规则依存模型

规则即产生式规则，用来表示系统推理的有关知识。规则依存模型是指系统推理获得某种知识依赖于系统中存在有关知识或规则。规则依存模型一般必须具有两个条件：1、前提知识必须真实、全面、可靠，即符合客观实际；2、推理规则、推理形式正确和适当，即符合推理的科学性和严密性。

简介规则依存模型，也可以称作规则依赖模型，属于一种推理规则方式，是指专家系统或决策支持系统推理获得的知识基于或依赖系统已存在的规则库和推理机制。规则库(Rule Base)是指一个用规则来表达的知识集，包括执行推理所需要的知识。依赖关系表示两个活动 (前导活动和后续活动)中一个活动的变更将会影响到另一个活动的关系。

规则在现实生活中，规则无处不在。我们最长接触的是法律、法规和各种制度；对于企业级应用来说，第一步的业务调研中很重要的内容就是了解业务规则。在企业流程再造中，可能还会接触到流程规则。

在IT技术领域，很多地方也应用了规则，比如路由表，防火墙策略，乃至角色权限控制(RBAC)，或者Web框架中的URL匹配。不管是哪种种规则，都规定了一组确定的条件和此条件所产生的结果。规则由条件和动作组成，格式一般为：

IF 条件

Then 动作

每条规则都是一组条件决定的一系列结果

一条规则可能与其他规则共同决定最终结果。

可能存在条件互相交叉的规则，此时有必要规定规则的优先级。

规则作为一种知识，其典型运用就是通过实际情况，根据给定的一组规则，得出结论。这个结论可能是某种静态的结果，也可能是需要进行的一组操作。这种规则的运用过程叫做推理。如果由程序来处理推理过程，那么这个程序就叫做推理机/推理引擎（Inference Engine）。推理机是专家系统（专家系统是人工智能的一个分支）的核心模块。

知识表达知识是人类对客观世界的认识，是人们经过时间得到客观世界规律性的东西，是经过人们筛选，加工改造而形成的。知识用来解决问题，指导思考、行为和交流。知识是人类的宝贵财富。知识是专家系统的重要组成部分，知识库是推理的依据，它的质量将决定系统的推理结果。知识需要转化成机器能够识别的形式，即知识的表示问题。由于知识库在专家系统中的重要性，知识的表示问题成为重要的研究内容。所谓知识的表示是指知识用符号表示或进行形式转化的过程。知识的表示往往和知识的运用相结合，不仅考虑存储，还要考虑使用，以达到知识运用的最佳性能。知识的表示是用某种数据结构描述知识，该结构可代表知识本身。好的知识应具有以下特征：

可扩充性：知识库应具备足够的灵活性，知识是随着时间不断完善的，并不是一开始就一成不变的。因此知识的存放和读取应该是松耦合的，这使得不需要对推理机制进行修改就能对现有的知识库进行补充，即要求知识的表示模式与依据知识推理的推理机相互独立，专家系统通过把知识库与推理机分离来提高灵活性；另一方面，在初期不能为专家系统建立一个领域知识完备的知识库，通过在现有的知识库的基础上，不断添加、修改、删除来扩充和完备知识库。

明确性：对知识的表示应当明确，并且是对知识的完整表示，以方便对知识库中的知识进行检查，提高求解效率。

清晰性：专家系统的推理机是根据知识进行推理，并需匹配求解过程中的知识，知识的清晰度将直接影响推理的效率和正确性。知识的清晰性可增强知识库的正确性和一致性。

可理解性：知识只有被理解以后才能使用，可理解性差的知识难于表示，并且在推理过程中容易产生错误或冲突。

方便性：是指用一种程序语言或开发工具实现时方便表示。

推理方向推理方向分为正向推理、反向推理和混合推理。

正向推理

正向推理就是从初始事实出发、推出新的事实，根据推出的事实推出另外的事实，它是由已知事实推理直到推出需要的事实。因此这是一种正向的推理方式。正向推理的基本过程是：首先由用户输入初始事实，然后推理机从知识库寻找事实和前提条件匹配的规则，并根据规则得出结论或产生新的事实，将产生的新事实并入到已有的事实中，并在此根据新的事实集合推理。这个过程一直进行到得出所需的事实或无法再产生新的事实。算法描述：

（1）把用户提供的初始证据放入综合数据库；

（2）查看综合数据库中是否含有所需的事实，如果有，则推理结束，并成功退出；否则执行下一步；

（3）根据已有的事实匹配知识库中的规则的前提条件，如果没有匹配的则转（5），如果有匹配的，则把匹配的所有规则形成匹配的规则集，执行下一步；

4）从当前的匹配规则集中以某种方式选出一条最适合的规则进行推理，然后将产生的新的事实并入到已有的事实中，并转至（2）；

（5）向用户征求是否有可用的新的事实，如果有，把用户输入的新的事实加入到综合数据库中，然后转至（2）；否则表示推不出问题的解，失败退出。

反向推理

反向推理是从所需的事实出发寻找支持该事实的规则，并寻找支持该事实的更多事实，直到初始事实满足为止，这种从结论出发寻找支持该结论的事实推理称为反向推理。

反向推理的的基本过程是首先由用户输入所需要的的事实，这些事实构成一个集合，然后推理机从知识库中匹配支持该事实的规则，如果有匹配的规则，则将产生的事实放入综合数据库中，如果所需证明的事实所有证据能够找到，则说明原假设成立；否则继续这个过程，这个过程一直进行到得出结论或找不到新的事实。反向推理的优点是不必搜索和匹配那些与假定目标无关的规则，推理过程目标明确，也还有利于向用户提供解释。反向推理缺点是系统推理的盲目性比较大，推理效率低。

混合推理方式

正向推理的主要缺点是推理盲目、效率低，在推理过程中会产生许多与求解无关的事实。反向推理的缺点是目标选择不符合实际，特别是初始目标的选择。混合推理则是结合了前两种推理方式各自长处的有效方法。其基本过程为：先通过正向推理确定一个事实作为初始事实，然后从初始事实推出新的事实，从中确定一个目标，再反向证明该目标，反向证明中会得出更多事实，把这些事实加入综合数据库，再利用正向推理进行推理，这个过程反复进行，直至无法推出新的事实或找到解1。

推理规则在逻辑中，特别是数理逻辑中，推理规则（推论规则）是构造有效推论的方案。这些方案建立在一组叫做前提的公式和叫做结论的断言之间的语法关系。这些语法关系用于推理过程中，新的真的断言从其他已知的断言得出。规则也适用于非形式逻辑和逻辑论证，但是形式化更加困难和有争议。

按照规定，推理规则的应用纯粹是语法过程。尽管如此它必须是有效的，或者更精确地说保持有效性。为了使保持有效性的要求有意义，某种形式的语义与推理规则有关和推理规则自身的断言是必需的。即正确的推理形式。在形式逻辑学中研究推理时，往往只研究推理形式，而不研究推理的具体内容。推理形式实质上是对有具体内容的推理的一种抽象。推理形式有正确的，也有不正确的。正确的推理形式是在假设前提为真时其结论必真的推理形式2。

命题逻辑中推理规则的显著例子是肯定前件和否定后件规则。对于一阶谓词逻辑，推理规则需要处理逻辑量词。对这种论证的更详细的描述请参见有效性。在一阶谓词逻辑中把所有推理规则作为一个单一规则来统一处理请参见一阶归结。

注意有很多不同的形式逻辑系统，每个都带有合式公式、推理规则和语义的自己的集合。参见时间逻辑、模态逻辑或直觉逻辑的实例。量子逻辑也是一种不同寻常形式的逻辑。在谓词演算中，需要一个补充的推理规则。它叫做普遍化。

本词条内容贡献者为:

何星 - 副教授 - 上海交通大学