知识的表示可以有语言、文字、数字、符号、公式、图表、图形、图像等多种形式。这些表示形式是人所能接受、理解和处理的形式。但面向人的这些知识表示形式，目前还不能完全直接用于计算机，因此就需要研究适用于计算机的知识表示模式。具体来讲，就是要用某种约定的（外部）形式结构来描述知识，而且这种形式结构还要能够转换为机器的内部形式，使得计算机能方便地存储、处理和利用。所以知识表示是指面向计算机的知识描述或表达形式和方法。

将已获得的有关知识以计算机内部代码形式合理地描述、存储，以有效地利用这些知识便是知识表示。知识表示方法，常模仿人脑的知识存储结构。心理学家对知识表示方法的研究做出了重要的贡献。

知识表示并不神秘。实际上，我们已经接触过或使用过。例如，我们通常所说的算法就是一种知识表示形式。因为它刻画了解决问题的方法和步骤（即它描述的是知识），又可以在计算机上用程序实现。前面介绍过的状态空间和产生式系统也是知识的表示形式，又如一阶谓词公式，它是一种表达力很强的形式语言，可以用程序语言实现，所以它可作为一种知识表示形式。本章主要介绍知识的逻辑表示和语义网络表示模式。

知识表示是现在人工智能研究中最活跃的领域，人工智能研究者通常对主要知识采取高效实用的表达，以提高程序的能力。知识表示是设计知识处理系统及从事任何计算机非数值处理的根本问题。知识使用得当将导致“可知”行为。

知识表示的体系树如图2-1所示。

图2-1　知识表示的体系树

知识表示原理可以分成三类：

1）局部表示类(www.daowen.com)

分为陈述性表示和过程性表示，包括逻辑、产生式系统，语义网络、框架及过程等。

（1）陈述性表示。描述事实性知识，给出客观事物知识。告诉人们所涉及的对象是什么，是对于对象有关事实的“陈述”，是数据。它将知识表示与知识的运用（推理）分开处理，是静态的。尽管这一事实有多处使用，但每个有关事实仅需存储一次。这种方法较严格、模块性好。

（2）过程性表示。描述规则和控制结构知识，给出一些客观规律。该知识表示形式就是求解程序。它的表示与推理相结合，是动态描述。有的事实需多次存储。易于表达启发性知识和默认推理知识。这种表示法不够严格、知识间有交互但求解效率高。

实际上许多知识表示方法都是陈述与过程观点的结合。如逻辑表示法是表示与求解分离的属陈述性表示；如语义网络表示法，从继承性推理看是属过程性表示。

2）直接表示类

包括图示、图像及声音等的直接表示。

3）分布表示类

包括连接机制表示及基因表示。

基因表示（Gene Representation）是近几年来被AI研究者认真思考的一种介于局部与分布表示之间的知识表示方法。它的分布性表现在这种知识表示方法的基本单元——染色体的任一基因与所表示的知识没有任何直接的对应关系，只有一段基因的合理组合才具有一定的含义。因此，可以认为知识是分布地表示在染色体的基因片段之中，而局部性主要考虑到染色体可以分成若干有实际含义的基因段。从对染色体上的遗传操作来看，知识表示是分布的，但从其对后代的选择来看，知识表示又是局部的。对于人工智能研究来说，基因表示适合表示那些具有整体特性的知识。另外，这种知识表示方法所基于优化的搜索方法具有大规模并行处理的特点，因此，它对解决很多优化问题具有特殊的意义。