企业官网建设流程全解析

简介：这份资料是山东大学人工智能导论课程的概念汇总笔记，面向正在修读该课程、准备期末考试或希望系统梳理人工智能基础知识的本科生与自学者，帮助读者在有限时间内抓住课程重点、厘清易混概念。压缩包内共1个PDF文件，约2.28MB，内容按章节组织，涵盖绪论、知识表示与知识图谱、确定性推理方法等模块，对智能的特征、一阶谓词逻辑、产生式与框架表示法、知识图谱构建等知识点做了条目化整理，并标注了非重点内容，便于按考试可能性取舍复习。目前已有433人学习下载，说明其在备考群体中具有一定参考价值。读者可借助这份汇总快速建立课程知识框架，对照课堂讲义查漏补缺，尤其适合在考前集中回顾推理方法、搜索策略与遗传算法等相关概念，提升复习效率。

1. 人工智能导论复习地图：从概念到推理的完整脉络

翻开任何一本人工智能导论教材，目录往往长得吓人：知识表示、确定性推理、不确定性推理、搜索策略、机器学习……每一块单拎出来都能讲一学期。但期末复习的真相是，这门课考的不是深度，而是概念之间的连接——你能不能把"智能是什么"和"谓词逻辑怎么化成子句集"串成一条线，能不能说清"产生式"和"框架"各自适合表示哪类知识。这份概念汇总把整门课压缩成一条主线：绪论打地基，知识表示铺路，确定性推理和不确定性推理是两条并行的解题路径，搜索策略和机器学习收尾。适合正在系统学这门课、或者考前需要快速建立全局感的人。先看地图，再抠细节，比一上来就背公式高效得多。

2. 绪论与知识表示：智能的四个特征和五种表示法

2.1 智能、知识与智力：三个最容易混淆的起点概念

复习这门课，第一道坎不是公式，而是几个看起来都懂、写起来就串的概念。智能是知识与智力的总和，这句话本身不难，难的是分清知识、智力、智能三者的边界。知识是长期实践和科学实验中积累的对客观世界的认识与经验，是一切智能行为的基础；智力是获取知识并应用知识求解问题的能力；智能则是两者的总和。考试里常见的坑是让你判断"记忆属于知识还是智力"——记忆是存储由感知器官感知到的外部信息以及由思维所产生的知识，它属于智能的特征之一，不是知识本身。

智能的四个特征要背成一组：感知能力、记忆与思维能力、学习能力、行为能力（表达能力）。这四个词对应到人工智能的四个技术方向，就是机器感知（以机器视觉与机器听觉为主）、机器思维（对感知信息和内部工作信息进行有目的的处理）、机器学习（自动获取知识和技能、不断改善性能）、机器行为（计算机的表达能力）。把这条对应关系记住，后面所有章节都能挂上去。

还有一个高频对比：深度学习特指基于深层神经网络模型和方法的机器学习，而人工神经网络是用大量简单处理单元经广泛连接组成的人工网络，用来模拟大脑神经系统的结构和功能。前者是方法范畴，后者是结构范畴，别写反。

人工智能的发展阶段按三段记：孕育（1956年以前，为研究奠定基础）、形成（1956—1969，多个领域取得引人瞩目的成就）、发展（1970年以后，取得重大突破）。年份不用死抠，但"1956"这个节点要能脱口而出。

2.2 知识表示五件套：谓词逻辑、产生式、框架、语义网络、知识图谱

知识表示的定义只有一句：将人类知识形式化或者模型化。但具体到五种方法，每种都有自己的适用边界和考试重点。先看一张对比表，把骨架立起来：

一阶谓词逻辑是确定性推理的基础，必须吃透。命题是非真即假的陈述句，命题逻辑研究命题及命题之间的关系，缺陷是无法反映事物的结构及逻辑特征，也不能表述不同事物间的共同特征。谓词逻辑补上了这块：谓词 P(x₁, x₂, …, xₙ)，其中 x 是个体，P 是谓词名。"老张是一个教师"写成一元谓词 Teacher(Zhang)。连接词优先级从高到低：¬、∧、∨、→、↔，这个顺序要背熟，化简子句集时全靠它。量词的辖域是位于量词后面的单个谓词或用括弧括起来的谓词公式，辖域内被量词约束的变元叫约束变元，否则是自由变元。

产生式的关键是分清四种写法：确定性规则知识 P→Q；确定性事实性知识（对象，属性，值）；不确定性规则知识 P→Q（置信度）；不确定性事实性知识（对象，属性，值，置信度）。产生式与谓词逻辑蕴含式的区别是必考点：一是产生式除逻辑蕴含外还包括各种操作、规则、变换、算子、函数，二是蕴含式只能表示精确知识，产生式还能表示不精确知识。产生式系统的三个组成部分——规则库、综合数据库、控制系统——要能画出来并说明各自职责，其中控制系统负责运行和求解，匹配成功的规则可能不止一条，需要进行冲突消解。

框架表示法的结构层次是框架→槽→侧面。框架名〈教师〉下有姓名、年龄、性别、职称、部门等槽，每个槽可以有范围、缺省值等侧面。当把具体信息填入槽或侧面后，就得到事例框架，比如〈教师-1〉里填上姓名、年龄、职称。框架的特点是结构性、继承性、自然性，继承性体现在下层框架可以继承上层框架的槽值。

知识图谱的定义要抓住"图"这个核心：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、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。构建方式分自顶向下和自底向上两种。数据来源按结构化程度分三类：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）。

提示：五种表示法不要孤立背，用"能不能表示不确定知识"这条线串起来——谓词逻辑不能，产生式能，框架和语义网络偏结构性，知识图谱偏关系性。这条线能帮你应对大部分选择题。

3. 确定性推理：从自然演绎到归结反演的全流程

3.1 推理的分类：一张分类图理清七八组概念

推理这一章概念密度极高，但绝大多数是"成对出现"的，抓住配对关系就不容易乱。从已知事实出发、运用已掌握的知识找出蕴涵的事实或归纳出新事实，这是推理的总定义。往下分：

• 演绎推理：从全称判断推导出单称判断，由一般性知识推出适合某一具体情况的结论。
• 归纳推理：从足够多的事例中归纳出一般性结论，从个别到一般。考察全部对象的是完全归纳推理，只考察部分对象的是不完全归纳推理。
• 默认推理（缺省推理）：知识不完全时假设某些条件已经具备所进行的推理。
• 确定性推理：知识与证据都确定，结论也确定，真值非真即假。
• 不确定性推理：知识与证据不都确定，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：新知识加入后不仅没加强已推出的结论，反而要否定它，退回前面的某一步重新开始。
• 启发式推理与非启发式推理：区别在于是否使用启发性知识，即与问题有关且能加快推理过程、提高搜索效率的知识。

按推理方向又分三组：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；混合推理是正反向混合，有两种模式——先正向后逆向（先正向推理帮助选择目标，再用逆向推理证实或提高可信度），先逆向后正向（先假设目标逆向推理，再利用其中信息正向推理推出更多结论）。此外还有双向推理，正向与逆向同时进行，在推理过程的某一步骤上"碰头"。

冲突消解策略四种排序方式要记牢：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。

3.2 自然演绎推理与子句集：九步化简是硬功夫

自然演绎推理是从一组已知为真的事实出发，运用经典逻辑推理规则推出结论的过程。推理规则包括 P 规则（前提引入）、T 规则（推理规则）、假言推理（P, P→Q ⇒ Q）、拒取式推理（P→Q, ¬Q ⇒ ¬P）。经典例题是"小王喜欢 ds 课程"：已知凡是容易的课程小王都喜欢、C 班课程都是容易的、ds 是 C 班课程，定义谓词 EASY(x)、LIKE(x,y)、C(x) 后，推理链就是 C(ds) → EASY(ds) → LIKE(Wang, ds)。这类题的关键是谓词定义要准，量词方向不能反。

真正拉开分差的是谓词公式化为子句集。先记住核心定理：Q 为 P₁, P₂, …, Pₙ 的逻辑结论，当且仅当 (P₁∧P₂∧…∧Pₙ)∧¬Q 是不可满足的。几个基础概念：原子谓词公式是不能再分解的命题，文字是原子谓词公式及其否定，子句是任何文字的析取式，空子句永假、不可满足，子句集由子句构成。

九步化简流程必须能默写：

1. 消去 → 和 ↔：P→Q ⇔ ¬P∨Q；P↔Q ⇔ (P∧Q)∨(¬P∧¬Q)
2. 把否定符号 ¬ 移到紧靠谓词的位置：双重否定律、德·摩根定律、量词转换律
3. 变量标准化（去重名）
4. 消去存在量词：存在量词不在全称量词辖域内就换个变量；出现在一个或多个全称量词辖域内则 Skolem 化，用 Skolem 函数代替存在量词量化的变量
5. 化为前束形：前束形 =（前缀）{母式}，前缀是全称量词串，母式是不含量词的谓词公式
6. 化为 Skolem 标准形：(∀x₁)(∀x₂)…(∀xₙ)M，M 是子句的合取式
7. 略去全称量词
8. 消去合取词
9. 子句变量标准化

注意：第 4 步 Skolem 化是最容易翻车的地方。判断标准只有一条——存在量词是否落在全称量词辖域内。落在里面就要用 Skolem 函数，函数参数是该存在量词前面所有全称量词的变量；落在外面直接换新变量即可。这一步错了，后面全错。

3.3 鲁宾逊归结原理与归结反演：从空子句到答案提取

归结原理的基本思想很朴素：子句集中子句之间是合取关系，只要有一个子句不可满足，子句集就不可满足。检查 S 中是否包含空子句，包含则 S 不可满足；不包含就在 S 中选合适子句归结，一旦归结出空子句，就说明 S 不可满足。

命题逻辑的归结：设 C₁ 与 C₂ 是子句集中的任意两个子句，C₁ 中的文字 L₁ 与 C₂ 中的文字 L₂ 互补，从 C₁ 和 C₂ 中分别消去 L₁ 和 L₂，将余下部分析取构成新子句 C₁₂。例如 ¬P∨Q 与 ¬Q∨R 归结得 ¬P∨R。归结式是其亲本子句的逻辑结论，即 C₁ 与 C₂ 为真则 C₁₂ 为真。两条不可满足性定理要分清：用 C₁₂ 代替 C₁ 与 C₂ 得到 S₁，由 S₁ 不可满足可推出 S 不可满足；把 C₁₂ 加入 S 得到 S₁，则 S 与 S₁ 在不可满足意义上等价。

谓词逻辑的归结多了最一般合一这一步，归结得到的是二元归结式。这里有个必须记住的结论：若从子句集存在一个到空子句的演绎，则该子句集不可满足；但如果没有归结出空子句，既不能说 S 不可满足，也不能说 S 可满足。这是逻辑上的"未定"，考试常拿来设陷阱。

归结反演的步骤固定四步：将已知前提表示为谓词公式 F；将待证结论表示为 Q 并否定得 ¬Q；把 {F, ¬Q} 化为子句集 S；对 S 反复归结并把归结式并入 S，出现空子句即证明 Q 为真。经典例题是招聘问题：三人至少录取一人、录取 A 不录取 B 则录取 C、录取 B 则录取 C，求证一定录取 C。把三条前提化成子句 {P(A)∨P(B)∨P(C), ¬P(A)∨P(B)∨P(C), ¬P(B)∨P(C)}，加上 ¬P(C)，归结路径是前两条先得 P(B)∨P(C)，再与第三条得 P(C)，最后与 ¬P(C) 得 NIL。

应用归结原理求解问题比证明多一步 ANSWER 构造：把待求解问题 Q 否定后与 ANSWER 构成析取式（¬Q∨ANSWER），化为子句集并入 S 得到 S'，对 S' 归结，若得到归结式 ANSWER，答案就在其中。经典例题是"小张的老师是谁"：Teacher(Wang,Li)、Classmate(Li,Zhang)、同班同学老师相同三条前提，加上 ¬Teacher(A,Zhang)∨ANSWER(A)，归结出 ANSWER(Wang)。

提示：归结时按由长到短的子句顺序进行，能显著减少无效归结。这是血泪经验，子句一多，顺序乱了很容易在考场上来回打转。

4. 不确定性推理：可信度、证据理论与模糊推理三套算法

4.1 可信度方法：CF 的取值范围与合成公式

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，推出具有一定程度不确定性但合理或近乎合理结论的思维过程。阈值用来指出相似的"限度"。这一章三套方法各有各的算法套路，先看可信度方法。

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是 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 [-1, 1]。CF(H,E)=0 表示证据出现与否与 H 无关。例如"IF 头痛 AND 流涕 THEN 感冒 (0.7)"。

证据不确定性的表示 CF(E)：等于 1 表示能肯定它为真，等于 0 表示未获得任何相关观察，等于 -1 表示能肯定它为假。组合证据的算法要记牢：合取取最小，CF(E)=min{CF(E₁),…,CF(Eₙ)}；析取取最大，CF(E)=max{CF(E₁),…,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 就是"负证据不传递"的数学表达。

结论不确定性的合成分两步：先对每条知识分别求 CF₁(H)、CF₂(H)，再合成。合成公式分三种情况，以两条知识为例：

• 两个 CF 都大于等于 0：CF₁,₂(H) = CF₁(H) + CF₂(H) − CF₁(H)×CF₂(H)
• 两个 CF 都小于 0：CF₁,₂(H) = CF₁(H) + CF₂(H) + CF₁(H)×CF₂(H)
• 一正一负：CF₁,₂(H) = [CF₁(H) + CF₂(H)] / [1 − min{|CF₁(H)|, |CF₂(H)|}]

例题里 CF(E₁)=0.7×max{0, min{0.5, max{0.6,0.7}}}=0.35，CF(E₂)=0.9×max{0, min{0.6,0.9}}=0.54，再分别乘规则强度得 CF₁(H)=0.28、CF₂(H)=0.48、CF₃(H)=-0.27，前两个同号合成 0.63，再与 -0.27 异号合成 (0.63-0.27)/(1-min{0.63,0.27})=0.36/0.73≈0.49。这类题只要公式记准、符号判断对，就是送分题。

4.2 证据理论：信任函数与似然函数的对偶关系

证据理论的核心是概率分配函数 M。这里有个容易混的点：概率分配函数作用于子集，而概率作用于元素，两者不是一回事。2^D 表示 D 的所有子集。基本约束是 Bel(∅)=M(∅)=0。

信任函数Bel(A) 表示对 A 为真的总的信任程度，等于 A 的所有子集的概率分配函数之和。例题：D={红，黄，蓝}，M({红})=0.3、M({黄})=0、M({红，黄})=0.2，则 Bel({红，黄})=0.3+0+0.2=0.5。

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，计算方式是 Pl(A)=1−Bel(¬A)。接上例，Pl({蓝})=1−Bel(¬{蓝})=1−Bel({红，黄})=1−0.5=0.5。信任函数和似然函数构成一对上下界，Bel(A) ≤ Pl(A) 恒成立。

概率分配函数的正交和是两条独立证据合成的方式。关键结论：如果 K≠0，正交和 M 也是一个概率分配函数；如果 K=0，则不存在正交和 M，称 M₁ 与 M₂ 矛盾。基于证据理论的推理流程是：建立样本空间 D（由经验给出或由随机性规则和事实的信度度量求得）→ 计算基本概率分配函数 → 计算所关心子集的信任函数值和似然函数值 → 得出结论。

4.3 模糊推理：隶属度、运算与决策三法

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，这个实数叫隶属度，所有元素的隶属度全体构成隶属函数。模糊集合的表示方法有三种：Zadeh 表示法、序偶表示法、向量表示法。

模糊集合的运算分几层：包含关系、相等关系、交并补运算、代数运算。代数运算里最容易记混的是四种算子，用例题数据对照最清楚。设 A=0.2/x₁+0.4/x₂+0.9/x₃+0.0/x₄+0.5/x₅，B=0.1/x₁+0.0/x₂+0.7/x₃+1.0/x₄+0.3/x₅：

• 代数积 A·B：逐项相乘，得 0.02/x₁+0/x₂+0.63/x₃+0/x₄+0.15/x₅
• 代数和 A+B：a+b−ab，得 0.28/x₁+0.4/x₂+0.97/x₃+1.0/x₄+0.65/x₅
• 有界和 A⊕B：min(1, a+b)，得 0.3/x₁+0.4/x₂+1/x₃+1.0/x₄+0.8/x₅
• 有界积 AⓧB：max(0, a+b−1)，得 0/x₁+0/x₂+0.6/x₃+0/x₄+0/x₅

模糊关系描述两个模糊集合中元素之间关联程度的多少，模糊关系的合成对应到矩阵运算：乘法用 min，加法用 max。模糊推理得到的结论或操作是一个模糊向量，转化为确定值的过程叫模糊决策，三种方法：最大隶属度法、加权平均判决法、中位数法。

注意：可信度、证据理论、模糊推理三套方法不要混用公式。可信度用 CF 和 max/min 组合，证据理论用 Bel/Pl 和正交和，模糊推理用隶属度和 min/max 矩阵合成。考场上先看题目给的是 CF 值、概率分配还是隶属度，再选公式，这一步判断错了后面全白算。

5. 易错点排查：五个最容易翻车的地方

5.1 易错点一：把"智能的特征"和"人工智能的技术方向"对错位

为什么漏：两组词都是四个，感知、记忆思维、学习、行为，长得太像，背的时候容易只记一组。怎么补：记住对应关系是"特征→技术"——感知能力对应机器感知，记忆与思维能力对应机器思维，学习能力对应机器学习，行为能力对应机器行为。做题时先问自己题目问的是人的智能特征还是机器的技术实现。

5.2 易错点二：子句集化简时 Skolem 化判断反了

为什么漏：Skolem 化的判断条件只有一句话，但教材例题往往只展示一种情况，复习时容易只记住"用 Skolem 函数代替"而忘了前提。怎么补：每次化简到第 4 步，强制自己先标出每个存在量词的位置，看它前面有没有全称量词。有则 Skolem 函数带上前面所有全称变量作参数，无则直接换新变量名。这一步慢十秒，后面省十分钟。

5.3 易错点三：归结不出空子句就断定"可满足"

为什么漏：直觉上"没证出来"约等于"不成立"，但归结原理的逻辑是单向的。怎么补：把结论刻死——存在到空子句的演绎则不可满足；没有归结出空子句，既不能判不可满足也不能判可满足。这是"未定"状态，不是"可满足"状态。选择题里出现"未归结出空子句说明 S 可满足"这类表述，直接判错。

5.4 易错点四：可信度合成公式的符号分支用错

为什么漏：合成公式有三个分支，同正、同负、一正一负，复习时往往只记同正那一条，遇到负可信度就套错。怎么补：把三条公式写在一起对比记忆，特别注意同负分支是加号（CF₁+CF₂+CF₁×CF₂），一正一负分支分母是 1−min{|CF₁|,|CF₂|}。做题前先看两个 CF 的符号，再选分支，别急着代数字。

5.5 易错点五：模糊集合四种代数运算的算子混淆

为什么漏：代数积、代数和、有界和、有界积四个名字太像，公式又都是 a 和 b 的组合。怎么补：用一句话区分——代数积是乘，代数和是 a+b−ab，有界和是 min(1,a+b)，有界积是 max(0,a+b−1)。有界运算都带"截断"，代数和带"减去重叠部分"。拿一组具体数字手算一遍，比背四遍公式管用。

6. 考前查漏补缺：一份可执行的复习清单

复习到最后一两天，最忌讳的是从头再翻一遍书。更有效的做法是按"能默写、能判断、能计算"三个层次过一遍清单，把时间花在还卡壳的地方。下面这份清单按章节组织，每一项都对应一个可检验的动作，不是"看看就行"。

清单之外，还有两个具体技巧值得单独说。第一个是用一道综合题串全章：找一道既要用谓词逻辑表示知识、又要化子句集、还要归结的题，完整做一遍，比零散背十个概念更能暴露断点。第二个是给每个公式配一个最小例子：可信度合成配一组同正数据，证据理论配一个三元素样本空间，模糊运算配一组五元素隶属度，例子不用复杂，能代进去算出数就行。公式脱离例子记不牢，这是踩坑踩出来的教训。

还有一点容易被忽略：这门课的概念题和计算题是两种能力。概念题靠对比记忆，比如确定性推理与不确定性推理、单调与非单调、正向与逆向，成对记比单个记牢；计算题靠流程肌肉记忆，子句集九步、归结反演四步、可信度合成两步，必须动手写到不假思索。考前最后一遍，概念用表格过，计算用白纸默写流程，两条线分开推进，效率最高。

从那以后我每次复习这类概念密集的课，都强制自己先画一张章节地图、再列一份"能默写/能判断/能计算"的三层清单，最后只攻清单上打叉的项，不再平均用力。希望这份梳理能帮到你，把有限的时间花在真正的断点上。

本文还有配套的精品资源，点击获取