复旦大学博士生入学考试2003-2004人工智能试题参考答案

人工智能试题参考答案

（2004年）

一、单项选择题

1、（C） 2、（C） 3、（D） 4、（A） 5、（D）

二、用线性归结法证明

子句集为：

A3： （1）¬ H(x) ∨ ¬G(x)

¬B： （2）¬ E(x) ∨ ¬G(x)

A2： （3） D(a)

（4） G(a)

（5） ¬F(a, y)∨ G(y)

A1： （6） ¬D(x) ∨E(x) ∨F(x, f(x))

（7） ¬D(x) ∨E(x) ∨H(f(x))

顶子句可以有多种选择，如果选择（2）作为顶子句，可以归结如下：

（8） ¬ E(a) （2）（4）

（9） ¬D(a) ∨ H(f(a)) （8）（7）

（10） H(f(a)) （9）（3）

（11） ¬G(f(a)) （10）（1）

（12） ¬F(a, f(a)) （11）（5）

（13） ¬D(a) ∨E(a) （12）（6）

（14） E(a) （13）（4）

（15） 󰀀 （14）（8）

归结顺序可能有更好的，这里只是做参考。

三、

1、 基于范例的推理系统与基于规则的专家系统做一比较

答：传统的专家系统一般采用的是基于规则的推理，即RBR（Rule-based Reasoning），它是

通过前因后果链（如规则链）演绎出结论的过程。对于易于表示成启发式规则形式的问题来

说RBR方法比较合适，如分类问题和诊断问题。

但是当人们遇到一个新的问题的时候，一般先是回忆，从记忆中找到一个与新的问题相

似的案例（case），然后把该案例的有关信息和知识复用到新问题的求解之中。这种问题求

解策略成为基于范例的推理CBR。

CBR和RBR是不同的：在CBR中，求解一个问题的结论不同通过链式推理产生，而

是从记忆里或范例库中找到与当前问题最相关的范例。然后对该范例做必要的改动以适应当

前的问题。因此，CBR通过联想（或类比），从过去的经验出发，把过去的案例和当前面临

的问题相比较做出决策的过程。问题的解答来自于过去的经验而不是规则，这些经验是以案

例方式存储的。

CBR的主要优点有：

1) 比单纯的RBR更接近于人类决策过程，是一种自然的方法。

2) 范例库比知识库容易构造，并且易于维护。

3) CBR比RBR有更快的执行速度。RBR是一种链式推理，简单的推理可能触发多条

规则，而且推理链环的检测更是费时。CBR不同，其推理只是涉及与当前问题有关

的若干范例，评价、修改等只围绕有限的范例进行。

4) 拥有学习能力。CBR可以将新问题的解决（无论成功与否）加入到范例库中，从而

使得系统的“经验”不断丰富。

一般认为，CBR适合缺乏完备和健全的理论，但又可获取丰富经验（、范例）的领域；

而RBR则适合于对领域有充分的认识，能以完备和健全的形式表示领域理论的场合。

2、略

四，简答题

1、给出框架表示的一般形式

答：框架的一般形式

槽中可以填“值”（value）、“默认值”（default）、“如果需要值”（if-needed）、“如果附加

值”（if-added）等。

2、 说明计算机处理汉语自然语言的难点

答：自然语言理解的困难性主要有三个因素：

（1）目标表示的复杂性：不同的应用领域对自然语言理解系统的目标表示提出了不同

要求，因此导致目标表示的复杂程度有很大差异。要能够比较好的对目标表示，需要从语句

中获得更多的信息，并需要与背景知识关联。

（2）源—目映射的多样性

在自然语言理解中，源表示转变为目标表示存在4种形式。这种多样性，使得建立源

目关系时比较困难，需要背景知识的支持。

（3）源表示成分见语义相关性。

自然语言是上下文有关的语言，体现在句子成分间的语义相关性，即在句子中处于同

样位置的词组，会因语义相关性而导致语法结构的较大差异。

槽名1： 侧面名1 值1，值2，…，值p1

侧面名2 值1，值2，…，值p2

… … … …

槽名1： 侧面名1 值1，值2，…，值q1

侧面名2 值1，值2，…，值q2

… … … …

槽名1： 侧面名1 值1，值2，…，值r1

侧面名2 值1，值2，…，值r2

… … … …

约束： 条件1

条件2

… … 对于汉语，主要有下面的一些特点：

a) 汉语的词类缺乏形式标注

b) 汉语词类跟句法成分之间不存在简单的一一对应关系.

c) 汉语的句子的构造原则跟短语的构造原则基本一致

因此在汉语中切词、词性标注以及未登录词的处理成为非常关键的问题，也是非常难

于解决的问题。自然语言理解的上述三个问题，再加上汉语的特点，导致汉语自然语言理解

更加困难。

3、说明如何使用神经网络来进行模式识别？

答：各种ANN中，在模式识别中应用最多也是最成功的当数多层前馈网络，其中又以

采用BP学习算法的多层感知器为代表。由于网络采用的是有导师学习方式进行训练，因此

只能用于有监督模式识别问题。一般有以下两种应用方式

（1） 多输出形

网络的每一个输入结点对应样本一个特征，而输出层结点数等于类别数，一个输出结点

对应一个类。在训练阶段，如果输入训练样本的类别标号是I，则训练时的期望输出设

为第I个结点为1，其余输出结点为0。在识别阶段，当一个未知类别的样本作用于输入

端时，考察个输出结点的输出，并将这个样本的类别判定为与输出值最大的那个结点对

应的类别。

实际上，多输出型ANN还可以有很多形式。更一般地，网络可以有M个输出结点，用

它们的某种编码来代表C类模式。

（2） 单输出型

经验表明，在多输出方式中，由于网络要同时适应所有的类别，势必需要更多的隐层结

点。而且学习过程往往收敛较慢。此时可以采用多个多输入单输出形式的网络，让每个

网络只完成识别两类分类。即判断样本是否属于某个类别。这样可以克服类别之间的偶

合，经常可以得到更好的效果。

具体做法为：网络的每一个输入结点对应样本一个特征，而输出层结点只有一个。为每

个类建立一个这样的网络（网络隐层结点数可以不一样）。对每一类进行分别训练，将

属于这一类的样本的期望输出设为1，而把属于其他类的样本的期望输出设为0。在识

别阶段，将未知类别的样本输入到每一个网络，如果某个网络的输出接近1（或大于某

个值），则判断该样本属于这一类。如果有多个网络的输出均大于某个值，则或者将该

类判别为具有最大输出那一类，或者拒绝判别。

4、计算机实现只能有什么智能观？

答：主要有连接主义和符号主义。再有就是行为主义。

5、指出基于解释的机器学习与实例学习的区别

答：基于解释的学习与实例学习不同，它不是通过归纳或类比进行学习的，而是通过运

用相关领域知识以及一个或少量的训练实例来对某一目标概念进行学习，并最终生成这

个目标概念的一般描述的，该一般描述是一个可形式化表示的一般性知识。是一种演绎

学习。学习的目的是高效化。

其输入是：目标概念、训练事例、领域知识和操作性准则（作为学习结果得到的目

标概念的定义规则应满足的条件）。

实例学习是归纳学习的一种。有正和反例输入，得到输出实例。需要多个事例，不

先验知识比较少，学习的目的是形成概念。 （2003年）

二、

（1）由初始数据库P(a, b)和Q(b, c)，和R1匹配，可以得出：R(a, c)

（2）由R(a, c)和S(x)和R3匹配，得出T(c, c)

（3）由数据w(a)和R4匹配，得出：w(f(a))

（4）由P(a, b)和S(x)和R5匹配，得出V(a, b, Z)

（5）R4总是匹配成功，可以得到：w(f(f(a)))、w(f(f(f(a)))) …..

这样，可能得到的结果有：

R(a. c)，T(c, c)，V(a, b, Z)，w(f(a))，w(f(f(a)))，w(f(f(f(a))))，……

三、答：

基于范例的推理(CBR)是一种基于过去的实际经验或经历的推理。人们在遇到一个新的

问题的时候，一般先是回忆，从记忆中找到一个与新的问题相似的案例，然后把该案例中的

有关信息和知识复用到新问题的求解之中。基于过去问题求解的经验可以帮助我们处理与过

去案例相似的问题的求解，这种问题求解策略称为：基于范例的推理（CBR：Case Based

Reasoning）。

要解决的主要问题包括：不确定的表示问题、计算问题和语义问题。

四：机器学习的概念并给出学习模型

答：学习是使系统在不断重复的工作中对本身能力的增强和改进，使得系统下一次完成

同样或类似的任务时比上一次更有效，即通过对人类学习过程和特点的研究，建立学习

理论和方法，并应用于机器，以改进机器的行为和性能。

1、学习是一个过程。学习是经验积累的过程，这个过程可能很快，也可能很漫长；

2、学习是对一个系统而言。这个系统可能是一个计算机系统，或一个人机系统；

3、学习能够改变系统的性能。这只说明对系统性能的改进，但是并未限制改进的方

法。

从人工智能的角度看，机器学习是一门研究使用计算机获取新的知识和技能，提高现

有计算机求解问题能力的科学。

五、。自然语言处理主要包括五个层次：语音分析、词法分析、句法分析、语义分析和

语用分析。这也反映了自然语言处理的主要流程。

自然语言理解作为语言信息处理技术的一个高层次的重要研究方向，一直是人工智能

领域的核心课题，也是困难问题之一。关于自然语言理解，至今尚无一致的、各方可以接受

的定义。从宏观上看，自然语言是指机器能够执行人类所期望的某些语言功能。这些功能包

括：

z 回答问题：计算机能正确地回答用自然语言输入的有关问题；

z 文摘生成：机器能产生输入文本的摘要；

z 释义：机器能用不同的词语和句型来复述输入的自然语言信息； 环境 学习环节 知识库 执行环节