企业官网建设流程全解析

• 教程
• 人工智能
• 机器学习
• 深度学习

本体（Ontology）是符号主义 AI 中“知识表示”的核心产物：它用形式化的方式把某个领域的事实与概念层级固化下来，从而让计算机能够自动推理。本指南围绕 AI-For-Beginners 课程lessons/2-Symbolic的课后作业 assignment.md，完整讲解“如何选定主题并构建一个本体”，并结合仓库内的 FamilyOntology.ipynb、Animals.ipynb、onto.ttl 等源码级素材，帮助你掌握知识表示、OAV 三元组、产生式规则、AND-OR 树与 Protégé 建模实战。

作业解读：这堂课要你做什么

作业原文的核心任务只有一句话：选择一个人、一个地点或一个事物作为主题，然后为它构建一个模型（本体），并用本课学到的建模技术与策略去实现。为了让任务可落地，作业给出了一个非常具体的示例：

创建一个客厅（living room）的本体，包含家具、灯光等元素。客厅和厨房有何不同？和浴室呢？你凭什么判断这是客厅而不是餐厅？

这三个追问背后，其实对应了本体建模中最重要的三个能力：

• 类别界定（class 与 instance）：客厅、厨房、浴室、餐厅不是“事物个体”，而是对空间类型的概念分类，你需要定义这些类并明确它们的区别；
• 属性刻画（slot / property）：客厅有“有沙发”“有电视”“有壁炉”等属性，而厨房有“有炉灶”“有水池”——通过属性组合，才能区分不同空间；
• 形式化表达（triplet / OWL）：把“客厅–包含–沙发”写成机器可读的三元组，让推理机能够自动回答“这是什么房间”。

课程正文（lessons/2-Symbolic/README.md）在作业之前铺垫了完整的概念体系：知识（knowledge）与数据（data）、信息（information）的区别，DIKW 金字塔，以及网络式、层级式、过程式、逻辑式四类知识表示方法。构建本体正是把这些概念落到实际建模中的练习。

建模前必读：本课的核心知识表示概念

在动手之前，先建立三组关键概念，它们决定了你的本体会被建成什么样。

从三元组到语义网络

知识可以表示为对象-属性-值（OAV）三元组。课程 README 以编程语言为例给出了一个典型表格：

一个三元组就是图的一条边：对象是节点，属性是边标签，值指向另一个节点或字面量。多个三元组拼起来就是一张语义网络（semantic network）。本课作业要求你建模的“客厅/厨房/浴室”就是一张以空间类型为节点、以“包含/具有/区别于”为边的小型语义网络。

框架表示与层级结构

框架（frame）把每个对象或对象类描述为一个带槽位（slot）的模板，槽位可以有默认值、取值约束或求值过程。README 中 Python 的框架示意：

注意这里“Is-A”槽位让框架自然形成类层级——这正是本体（ontology）最朴素的形态：一个领域内的对象层级树。客厅和餐厅都是“房间”的子类，就是一条Is-A关系。

产生式规则与 AND-OR 树

过程式知识表示把知识写成一串“当条件满足时执行动作”的规则，即 if-then 产生式。课程给出的食肉动物判定规则是经典示例：

IF the animal eats meat OR (animal has sharp teeth AND animal has claws AND animal has forward-looking eyes ) THEN the animal is a carnivore

这样的规则可以用AND-OR 树画出来——AND 分支要求所有子条件同时成立，OR 分支只需其一成立。仓库里的 Animals.ipynb 正是用这张 AND-OR 树实现了一个完整的动物识别专家系统（详见下文“源码印证”）。在你自己的客厅本体里，完全可以写一条规则：“IF有沙发AND有茶几AND有电视THEN这是一个客厅”。

使用 Protégé 构建你的本体：分步实战

作业明确要求使用 Protégé）：

上图为 Web Protégé 打开罗曼诺夫家族本体的界面（课程 README 原图）：左侧Individuals by Class面板按类展示个体，中间区域展示所选个体Fedor Alekseevich Romanov的 IRI、Annotations、Types 与 Relationships 断言，右侧为备注面板。你可以参照这个布局完成自己的建模。

下面以“客厅本体”为例，给出可复现的完整步骤。

第 1 步：定义类层级（Classes）

在 Protégé 的Classes页签创建层级：

Thing └── Room（房间，父类） ├── LivingRoom（客厅） ├── Kitchen（厨房） ├── Bathroom（浴室） └── DiningRoom（餐厅）

这一步对应课程 README 的“层级式表示”：框架通过Is-A槽位形成对象层级。定义好父类后，子类自动继承父类的属性约束。

第 2 步：定义对象属性（Object Properties）

在Object Properties页签声明类与类、个体与个体之间的关系：

可以给属性添加约束（如contains是反自反的），并为每个属性声明逆属性（如isContainedIn是contains的逆），Protégé 会在Inverse Of栏中维护。

第 3 步：定义个体（Individuals）

切换到Individuals页签，为每个类创建实例：

• LivingRoom 类下：my_sofa（沙发）、coffee_table（茶几）、floor_lamp（落地灯）；
• Kitchen 类下：stove（炉灶）、sink（水池）；
• Bathroom 类下：bathtub（浴缸）、shower（淋浴）；
• DiningRoom 类下：dining_table（餐桌）、chairs（餐椅）。

然后在Property assertions面板中把个体与属性断言连起来，例如断言my_living_room contains my_sofa。做完这些断言，你就已经把“客厅包含沙发、落地灯”写成了一组机器可读的三元组。

第 4 步：用规则与推理回答作业的追问

作业的追问——“客厅和厨房有什么不同？你凭什么判断这是客厅而不是餐厅？”——可以用两种方式回答：

1. 直接断言：为每个房间类添加必要属性（如 LivingRoom 有contains some Sofa，Kitchen 有contains some Stove），推理机据此区分；
2. 产生式规则：定义规则“IF有沙发AND有茶几THEN是客厅”，推理机在遇到新个体时自动归类。

启用 Protégé 的推理机（如 HermiT、Pellet），运行后可以看到推理机自动把满足条件的个体归类到对应房间类型——这就是本课“知识表示 + 推理”两个大概念（见 README 引言）在工具层面的落地。

源码印证：仓库里三个可参考的建模范式

作业虽然只需要一个客厅本体，但仓库lessons/2-Symbolic目录下有三个 notebook 从不同角度演示了本体/知识库的构建与推理，是你扩展作业深度的最佳范本。

范式一：自己写推理机（反向推理）——Animals.ipynb

Animals.ipynb 用 Python 实现了一个专家系统外壳（expert systems shell），核心是三类语法类：

• Ask：表示需要向用户提问的叶子节点，包含候选答案（默认['y','n']，多选时打印编号菜单）；
• If：产生式规则的语法糖容器；
• AND/OR：AND-OR 树分支，仅存放参数列表。

知识库被定义为一个rules字典，把“动作（要写入工作记忆的新事实）”映射到“条件（AND-OR 表达式）”，例如：

rules = { 'default': Ask(['y','n']), 'color' : Ask(['red-brown','black and white','other']), 'pattern' : Ask(['dark stripes','dark spots']), 'mammal': If(OR(['hair','gives milk'])), 'carnivor': If(OR([AND(['sharp teeth','claws','forward-looking eyes']),'eats meat'])), 'ungulate': If(['mammal',OR(['has hooves','chews cud'])]), 'animal:giraffe' : If(['ungulate','long neck','long legs','pattern:dark spots']), 'animal:zebra' : If(['ungulate','pattern:dark stripes']), ... }

KnowledgeBase类维护memory（工作记忆，即“属性→值”的字典）并实现两个核心方法：

• get(name)：获取某属性值，必要时触发推理；对'color:blue'这类带:的形式会递归求值color后返回y/n；
• eval(expr)：递归遍历 AND/OR 表达式求值——AND 任一子条件为n即短路返回n，OR 任一子条件为y即返回y，字符串叶子则回落到get。

运行kb.get('animal')时，系统会按需向你提问（y/n或编号多选），最终根据你的回答推断出动物种类。这一过程演示了 README 中描述的反向推理（backward inference）：由目标驱动，只询问与结论相关的条件。

范式二：用 Experta 做正向推理——Animals.ipynb

同一个 notebook 的第二部分使用 Experta（受经典 CLIPS 启发的 Python 正向推理库）实现同一套动物知识库。关键点在于继承KnowledgeEngine，用@Rule装饰器声明规则、用declare在规则体内插入新事实：

from experta import * class Animals(KnowledgeEngine): @Rule(OR( AND(Fact('sharp teeth'),Fact('claws'),Fact('forward looking eyes')), Fact('eats meat'))) def cornivor(self): self.declare(Fact('carnivor')) @Rule(Fact(animal=MATCH.a)) def print_result(self,a): print('Animal is {}'.format(a))

初始化事实后调用run()，正向推理引擎会逐条触发规则、不断向工作记忆添加新事实，直到推导出Fact(animal='tiger')这类结论。这也是 README 中**正向推理（forward inference）**的完整实现。值得注意的是 notebook 中说明：Expert 这类库底层使用Rete 算法做高效规则匹配，避免朴素实现带来的性能问题——这正是“专家系统外壳”优于自己手写推理循环的原因之一。

范式三：语义网技术与 SPARQL 推理——FamilyOntology.ipynb

FamilyOntology.ipynb 演示了最贴近“本体”的技术栈：用OWL/RDF 三元组 + 自动推理构建家谱本体。流程分四步：

1. 解析家谱数据：用python-gedcom库读取 tsars.ged（GEDCOM 5.5 格式的罗曼诺夫王朝族谱），得到 41 个个体与 15 个家庭；
2. 读取本体：加载 onto.ttl（Turtle 格式）。该本体用 OWL 定义了isFatherOf、isMotherOf、isBrotherOf、isSisterOf等基础谓词，并用owl:propertyChainAxiom（属性链公理）定义复合关系，例如“姑/姨 = 某人的母亲的姐妹”：

fhkb:isAuntOf a owl:ObjectProperty ; rdfs:domain fhkb:Woman ; rdfs:range fhkb:Person ; owl:propertyChainAxiom ( fhkb:isSisterOf fhkb:isParentOf ) .

3. 合成三元组：把 GEDCOM 中每个个体按性别转成isMotherOf/isFatherOf、isSisterOf/isBrotherOf断言，附加到onto.ttl尾部，形成“规则 + 事实”的完整本体文件；
4. 推理并查询：用rdflib解析图，用owlrl的DeductiveClosure(OWLRL_Extension).expand(g)计算推理闭包。从原始 669 条三元组扩张到 4246 条，再用SPARQL查询出所有叔伯关系：

SELECT DISTINCT ?aname ?bname WHERE { ?a fhkb:isUncleOf ?b . ?a rdfs:label ?aname . ?b rdfs:label ?bname . }

输出：

Fedor Alekseevich Romanov is uncle of Ekaterina Ivanovna Romanova Aleksandr I Pavlovich Romanov is uncle of Aleksandr II Nikolaevich Romanov Fedor Alekseevich Romanov is uncle of Anna Ivanovna Romanova

这个 notebook 还特别指出：代码中暂未处理收养家庭（len(parent_families)>1的情况被跳过），这是你可以继续改进的作业扩展点。相关数据结构（onto.ttl 中的hasGrandParent、isFirstCousinOf等属性链定义）完整展示了“用 OWL 公理表达复杂亲属关系”的建模思路，对你的客厅本体设计极具参考价值。

评估与扩展：让作业从“交差”变成“作品”

完成基础本体后，建议按以下梯度自我评估并扩展，这正好呼应 README 课后挑战中“发现新关系”的练习精神：

• 达到合格：类层级清晰、对象属性带 domain/range、至少 5 个个体并完成关系断言；
• 达到良好：引入至少 1 条产生式规则或 OWL 属性链公理，并启用推理机验证自动归类；参考 onto.ttl 中owl:propertyChainAxiom的写法，例如为客厅本体定义hasSeatingArea由contains some Sofa推出；
• 达到优秀：对照 FamilyOntology 的流水线，把自己的客厅本体导出为 Turtle/OWL 文件，用rdflib解析并用 SPARQL 查询“哪些空间包含落地灯”“哪些空间没有炉灶”，复现“规则 + 事实 → 闭包 → 查询”的完整链路；
• 进阶挑战：阅读 README 的 Review & Self Study 建议，研究林奈生物分类、门捷列夫元素周期表这类“人类试图量化与编码知识”的历史案例，思考它们与本体建模的异同——这能帮助你回答作业里“客厅和厨房到底差在哪”这类边界划分问题。

小结

本课作业虽然篇幅很短，但它要求你把整章“知识表示”的理论（OAV 三元组、框架、产生式规则、AND-OR 树、OWL/语义网）落到一个可运行、可推理的具体模型上。本文给出的路径是：先理解三元组与框架两类基础表示 → 用 Protégé 完成类、属性、个体三步建模 → 再用仓库中 Animals.ipynb（自写反向推理 + Experta 正向推理）与 FamilyOntology.ipynb（OWL-RL 推理 + SPARQL 查询）的源码范式为自己的本体注入推理能力。完成这一步，你就真正掌握了一个符号 AI 知识库从抽取、形式化到自动推理的完整闭环。

注：lessons/2-Symbolic/assignment.md在仓库中另有 希伯来语译本，本文内容以英文原版作业为准。

• 教程
• 人工智能
• 机器学习
• 深度学习