Current research in knowledge repre

Current research in knowledge representation
An issue now preoccupying much research effort is how to define the precise dimensions and formal underpinnings of knowledge representation. Many researchers have attempted to outline the basic dimensions of the knowledge-representation problem. The attempt to provide precise semantics to knowledge representation formalisms is proceeding on several fronts. Thus, work on nonmonotonic logic tries to extend predicate calculus to handle a wider variety of phenomena while maintaining its formal semantics, while some research on semantic networks attempts to formalize semantic network while maintaining their elegant structuring and inferencing capabilities. Knowledge-representation languages (e.g., KRL, Microplanner) try to define what various knowledge-representation constructs mean through the precision of an interpreter. (Most of these languages promote the representation of knowledge in networks of framelike objects, and several are now actually used in AI labs. )

ผลลัพธ์ (ไทย) 1:

งานวิจัยปัจจุบันในการแสดงความรู้ปัญหาตอนนี้ preoccupying ความพยายามวิจัยมากเป็นวิธีการกำหนดขนาดที่แม่นยำและ underpinnings อย่างเป็นทางการของการนำเสนอความรู้ นักวิจัยจำนวนมากได้พยายามร่างมิติพื้นฐานของปัญหานำเสนอความรู้ ความพยายามในการให้ความหมายชัดเจนเพื่อ formalisms นำเสนอความรู้สามารถดำเนินการต่อในหลายแผน ทำ ทำงานบนตรรกะ nonmonotonic พยายามที่จะขยายแคลคูลัสเพรดิเคตการจัดการหลากหลายปรากฏการณ์ขณะที่ยังคงเป็นความหมายอย่างเป็นทางการ ในขณะที่บางงานวิจัยบนเครือข่ายความหมายพยายาม formalize เครือข่ายความหมายขณะที่ยังคงความสามารถจัดโครงสร้างและ inferencing สวยงาม ภาษาแสดงความรู้ (เช่น KRL, Microplanner) พยายามที่จะกำหนดสิ่งต่าง ๆ หมายถึงโครงสร้างการนำเสนอความรู้ผ่านความแม่นยำของการแปล (ส่วนใหญ่ของภาษาเหล่านี้ส่งเสริมการนำเสนอความรู้ในเครือข่ายของวัตถุ framelike และหลายตอนนี้จริงใช้ในห้องแล็บ AI)

ผลลัพธ์ (ไทย) 3:

ปัจจุบันการวิจัย
การแทนความรู้ ปัญหาตอนนี้ preoccupying ความพยายามวิจัยมากเป็นวิธีการกำหนดมิติที่ชัดเจนและเป็นทางการ underpinnings เป็นตัวแทนของความรู้ นักวิจัยหลายคนได้พยายามที่จะร่างขนาดพื้นฐานของการแทนความรู้การแก้ปัญหาความพยายามที่จะให้แม่นยำความหมาย formalisms การแทนความรู้ดำเนินการในหลายด้าน ดังนั้น การทำงานใน nonmonotonic ตรรกะพยายามขยายแคลคูลัสภาคแสดงเพื่อจัดการกับความหลากหลายของปรากฏการณ์ โดยยังคงทางอรรถศาสตร์ในขณะที่งานวิจัยในเครือข่ายทุกความพยายามที่จะทำให้เป็นรูปเป็นร่างความหมายเครือข่ายในขณะที่การรักษาของพวกเขาสง่างามโครงสร้างและการสรุปความ ความสามารถ ภาษาการแทนความรู้ ( เช่น krl microplanner , พยายามที่จะกำหนดสิ่งที่แทนความรู้ต่าง ๆผ่านทางโครงสร้าง หมายถึงความแม่นยำของล่าม( ส่วนใหญ่ของภาษาเหล่านี้ส่งเสริมการแทนความรู้ในเครือข่ายของวัตถุ framelike และหลายตอนนี้ใช้จริงใน AI Labs )