目录

  • 知识表示为什么重要：从专家系统说起
  • 语义网络：把知识组织成概念层级
  • 框架表示法：用对象模板组织常识
  • 概念图：用图结构表达句子的语义
  • 知识图谱：RDF 三元组与 SPARQL 查询
  • 从自然语言到知识表示
  • 其他知识表示方法概览
  • 本章方法对比与总结

1 知识表示为什么重要：从专家系统说起

1.1 普通程序与专家系统的差异

知识表示的核心问题可以先通过两个公式看出来。普通程序可以粗略写成：

\[ \text{Programs}=\text{Algorithms}+\text{Data Structures} \]

也就是说，传统程序更关心“用什么算法处理什么数据结构”。例如排序程序的核心是排序算法，数据库索引的核心是数据结构设计。只要问题规则明确、流程固定，算法和数据结构就能很好地解决问题。

但专家系统面对的是另一类问题。医生诊断、设备故障排查、法律咨询、配置推荐等任务，并不只是把一批数据喂给一个固定算法，而是要用大量领域知识进行判断。因此专家系统可以概括为：

\[ \text{Expert Systems}=\text{Knowledge}+\text{Inference} \]

这里的 Knowledge 指专家经验、事实、规则、概念关系和默认常识；Inference 指系统根据已有知识推出新结论的过程。换句话说，专家系统的重点不是“算得快”，而是“知道什么，并且能根据这些知识推出什么”。

一个典型专家系统通常包含知识库、推理机、工作记忆和解释模块。知识库存放领域事实和规则，推理机负责根据当前事实进行推理，工作记忆保存当前问题的具体信息，解释模块则回答“为什么系统会这样判断”。这也解释了为什么本章要讲知识表示：如果知识没有被清楚地表示出来，推理机就无从使用它。

1.2 知识表示、知识获取与知识使用

人工智能中围绕知识的研究大致有三个方面：知识表示、知识获取和知识使用。三者不是并列孤立的关系，而是有先后依赖的关系。

知识获取解决“知识从哪里来”的问题，例如从专家访谈、数据库、文本、传感器或互联网中获得知识。知识使用解决“知识如何发挥作用”的问题，例如检索、问答、分类、诊断和规划。而知识表示处在二者中间，它负责把获得的知识变成机器能够保存、组织和推理的形式。

例如，人可以自然地说“金丝雀是鸟，鸟通常会飞”。但机器不能直接理解自然语言中的“是”“通常”和“会”。如果我们把它表示为概念层级和属性继承，机器就可以沿着层级推出“金丝雀通常会飞”。因此，知识表示的本质就是把人类知识翻译成机器可操作的结构。

1.3 知识表示需要解决什么问题

好的知识表示方法至少要解决四类问题。第一是表达能力，也就是它能不能表示对象、属性、关系、事件、规则、默认值和例外情况。第二是推理能力，也就是系统能不能基于表示出来的知识推出新结论。第三是组织能力，也就是知识之间能不能形成层次、分类、继承和组合关系。第四是可维护性，也就是新增知识时不会轻易破坏已有结构。

本章后面的语义网络、框架、概念图和知识图谱，都可以看成对这些问题的不同回答。语义网络擅长表达概念层级，框架擅长表达典型对象或场景，概念图擅长表达自然语言语义结构，知识图谱则适合大规模组织实体及其关系。

2 语义网络：把知识组织成概念层级

2.1 心理学证据：人类知识可能按层级组织

人类记忆中的知识往往具有层级结构。例如 ANIMAL、BIRD、CANARY、OSTRICH、FISH 等概念可以组织成上下位关系：CANARY 是 BIRD 的一种，BIRD 又是 ANIMAL 的一种。属性也可以放在不同层级上，例如 ANIMAL 具有 can breathe、has skin、can move 属性，而 BIRD 具有 can fly、has wings、has feathers 属性。

这个实验关注的是人判断句子真假的反应时间。判断 “A canary is a canary” 最快，因为它几乎不需要跨层级查找；判断 “A canary is a bird” 稍慢，因为要从 CANARY 往上一层找到 BIRD；判断 “A canary is an animal” 更慢，因为要继续往上找到 ANIMAL。同理，“A canary has skin” 也比较慢，因为 has skin 这个属性存放在 ANIMAL 层级，需要通过继承得到。

这个例子说明，概念层级不仅能节省存储，还能解释某些认知现象。我们不需要在 CANARY、OSTRICH、FISH 等每一个概念下面重复写“会呼吸、有皮肤、会移动”，只要把这些属性放在更高层的 ANIMAL 上，子类就可以继承它们。

不过，这个例子也埋下了一个重要问题：继承并不总是无条件正确。图中 OSTRICH（鸵鸟） 是 BIRD，但鸵鸟不会飞。如果系统只知道“鸟会飞”和“鸵鸟是鸟”，就会推出错误结论“鸵鸟会飞”。因此，语义网络必须处理默认属性和例外之间的冲突。

2.2 语义网络的基本结构

语义网络（Semantic Network） 是一种图形化知识表示方法。它通常用节点表示概念、实例或属性值，用边表示节点之间的关系。常见关系包括 is-a、part-of、has、can、property、color、owns 等。

在语义网络中，最重要的边之一是 is-a。它表示“某个概念属于另一个更一般的概念”，例如 CANARY is-a BIRD。这种关系使网络形成层级结构，也让属性继承成为可能。

这里的推理例子如下：

图里有几个基本事实：TWEETY is-a CANARY，CANARY is-a BIRD，CANARY property CAN-FLY，CANARY color YELLOW，并且 SYLVESTER owns TWEETY。这些事实本身很简单，但它们组合起来之后就能产生新的结论。

2.3 语义网络中的继承推理

语义网络推理的核心是沿着图中的边进行搜索，尤其是沿着 is-a 边向上查找父类，然后继承父类或类别上的属性。

例如，图中明确写着 CANARY is-a BIRD，BIRD property CAN-FLY，所以可以得到 CAN-FLY(CANARY)。又因为 TWEETY is-a CANARY，所以 Tweety 继承金丝雀的属性，系统可以推出 CAN-FLY(TWEETY) 和 TWEETY is YELLOW。再结合 SYLVESTER owns TWEETY，系统还能进一步推出 Sylvester 拥有一只金丝雀，拥有一只鸟，并且拥有某个会飞的东西。

这个推理过程的逻辑是连续的：先确定 Tweety 的类别，再继承类别属性，最后把“拥有 Tweety”这个关系推广为“拥有一只具有这些类别和属性的东西”。因此，语义网络不只是画图工具，它可以支持基于路径和继承的推理。

2.4 语义网络的优点与局限

语义网络最大的优点是直观。它把知识画成图，很适合表示“谁属于谁”“谁拥有什么属性”“谁和谁有关系”。对于概念层级、分类体系和对象关系，语义网络尤其自然。

但它的局限也很明显。首先，复杂逻辑表达能力有限。例如“所有鸟都会飞，除非它是鸵鸟或它受伤了”这类带例外和条件的知识，用普通边很难清楚表示。其次，如果没有严格形式语义，不同人可能对同一种边有不同理解。最后，继承冲突需要额外规则处理。比如某节点从父类继承“会飞”，又从自身属性得到“不会飞”，系统必须知道哪个结论优先。

3 框架表示法：用对象模板组织常识

3.1 Frame 的基本思想

Frame（框架） 是一种以对象、概念或场景为中心的知识表示方法。它有点像 UML 中的类图，也像一个对象模板。一个框架描述“这个东西通常有什么属性、和什么东西有关、默认情况下是什么样子”。

框架内部由许多 slot（槽） 构成。每个槽可以存放属性值、关系、默认值、约束，甚至可以存放过程性信息。与语义网络相比，框架不是把所有知识都摊成节点和边，而是把关于同一个对象或场景的知识收拢到一个结构中。

以 hotel room 为例：

hotel room 这个框架可以有 specialization of: room、location: hotel、contains: hotel chair, hotel phone, hotel bed 等槽。hotel bed 又可以有 use: sleeping、size: king、part: mattress, frame 等槽。这样一来，“酒店房间”不再只是一个孤立概念，而是一个由位置、组成部分、用途和默认属性构成的知识结构。

框架特别适合表示具有稳定结构的对象或场景，例如房间、课堂、餐厅、车辆、病例、会议流程等。它的优势在于人类看到一个场景时，常常会自动填补默认信息。例如听到“酒店房间”，我们通常会默认里面有床、椅子、电话或类似设备。框架正是用来表示这种“典型结构”的。

3.2 Slot 的类型与作用

框架中常见的 slot 类型包括：

Slot 类型 作用 例子
Frame identification information 标识这个框架是什么 hotel room、hotel bed
Relationship of this frame to other frames 表示与其他框架的继承、包含、组成关系 specialization of: room、part: mattress
Descriptors of requirements for a frame 描述该框架必须满足的属性或约束 椅子有 4 条腿，床用于 sleeping
Procedural information 访问或修改槽时触发某些过程 查询价格时自动计算费用
Frame default information 没有明确值时使用的默认信息 酒店床默认可供 sleeping
New instance information 记录具体实例的新信息或覆盖默认值 某个房间的床不是 king size

这些槽说明，框架不是简单的属性表。它既可以表达静态事实，也可以表达默认假设、继承关系、约束条件和过程。比如某个 hotel chair 默认高度是 \(20\) 到 \(40\) cm，如果具体房间中的椅子高度被测量为 \(45\) cm，那么实例信息就可以覆盖默认信息。

3.3 框架系统中的推理

框架推理通常围绕槽值展开。最常见的是继承推理：子框架可以继承父框架的槽。例如 hotel chair 是 chair 的特殊形式，因此它可以继承椅子的一般属性，再增加酒店场景下的特殊属性。

第二种常见推理是默认值填充。当系统没有得到某个槽的明确值时，可以使用框架中的默认值。比如只说“酒店房间里有一张床”，如果没有更多信息，系统可以默认这张床用于睡觉、有床垫和床架。默认值让系统能够在信息不完整时继续推理。

第三种是实例覆盖。默认值并不等于永远正确，具体实例的信息通常优先级更高。比如酒店床默认是 king size，但某个具体房间可能是 twin bed，那么具体实例的槽值应该覆盖默认值。

3.4 “John is like a fire engine” 例子到底想说明什么

这里有一个看起来很怪的例子：John like a fire engine. 更自然地说应该是 John is like a fire engine.，意思是 John 像一辆消防车。

消防车框架中有很多槽，例如 isa: motor vehicle、color: red、activity: high、volume: very high、fuel efficiency: average、ladder: 5m。如果系统听到“John 像消防车”，它不能把消防车的所有槽都复制给 John。否则会推出 John 是机动车、John 是红色、John 有 \(5\) 米梯子，这显然荒唐。

这个例子真正想说明的是：框架推理必须根据关系的语义选择相关槽，而不是机械复制所有槽。 在 “like” 这个关系下，合理迁移的是 activity: high 和 volume: very high，也就是 John 可能很活跃、声音很大、动静很大；不应该迁移的是类别、颜色、燃油效率和梯子。

因此，这个例子是框架系统中“选择性继承”或“类比推理”的示意。它提醒我们，知识表示不仅要保存属性，还要知道哪些属性在当前语境下 relevant。

4 概念图：用图结构表达句子的语义

4.1 概念图的基本组成

Conceptual Graph（概念图） 是一种图形化知识表示方法，常用于表达自然语言句子的语义结构。它通常包含两类节点：概念节点（concept nodes） 和 关系节点（relation nodes）。概念节点表示实体、类别、属性值或命题中的对象；关系节点表示概念之间的语义关系。

概念图和语义网络很像，但二者有一个重要区别：语义网络常把关系画成边，而概念图通常把关系也画成节点。这样做的好处是，关系可以明确连接一个、两个或多个概念，从而表示不同元数的关系。

4.2 关系的元数：一元、二元和三元关系

关系的元数可以通过几个简单例子理解：

如果关系只连接一个概念，它就是一元关系。例如 bird - flies 表示鸟会飞，flies 是一个 \(1\) 元关系。

如果关系连接两个概念，它就是二元关系。例如 dog - color - brown 表示狗的颜色是棕色，color 是一个 \(2\) 元关系。这里的两个参与者分别是“被描述的对象”和“属性值”。

如果关系连接三个概念，它就是三元关系。例如 father, child, mother - parents 表达父亲、母亲和孩子之间的亲子关系，parents 是一个 \(3\) 元关系。这个例子说明，概念图不局限于二元关系，它可以比较自然地表达多参与者关系。

4.3 Marker：唯一标记与通用标记

概念图需要区分类别、具体个体和变量，因此引入了 marker。

Unique marker（唯一标记） 用于标识某个具体个体。这里的 dog:#007 表示“编号为 #007 的那只狗”。它不是泛泛地说狗这个类别，而是在说某个唯一确定的对象。

这个图表达的意思是：有一只唯一编号为 #007 的狗，它的名字是 Emma，颜色是 brown。这里需要唯一标记，是因为现实世界里可能有很多只叫 Emma 的狗。系统如果只根据名字识别对象，就可能把不同实体混淆。

Generic marker（通用标记） 用于表示某个未特指的个体或变量。这里的 dog:*X 表示“某只狗”，但不指定它的唯一编号。它和数学中的变量有点像：虽然不知道具体是哪一只狗，但图中所有连接到 dog:*X 的关系都指向同一个对象。

这个图表达句子 The dog scratches its ear with its paw. 难点在于 its。英语里的 its ear 和 its paw 都指同一只狗的身体部分。概念图通过 part 关系把 ear 和 paw 都连接回同一个 dog:*X，从而说明耳朵和爪子属于这只狗。

可以用下表快速区分：

表达 含义 例子
dog 狗这个概念或类别 泛指 dog
dog:#007 某个唯一确定的狗 编号为 #007 的狗
dog:*X 某个未特指的狗，类似变量 某只狗抓自己的耳朵

4.4 命题概念：把一句话当作对象

自然语言中经常出现“相信、知道、认为、希望、说”等动词。这些动词的宾语往往不是一个普通对象，而是一整个命题。例如 Tom believes that Jane likes pizza. 中，Tom 相信的不是某个普通名词对象，而是 “Jane likes pizza” 这个完整命题。

这句话的主干是 Tom believes something，但这个 something 不是 pizza，也不是 Jane，而是完整命题 “Jane likes pizza”。因此概念图中需要把 Jane likes pizza 包装成一个 proposition（命题概念），再作为 believe 的 object。

这和语法中的宾语从句很像。关键是要区分两个层次：第一层是 “Tom believes P”，第二层是命题 \(P=\) “Jane likes pizza”。Tom 相信 \(P\)，并不自动意味着 \(P\) 一定为真。也就是说，“某人相信一件事”和“这件事本身是真的”是两个不同问题。知识表示如果不能区分这两层，就会把信念误当事实。

4.5 概念图推理：Restriction、Join、Simplify

概念图有三种基本操作：restriction、join 和 simplify。它们的作用分别是细化概念、合并图和删除冗余。

G1 表示某只狗作为 agent 执行 eat，object 是 bone。G2 表示 animal:"emma" 的颜色是 brown，并且位置在 porch。

Restriction operation，限制操作 是把更一般的概念限制为更具体的概念。这里 G3 把 animal:"emma" 限制为 dog:"emma"。这背后的逻辑是，dog 是 animal 的子类，因此如果我们知道 Emma 是狗，就能把原来较泛的 animal 类型具体化为 dog。

Join operation，连接操作 是把两个或多个图中可对应的节点合并，形成更大的图。这里 G4 把关于 Emma 的吃骨头信息、颜色信息和位置信息合并到同一个实体上。

Simplify operation，简化操作 是删除 join 后产生的重复节点或冗余结构，得到更紧凑的图 G5。

最终，系统可以得到一组连贯知识：Emma 是一只狗，Emma 是棕色的，Emma 在 porch，Emma 正在吃 bone。这个例子说明，概念图推理不是靠单条规则完成的，而是通过图结构的细化、合并和化简逐步得到更完整的表示。

5 知识图谱：RDF 三元组与 SPARQL 查询

5.1 三元组：知识图谱的基本事实单位

Sean Penn 这个例子可以用来说明知识图谱中的三元组。知识图谱通常把事实表示为：

\[ (\text{subject},\text{predicate},\text{object}) \]

也就是“主语、谓语、宾语”。例如：

\[ (\text{Sean Penn},\text{occupation},\text{Actor}) \]

这条三元组表达的意思是：Sean Penn 的职业是演员。

这里的例子可以整理为：

Subject Predicate Object
https://xxx/sean_penn/ rdfs:type Person
https://xxx/sean_penn/ fullName "Sean Penn"
https://xxx/sean_penn/ mailbox "sean_penn@xxx.com"
https://xxx/sean_penn/ occupation "Actor"

这些三元组共同描述了一个实体：它是一个人，名字叫 Sean Penn，有邮箱，有职业。每条三元组都很小，但大量三元组连接起来，就能形成知识图谱。

5.2 RDF：资源描述框架

RDF，Resource Description Framework，资源描述框架，是 Web 语义网和知识图谱中常用的一种标准数据模型。根据 W3C 的定义，RDF 的核心思想就是用三元组描述资源之间的关系。

在 RDF 中，subject 通常是一个资源 URI 或空白节点，predicate 通常是表示属性或关系的 URI，object 可以是另一个资源、空白节点，也可以是字符串、数字等字面量。这里 https://xxx/sean_penn/ 就是一个资源标识符，它比直接写 “Sean Penn” 更适合机器处理，因为 URI 可以尽量指向唯一资源。

Sean Penn 是一个真实人物，中文通常译作西恩·潘，是美国演员和导演。这里关注的不是他的生平，而是如何把他作为知识图谱中的一个 entity，并用 RDF 三元组描述现实世界中的人。

RDF 与前面的语义网络、概念图有明显联系。它们都在表达“实体之间有什么关系”。区别在于，RDF 是更工程化、标准化的数据模型，适合在 Web 和数据库中大规模存储、交换和查询。

5.3 SPARQL：查询 RDF 图的语言

如果 RDF 用来存储知识图谱，那么 SPARQL 就是用来查询 RDF 图的语言。这里出现了：

1
SELECT ?author ?titre ?homepage

这表示查询结果希望返回三个变量：作者、标题和主页。SPARQL 查询的基本思想是写出一组图模式，让系统在 RDF 图中寻找匹配的三元组，并把匹配到的资源绑定到变量上。

可以把它类比为数据库中的 SQL，但 SPARQL 面向的是图结构数据。SQL 常在表中查行列，而 SPARQL 常在三元组图中查节点和边的匹配关系。

5.4 本体映射：owl:sameAs 与 owl:equivalentProperty

这里的 SPARQL 例子不只是查询，还暗示了一个更重要的问题：不同数据源可能用不同名字描述同一件事。

例如，一个英文数据源可能用 a:title 表示书名，另一个法文数据源可能用 b:titre 表示书名。它们名字不同，但语义相同。此时可以用 owl:equivalentProperty 表示两个属性等价。类似地，如果两个 URI 指向同一个真实作者，可以用 owl:sameAs 表示它们其实是同一个实体。

这类映射对知识图谱非常重要。没有映射时，系统可能把同一个作者看成两个人，把同一种属性看成两种关系；有了映射后，系统就能跨数据源合并信息。例如，一个数据源知道作者主页，另一个数据源知道作者写了哪本书，系统通过 owl:sameAs 就能把这些事实连起来。

6 从自然语言到知识表示

6.1 输入与句法分析

Tarzan kissed Jane. 可以用来展示自然语言理解如何一步步转成知识表示。第一步是输入原始句子，第二步是 parsing，也就是句法分析。

句法分析要回答的是“这个句子的语法结构是什么”。在这个例子中，整个句子可以分成名词短语 Tarzan 和动词短语 kissed Jane；动词短语中又包含动词 kissed 和名词短语 Jane。这一步还没有真正理解世界意义，只是在确定词语如何组成句子。

6.2 语义解释：从语法结构到内部表示

第三步是 semantic interpretation，也就是把句法结构转成内部语义表示。

在这个内部表示中，person: tarzan 是 kiss 这个动作的 agent，person: jane 是 object，lips 是 instrument。这里的重点是，系统不只是知道句子里有三个词，而是知道“谁对谁做了什么，用什么做”。

这个过程体现了概念图和语义角色的作用。自然语言中的主语、宾语和介词短语，最终要转化为 agent、object、instrument、location 等语义角色。只有完成这一步，系统才可能回答问题或进一步推理。

6.3 上下文与世界知识解释

第四步是 contextual / world knowledge interpretation，也就是结合上下文和世界知识扩展表示。

扩展图中加入了 Tarzan 的宠物 Cheetah、Jane 与 love 的关系、jungle 作为 location 等背景信息。也就是说，系统不只处理句子字面信息，还把它放进更大的世界知识中解释。

这一步很重要，因为自然语言常常省略大量常识。比如人类看到 “Tarzan kissed Jane” 可能会自动联想到 Tarzan、Jane、jungle 等背景，但机器不会自动知道这些。知识表示系统需要把这些背景知识显式组织起来，才能做更深层的理解。

6.4 下游应用：问答、查询、翻译与生成

当句子被转换成内部知识表示后，它就可以服务于 question answerer、database query handler、translator、language generator 和 speech synthesis 等应用。

这条流程可以概括为：自然语言输入先变成句法结构，再变成语义结构，再结合世界知识扩展，最后交给问答、查询、翻译或生成模块使用。也就是说，知识表示是自然语言处理系统中连接“文字表面形式”和“机器可操作意义”的桥梁。

7 其他知识表示方法概览

7.1 逻辑、产生式规则与决策表

除了前面几类方法，还有一批其他知识表示方法。它们不需要全部展开，但要知道各自适合什么问题。

逻辑表示包括命题逻辑、一阶逻辑、描述逻辑和模态逻辑。逻辑的优点是形式严谨，适合表达精确规则和进行严格推理。例如一阶逻辑可以写出“所有人都会死亡”这类带量词的命题。但逻辑表示的缺点是常识知识很庞杂，例外和不确定性处理起来不轻松。

产生式规则通常写成：

\[ \text{IF 条件 THEN 结论或动作} \]

它在专家系统中非常常见。例如“如果病人发烧且咳嗽，那么怀疑呼吸道感染”。这种表示容易理解、容易维护，但当规则数量很多时，规则之间可能冲突，系统也可能难以解释复杂链式推理。

决策表适合把条件组合和对应动作整理成表格。它常用于业务规则、测试用例和诊断流程。相比产生式规则，决策表更适合系统检查“各种条件组合是否都覆盖到了”。

7.2 神经网络、贝叶斯网络与不确定性表示

人工神经网络用大量参数表示知识。它不像语义网络或框架那样把知识显式写成节点、边和槽，而是通过训练把模式分布在权重中。它的优点是擅长从数据中学习复杂模式，缺点是可解释性较弱。

贝叶斯网络用有向无环图表示随机变量之间的条件依赖，适合处理不确定性推理。例如疾病、症状、检测结果之间不是简单的必然关系，而是概率关系，贝叶斯网络就能表达“某症状在某疾病下出现的概率”。

Neurules 可以理解为神经网络和规则方法的结合方向，目标是在学习能力和可解释性之间取得折中。它不像单纯神经网络那样完全黑箱，也不像传统规则那样完全依赖人工编写。

7.3 Script、Petri Net、OAV triples 等方法

Script，脚本 用于表示典型事件序列。例如“去餐厅吃饭”通常包括进入餐厅、入座、点餐、用餐、付款、离开。脚本适合表达常识场景和事件流程。

Knowledge Petri net，知识 Petri 网 借助 Petri 网表达状态、变迁和流程，适合描述并发、资源流动和状态变化。

Object-attribute-value triples，对象-属性-值三元组 的形式是：

\[ (\text{object},\text{attribute},\text{value}) \]

例如 (dog, color, brown)。它和 RDF 三元组很接近，但通常更强调对象属性描述，而 RDF 更强调 Web 资源及其关系。

Language field theory，语言场论 在 这里只列出名称，可以理解为从语言结构或语义场角度组织知识的一类理论。本章不要求深入展开，学习时知道它属于其他知识表示方向即可。

8 方法对比与学习主线

8.1 四种方法对比

方法 核心表示 最适合表达 主要推理方式 典型问题
语义网络 节点 + 关系边 概念层级、属性继承、对象关系 路径搜索、继承、关系组合 例外和继承冲突
框架 对象/场景 + slot 典型对象、场景结构、默认属性 槽值继承、默认值填充、实例覆盖 多重继承、默认值冲突
概念图 概念节点 + 关系节点 自然语言语义、事件角色、多元关系 restriction、join、simplify 大规模使用时需要标准化工具
知识图谱 RDF 三元组 大规模实体关系、Web 数据集成 类型推理、属性映射、SPARQL 查询 实体消歧、关系对齐、数据质量

这四种方法不是互相替代的关系，而是面向不同任务。语义网络强调层级和继承，框架强调对象内部结构，概念图强调句子和事件语义，知识图谱强调大规模实体关系数据。练习如果让比较它们，不要只背定义，要说清楚“它们各自把知识组织成什么形式，以及这种形式适合做什么推理”。

8.2 学习主线

理解这些知识表示方法时，不要把每个知识点孤立看待。可以按照“知识如何被组织、如何被推理、适合解决什么问题”这条线串起来。语义网络和框架都关心常识结构，但一个偏图，一个偏对象模板；概念图和自然语言理解联系紧密，因为它能表示动作、角色和命题；RDF 和 SPARQL 则把知识表示推进到工程层面，用标准三元组和查询语言支持大规模知识图谱。

四个例子可以把本章核心思想串起来：金丝雀语义网络说明继承，hotel room 说明框架和 slot，Tom believes that Jane likes pizza 说明命题概念，Sean Penn 说明 RDF 三元组。

9 参考资料与补充来源