIKE(A,x))(∀x)(C(x)→EASY(x))C(ds)。推理链是 C(ds)→EASY(ds)→LIKE(A,ds)。这道题不难但答题要写出“全称量词消去后代入 ds”的动作。只写最后一句“所以喜欢”会丢推理分。可以补一句这里用的是假言推理从 C(ds) 和 C(x)→EASY(x) 推出 EASY(ds)再从 EASY(ds) 和 EASY(x)→LIKE(A,x) 推出 LIKE(A,ds)。这样步骤就完整了。3.4 真题演练二归结反演证明“一定录取 C”题目是某公司招聘A、B、C 三人应试公司想法有三条三人中至少录取一人如果录取 A 而不录取 B则一定录取 C如果录取 B则一定录取 C。求证公司一定录取 C。答题思路是先把三条前提写成谓词公式再把结论否定化子句集最后归结出空子句。设 P(x) 表示录取 x。前提一P(A)∨P(B)∨P(C)。前提二P(A)∧¬P(B)→P(C)即 ¬P(A)∨P(B)∨P(C)。前提三P(B)→P(C)即 ¬P(B)∨P(C)。结论 Q 是 P(C)否定得到 ¬P(C)。子句集 S 为P(A)∨P(B)∨P(C)¬P(A)∨P(B)∨P(C)¬P(B)∨P(C)¬P(C)。归结过程第一句和第二句归结得到 P(B)∨P(C)再和第三句归结得到 P(C)再和第四句归结得到 NIL。NIL 就是空子句证明完成。这道题的得分点不在最后 NIL而在“结论否定”和“子句集写对”。很多人一着急直接拿前提归结忘记否定结论最后证出来的是别的东西。答题时把“否定结论”四个字写在最前面等于给自己上保险。3.5 真题演练三应用归结原理求解“小张的老师是谁”题目给三条A先生是B同学老师B同学与C同学是同班同学如果 x 与 y 是同班同学则 x 的老师也是 y 的老师。求 C 同学老师是谁。答题思路是先把待求解问题写成 ¬Q∨ANSWER 的形式再并入子句集。定义 Teacher(a,b) 表示 a 是 b 的老师Classmate(a,b) 表示 a 和 b 是同班同学。前提写成 Teacher(A,B)Classmate(B,C)(∀x)(∀y)(∀z)(Classmate(x,y)∧Teacher(z,x)→Teacher(z,y))即 ¬Classmate(x,y)∨¬Teacher(z,x)∨Teacher(z,y)。待求解写成 ¬Teacher(U,C)∨ANSWER(U)。子句集为Teacher(A,B)Classmate(B,C)¬Classmate(x,y)∨¬Teacher(z,x)∨Teacher(z,y)¬Teacher(U,C)∨ANSWER(U)。归结时先用 Teacher(A,B) 和第三个子句得到 ¬Classmate(B,y)∨Teacher(A,y)再用 Classmate(B,C) 代入得到 Teacher(A,C)最后和第四个子句归结得到 ANSWER(A)。答案就是 A先生。这道题的关键是“ANSWER 谓词”的写法。不要把问题直接否定成 ¬Teacher(U,C) 就结束那样只能证明存在老师不能给出是谁。加上 ANSWER(U)归结出的 ANSWER(A) 才是答案。这个套路在面试里也常被问归结原理只能证明真伪怎么求解具体答案答把待求解问题否定后与 ANSWER 构成析取式让 ANSWER 带着变量一起归结。注意子句集化简和归结反演是步骤分最重的地方。每一步写编号归结时注明用了哪两个子句比只写结果更容易拿分。4. 不确定性推理可信度、证据理论、模糊推理的计算题套路不确定性推理是从不确定性的初始证据出发通过运用不确定性的知识最终推出具有一定程度的不确定性但却是合理或者近乎合理的结论的思维过程。这一章的题感和前面不同确定性推理像证明题不确定性推理像公式应用题。可信度方法考公式代入证据理论考 Bel 和 Pl 的计算模糊推理考隶属度、交并补和合成。复习时要把每个方法的“表示—传递—合成”三件事分开记否则公式一多就串。4.1 可信度方法CF 的取值范围和合成顺序可信度是根据经验对一个事物或现象为真的相信程度。知识不确定性的表示写成 if P then Q (CF(Q,P))CF(Q,P) 是可信度因子反映前提条件与结论的联系强度取值范围是 [-1,1]。CF(H,E)0 表示证据出现与否与 H 无关CF(E)1 表示能肯定它为真CF(E)0 表示未获得任何相关观察CF(E)-1 表示能肯定它为假。这几个端点值要背准选择题最爱在这里挖坑。组合证据不确定性的算法多个单一证据合取EE1 AND E2 AND … AND En则 CF(E)min{CF(E1),CF(E2),…,CF(En)}多个单一证据析取EE1 OR E2 OR … OR En则 CF(E)max{CF(E1),CF(E2),…,CF(En)}。不确定性的传递算法是 CF(H)CF(H,E)×max{0,CF(E)}。注意当 CF(E)0 时CF(H)0。这个 max{0,CF(E)} 是高频扣分点很多人直接把负的 CF(E) 乘进去导致结论可信度变负方向就错了。结论不确定性的合成算法分两步先分别对每条知识求出 CF(H)再求 E1 与 E2 对 H 的综合影响。输入资料给的例题里CF(E1)0.7×max{0,min{0.5,max{0.6,0.7}}}0.7×0.50.35CF(E2)0.9×max{0,min{0.6,0.9}}0.9×0.60.54CF1(H)0.8×max{0,0.35}0.28CF2(H)0.6×max{0,0.8}0.48CF3(H)-0.5×max{0,0.54}-0.27。合成时先算 CF1,2(H)0.280.48-0.28×0.480.63再算 CF1,2,3(H)(0.63-0.27)/1-min{0.63,0.27}0.36/0.730.49。这道题要拿满分关键在于把“先合取/析取求 CF(E)再乘规则强度最后合成”的顺序写清楚。4.2 证据理论概率分配函数、Bel 和 Pl 的分工证据理论里概率分配函数作用于子集概率作用于元素这是第一个要分清的差别。信任函数 Bel(A) 表示对 A 为真的总的信任程度注意 Bel(∅)M(∅)0。似然函数 Pl(A) 又叫不可驳斥函数、上限函数表示对 A 为非假的信任程度。输入资料的例子设 D{红黄蓝}M({红})0.3M({黄})0M({红黄})0.2则 Bel({红、黄})0.300.20.5Pl({蓝})1-Bel(¬{蓝})1-Bel({红黄})1-0.50.5。这里常考的是 Bel 和 Pl 的关系Bel(A) 是“确定支持 A”的下限Pl(A) 是“不反对 A”的上限。答题时不要只写公式要补一句“Bel 算的是支持 A 的子集信任度之和Pl 算的是与 A 相交不为空的子集信任度之和”。正交和要注意如果 K≠0则正交和 M 也是一个概率分配函数如果 K0则不存在正交和 M称 M1 与 M2 矛盾。这个“K0 矛盾”的判断是选择题高频点。基于证据理论的不确定性推理步骤建立问题的样本空间 D由经验给出或由随机性规则和事实的信度度量求得基本概率分配函数计算所关心子集的信任函数值、似然函数值由信任函数值、似然函数值得出结论。答题时按这四步写比只写一个 Bel 值更像完整推理。4.3 模糊推理隶属度、运算和决策三件套模糊逻辑给集合中每一个元素赋予一个介于 0 和 1 之间的实数描述其属于一个集合的强度集合中所有元素的隶属度全体构成集合的隶属函数。模糊集合的表示方法有 Zadeh 表示法、序偶表示法、向量表示法。运算包括包含关系、相等关系、交并补运算、代数运算。输入资料的例题给了 A 和 B 两个模糊集合A·B 是逐项取最小AB 是逐项取最大A⊕B 是有界和AⓧB 是有界积。答题时先把运算规则写出来再逐项算不要跳步。模糊关系是两个模糊集合中的元素之间关联程度的多少模糊关系的合成对应到矩阵时× 用 min 用 max。模糊决策是由模糊推理得到的结论或者操作是一个模糊向量转化为确定值的过程方法有最大隶属法、加权平均判决法、中位数法。这三类决策方法要能各说一句适用场景最大隶属法取隶属度最大的元素简单直接加权平均判决法用隶属度作权重求加权平均适合需要平滑输出的场景中位数法取累积隶属度中位点适合有排序意味的决策。4.4 真题演练可信度与证据理论各一道第一题“已知 CF(E1)0.7CF(E2)0.9规则 CF(H,E1)0.8CF(H,E2)0.6CF(H,E3)-0.5且 E1 与 E2 为合取关系E3 的可信度为 0.54求 CF(H)。”答题思路先算组合证据合取取 min所以 CF(E)min{0.7,0.9}0.7再算每条规则的传递CF1(H)0.8×max{0,0.7}0.56CF2(H)0.6×max{0,0.9}0.54然后按合成公式算 0.560.54-0.56×0.540.560.54-0.30240.7976。如果还有负规则再按 (0.7976-0.27)/1-min{0.7976,0.27} 算。答题时把“合取取 min、析取取 max、传递乘 max{0,CF(E)}、合成先正后负”四句话写在前面再代数阅卷一眼能看到思路。第二题“设 D{红黄蓝}M({红})0.3M({黄})0M({红黄})0.2求 Bel({红、黄}) 和 Pl({蓝})。”答题思路先写 Bel 的定义再把支持 {红、黄} 的子集信任度相加M({红})M({黄})M({红黄})0.300.20.5。Pl({蓝})1-Bel(¬{蓝})1-Bel({红黄})1-0.50.5。注意 Bel(∅)0 这个条件要用上否则遇到空集容易多算。这道题不难但答题要写出“¬{蓝}{红黄}”这一步否则 Pl 的减法来源不清楚。提示不确定性推理的公式题先写方法名和公式再代数最后写结论。只写一个数字步骤分基本拿不到。5. 易错点五类最容易丢分的题错在哪、为什么错、怎么答对这一章专门收那些“明明看过一考就错”的点。易错题不是偏题而是高频题里的细节。下面五类每一类都按“错在哪—为什么错—怎么答对”拆开。考前把这几条过一遍比再刷十道新题更划算。5.1 概念混淆类把产生式优点写成框架优点错在哪简答题问“产生式表示法的特点”答成“结构性、继承性、自然性”。为什么错把产生式和框架表示法的关键词串了。产生式的优点是自然性、模块性、有效性、清晰性框架的优点是结构性、继承性、自然性。怎么答对记一个对比表左列写表示法右列写三个关键词。产生式记“模块清晰有效”框架记“结构继承自然”一阶谓词记“自然精确严密易实现但不能表示不确定知识、组合爆炸、效率低”。考前只看这张表比背整段定义快。5.2 子句集步骤类消去存在量词漏了 Skolem 化错在哪化子句集时看到存在量词直接换成一个新变量没有判断它是否在全称量词辖域内。为什么错存在量词不在全称量词辖域内换变量可以存在量词在一个或多个全称量词辖域内必须用 Skolem 函数代替函数参数是全称量词约束的变量。漏了这一步子句集就不是原公式的等可满足形式。怎么答对第四步先问一句“这个存在量词前面有没有全称量词”有就写 Skolem 函数没有就换变量。答题时把 Skolem 函数写出来比如 f(x) 或 f(x,y)不要只写一个常量。5.3 归结反演类忘记否定待证结论错在哪拿到证明题直接把前提化成子句集就开始归结最后证出一个和结论无关的子句。为什么错归结反演证的是“前提与否定结论不可满足”不否定结论子句集里就没有和目标冲突的子句自然归结不出空子句。怎么答对第一步先把结论写成 Q再写 ﹁Q然后把 {F,﹁Q} 一起化子句集。答题纸上把“否定结论”四个字写在最上面归结时每步注明亲本子句编号。出现 NIL 就停不要继续画蛇添足。5.4 可信度计算类传递算法忘了 max{0,CF(E)}错在哪算 CF(H)CF(H,E)×CF(E) 时直接把负的 CF(E) 乘进去得到负的可信度。为什么错传递算法规定 CF(H)CF(H,E)×max{0,CF(E)}当 CF(E)0 时CF(H)0表示证据不支持这条规则而不是反向支持。怎么答对先算 CF(E)再写 max{0,CF(E)}最后乘规则强度。遇到合取取 min、析取取 max先算组合证据再传递。合成时先算正可信度的合成再和负可信度合成公式别写反。5.5 证据理论类把 Bel 和 Pl 的减法方向写反错在哪求 Pl(A) 时写成 1-Bel(A)或者求 Bel(A) 时把不与 A 相交的子集也算进去。为什么错Pl(A)1-Bel(¬A)减的是 A 的补集的信任度不是 A 本身。Bel(A) 只加那些完全包含在 A 里的子集的概率分配不能加与 A 相交但不包含的子集。怎么答对先写出 ¬A 是什么再算 Bel(¬A)最后 1 减。Bel 的计算先把 A 的所有子集列出来只取包含在 A 里的那些 M 值相加。例题里 D{红黄蓝}Pl({蓝})1-Bel({红黄})因为蓝的补集是红黄这一步写出来就不会反。6. 答题技巧从题干到得分点的四步拆题法最后落到怎么在考场上把会的东西写成分。我的习惯是四步先判题型再列关键词再写步骤最后补一句适用场景。判题型决定用哪套模板概念题写“定义特点局限”对比题写“维度左项右项”计算题写“公式代入结论”证明题写“定义谓词前提公式否定结论归结”。列关键词是防止一上来就写废话比如看到“产生式”先写自然性、模块性、有效性、清晰性看到“框架”先写结构性、继承性、自然性看到“归结反演”先写否定结论、化子句集、归结、空子句。写步骤时计算题和证明题一定要编号。子句集九步就写九行归结反演就写“前提—否定—子句集—归结—NIL”可信度就写“组合证据—传递—合成”。阅卷老师不一定有时间猜你的思路编号等于把得分点递到眼前。最后补适用场景是为了把简答题从“背定义”拉到“会用”一阶谓词逻辑适合精确知识产生式适合规则型知识框架适合结构性知识知识图谱适合实体关系组织可信度适合带经验强度的规则证据理论适合子集信任度量模糊推理适合边界不清的集合。题型开头写什么中间写什么结尾写什么概念题定义关键词特点、局限一句适用场景对比题对比维度逐项左右对照选型建议计算题公式代入过程结论和单位/范围证明题谓词定义前提公式、否定结论、子句集空子句或 ANSWER从那以后我每次做归结反演都强制先写否定结论再化子句集最后才动笔归结每次算可信度都先写 max{0,CF(E)} 再代数。这两条习惯让我少丢了很多步骤分。你要是也在准备这门课建议把这份人工智能导论概念汇总V2打印出来先背第2章的对比表再拿第3、4章的例题动手算一遍最后用第5章的易错点做一次自检。希望帮到你。本文还有配套的精品资源点击获取