跳转到内容

语义网络

来自VeritasWiki 真理百科

语义网络是一种用节点与带标签的边来表示概念及其相互关系的知识表示形式。节点代表概念、事物或事件,边代表它们之间的关系,边上通常写明确的关系名称,如"是一种""属于""导致""位于"。它既是一种知识建模的方法,也是认知科学中描述人类记忆组织方式的一类模型,还曾是人工智能早期的主流知识表示手段之一。[1]

作为知识表示的语义网络

把知识画成网络,这个想法在20世纪50年代末成形。计算机科学家理查德·奎利安在1968年的博士论文中提出用语义网络表示词义,其做法是把一个词的含义拆成若干关系:一个概念与它的上位概念、它的属性、它的典型行为之间的关系,都用节点与边表示。这一思路的目标是让机器"理解"词义,而不只是存储字符串。

由此发展出一套通用的表示语言:概念节点、关系标签、实例与类之间的 is-a 链、属性槽。这套表示法在专家系统时代被广泛采用,典型应用包括医疗诊断、故障排查、自然语言理解。

它的优点是直观且可解释。相比规则库或概率模型,一张语义网络图可以被领域专家直接阅读、核对、修改。医生能看出系统把"肺炎"归到哪个上位概念下,也能指出某条边标错了。

它的缺点同样明显。一是推理能力弱:网络能表达"是什么关系",但不能直接表达"如果……那么……"这类条件推理,需要额外的规则机制配合。二是规模一大就失控:几万个节点之后,图无法可视化,维护成本急剧上升,一致性难以保证。三是缺乏形式语义:早期语义网络没有统一的模型论解释,不同系统的"边"含义各不相同,无法互换。这些缺陷是它在20世纪80年代之后逐渐被描述逻辑、本体语言取代的原因。

作为记忆模型

与工程传统并行的,是心理学传统。

柯林斯与奎利安在1969年提出层级网络模型,主张概念在记忆中以层级方式组织:上位概念在上,下位概念在下,共同属性存放在上位节点上,下位节点只存特有属性。按这一模型,判断"金丝雀是鸟"比判断"金丝雀是动物"要快,因为前者只需上升一层,后者需要上升两层。实验数据在多数情况下支持这一预测。

1975年前后,柯林斯与洛夫特斯提出扩散激活模型,修正了严格层级的假设。他们主张网络不是严格的树,而是带有交叉连接的网;当一个节点被激活,激活会沿边向邻近节点扩散,距离越远,强度越弱。这一模型能解释"语义启动"现象:先看到"医生",随后识别"护士"的速度会加快。[2]

这两条路线后来被更精细的模型取代,但它们确立了几个至今仍在使用的观念:知识以关联方式存储、提取有难度的差异、语境会影响激活的路径。

与概念图、知识图谱的区别

三者常被混为一谈,实际处在不同的传统里。

概念图由诺瓦克在康奈尔大学的教学研究中发展出来,用于评估学生的理解结构。它要求每条连接线上写明关系,强调层级与交叉链接,主要用途是教学与学习。

语义网络是知识表示的技术传统,关注的是如何让机器存储与推理,其形式化程度高于概念图。

知识图谱是语义网络在互联网规模上的工程实现:以实体为节点、以关系为边,用统一的标识符与本体约束,支持大规模查询与推理。它继承了语义网络的基本形式,用资源描述框架与查询语言解决了早期语义网络缺乏形式语义的问题。

三者的关系可以粗略地表述为:概念图是教学工具,语义网络是表示方法,知识图谱是工程系统。 语义网络在工程上最成功的一次落地是 WordNet。这一项目由普林斯顿大学乔治·米勒的团队从1985年起构建,把英语词汇按同义集合组织成十余万个节点,节点之间标注上下位、部分整体、反义、方式等关系。它不追求覆盖全部语义,只处理词与词之间的结构性关系,因而维护成本可控。此后多语言版本、跨语言的合并版本相继出现,它至今仍是词义消歧、信息检索与自然语言处理的基础资源之一。WordNet 的意义在于证明了一件事:只要关系类型收得足够窄,手工构建的网络也能达到可用的规模。[3]


在教育与情报工作中的应用

语义网络的思路被大量借用到需要梳理关系网络的场合。

在语言教学中,教师让学生围绕一个词画出它的搭配网络、同义网络、反义网络,用以扩展词汇的深度而非数量。这一做法与语义网络的技术传统无关,借用的只是形式。

在情报分析中,把人物、组织、事件、地点作为节点,把资金往来、通信、会面作为边,可以构成一张关系网络图,用于发现间接关联。这类分析在商业尽职调查与执法领域都有使用,其有效性依赖于数据的完整性与关系定义的严格性。

在医学教育中,疾病、症状、检查、药物之间的关系被画成网络,用于训练诊断思维。相较线性笔记,网络形式更容易暴露"某个症状同时指向多种疾病"这类结构信息。

局限

第一是关系的语义依赖标注者。同一条边,甲标"导致",乙可能标"相关"。标注的不一致会在网络规模扩大后累积成系统性偏差。

第二是缺乏时间维度。标准语义网络表达的是静态关系,"曾在某处任职"与"现任某职"在图上可能长得一样。要表达时序,必须引入额外的时间标注机制。

第三是推理深度有限。网络擅长回答"X与Y有没有关系",不擅长回答"如果X发生,Y会怎样"。后者需要因果模型或仿真。

第四是可视化失真。节点一多,布局算法必须做取舍,视觉上的"靠近"未必对应语义上的"相关"。读者若把图的布局当作信息,就会得出错误结论。

第五是维护成本。知识会过时,边会失效,而在一个几万节点的网络中定位过时的部分,本身就是一个难题。[4]

参考资料

  1. ↑ Semantic Network,Unseel 语言学资料库。
  2. ↑ Inferring Cognitive Processes,阿萨巴斯卡大学出版社开放教材。
  3. ↑ Semantic Network,Unseel 语言学资料库。
  4. ↑ 创新思维与创造技法,清华大学出版社教材配套资料。