Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше
Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике
§ 4. Заполнение пробелов в базе знаний
Список
знаний можно записать в виде таблицы той же формы, что и таблица
«объект-свойство». Строку
в такой таблице занимает знание
,
a
-й столбец отражает мнения экспертов о
значениях предиката
.
Если
информация о значении
-го предиката в
строке
отсутствует, то
это значение
можно попытаться
предсказать с помощью алгоритмов семейств ZET и WANGА.
В
алгоритме ZET вначале отбирается
компетентная подтаблица размером
строк и
столбцов. Строка
включается в число
компетентных, если она содержит информацию о
-m предикате
и входит в число
наиболее близких к строке
по расстоянию
.
О
компетентности столбца
, содержащего предикат
в
-й
строке, по отношению к столбцу
можно судить по критериям зависимости
между предикатами, которые были описаны в предыдущем параграфе.
В
отобранной подтаблице определяются расстояния
от строки
до всех
остальных
строк
.
Величину
считаем мерой компетентности строки
по отношению к строке
. Затем
синтезируется распределение
в виде некоторой функции от
распределений
-го предиката во всех
строках подтаблицы. Это прогнозное распределение должно обеспечивать минимум
суммы
взвешенных расстояний от него до
всех распределений, участвовавших в синтезе:
Показателем
степени
можно регулировать зависимость
результата от компетентности
:
при
все распределения участвуют в
синтезе прогноза с равными весами. При больших
доминируют распределения из самых близких
строк.
Синтез
прогнозного распределения будем делать почти так же, как делали эталонный
предикат в распознавании образов (см. § 2) — путем механического усреднения
взвешенных значений плотностей в каждой градации данного предиката. Если весь
диапазон возможных значений предиката
разделен на
одинаковых участков и
вероятность того, что предикат принимает значение
-й
градации, равна
,
то
усредненное по всем строкам значение плотности в этой градации принимает
значение
Еще
одно прогнозное распределение
можно получить, используя зависимости
между
-м
и всеми
остальными
-ми столбцами
(предикатами) компетентной подтаблицы. Здесь суммировать с весами
нужно распределения всех предикатов
строки
.
В
качестве окончательного прогноза распределения пропущенного предиката
можно принять
усредненное по градациям значение двух полученных прогнозов:
и
.
Для
оценки величины ожидаемой ошибки можно, как и в алгоритме ZET, применить метод
контрольного прогнозирования известных значений предикатов в компетентной
подтаблице.