语义网络

语义网络 (Semantic Network)

语义网络 (Semantic Network) 是一种用图结构表示知识的形式化模型，其中节点 (nodes) 表示概念、实体或情境，边 (edges) 表示节点之间的语义关系。语义网络最初由 奎利恩 (M. Ross Quillian, 1968) 在其博士论文中作为人类联想记忆的计算模型提出，随后由 柯林斯 (Allan M. Collins) 和 洛夫特斯 (Elizabeth F. Loftus) 等人发展和完善。它是认知科学、人工智能和计算语言学中知识表示的基础框架之一。

基本结构

语义网络在数学上可定义为一个有向标记图 $G = (V, E, L)$，其中 $V$ 是概念节点集合，$E \subseteq V \times V$ 是关系边集合，$L$ 是关系标签集合。每条边 $e \in E$ 被赋予一个标签 $\ell \in L$，表示两个概念之间的语义关系类型。

最基本的语义关系包括：

• IS-A 关系（类属关系）：表示"X 是 Y 的一种"。例如，\texttt{[金丝雀] → IS-A → [鸟]}。IS-A 关系支持属性继承 (property inheritance)：子节点自动继承父节点的所有属性，除非被显式覆盖。这是语义网络推理效率的核心来源。
• Instance-Of 关系（实例关系）：表示"X 是 Y 的一个具体实例"。区别于 IS-A 的类-子类关系，Instance-Of 连接个体与类别。
• HAS-Part 关系（部分-整体关系）：表示整体论 (meronymy)，如 \texttt{[鸟] → HAS-Part → [翅膀]}。
• 属性关系：如 \texttt{[苹果] → HAS-Color → [红色]}、\texttt{[鸟] → CAN → [飞翔]}。

扩散激活与推理

语义网络的核心推理机制是扩散激活 (Spreading Activation)。当网络中某个节点被激活（例如感知到或想到一个概念），激活能量沿关系边向邻近节点传播，传播强度随距离衰减。这一机制自然地解释了多种认知现象：

1. 语义启动效应 (Semantic Priming)：当先呈现概念 A（如"医生"）时，对语义相关概念 B（如"护士"）的反应速度加快。这是因为 A 的激活已经通过共享路径扩散到了 B。
2. 范畴效应 (Category Size Effect)：判断"金丝雀是鸟"比判断"金丝雀是动物"更快，因为前者在层次结构中距离更近。
3. 典型性效应 (Typicality Effect)：判断"知更鸟是鸟"比判断"企鹅是鸟"更快，因为典型成员与范畴节点之间的连接更强。

柯林斯和洛夫特斯 (1975) 的扩散激活模型将语义网络视为一个加权有向图，连接权重反映了概念之间的关联强度。该模型不仅解释范畴判断，还成功模拟了人类类比推理和创造性思维中的概念组合过程。

语义网络的主要流派

1. TCS 模型 (Teachable Language Comprehender)：奎利恩 (1969) 最早的计算实现，将每个概念定义为一个指向其他概念的指针平面 (plane)。词语的意义通过其在网络中的位置和连接模式来确定，而非通过内在定义。
2. 语义记忆的层次网络模型：柯林斯和奎利恩 (1969) 提出的认知心理学模型。概念按层次树组织，属性存储在尽可能高的层次节点上（"认知经济原则"），通过向上遍历 IS-A 链接来验证命题。
3. 概念依存理论 (Conceptual Dependency, CD)：尚克 (Roger Schank, 1972) 为自然语言理解开发的语义网络变体。CD 将动词意义分解为一组有限的概念原语 (primitives)，如 ATRANS（抽象转移）、PTRANS（物理转移）、MTRANS（心理信息转移）等，用图结构表示句子的深层语义。
4. KL-ONE 与描述逻辑：布拉赫曼 (Ronald Brachman, 1978) 提出结构化继承网络 (Structured Inheritance Networks)，强调严格的认识论分层和自动分类推理。KL-ONE 及后续系统发展为现代描述逻辑 (Description Logics) 和网络本体语言 (OWL)，是语义网 (Semantic Web) 的逻辑基础。

语义网络与现代知识图谱

当代知识图谱 (Knowledge Graph) 是语义网络思想的直接继承者。Google Knowledge Graph (2012)、Wikidata、DBpedia 等大规模知识库均采用图结构组织实体及其关系。与经典语义网络相比，现代知识图谱的主要区别包括：

• 规模：包含数十亿实体和关系，需要分布式存储和并行推理。
• 图式与实例分离：通常使用 RDF (Resource Description Framework) 三元组 $(\text{subject}, \text{predicate}, \text{object})$ 和本体语言（如 OWL）定义语义约束。
• 嵌入学习：通过 知识图谱嵌入 (Knowledge Graph Embedding) 方法（如 TransE、RotatE）将符号化语义网络映射到连续向量空间，支持链接预测和关系推理。
• 与大型语言模型的融合：现代大语言模型 (LLMs) 中隐式存储的语义知识与显式知识图谱形成互补——图谱提供精确的事实检索和逻辑推理，LLMs 提供灵活的语言理解和生成能力，两者的结合（检索增强生成、GraphRAG）是当前的研究前沿。

批评与局限

语义网络也面临若干经典批评：

1. 语义模糊性：IS-A 和 Instance-Of 等关系缺乏严格的模型论语义，不同实现可能对同一网络结构赋予不同解释。
2. 组合性问题：对复杂命题（如否定、析取、嵌套量词）的表示能力有限，远不如一阶谓词逻辑。
3. 推理的可判定性：不加约束的语义网络推理可能导致不可计算的结论搜索。现代描述逻辑通过对构造子 (constructors) 的限制来保证可判定性。

尽管存在这些局限，语义网络作为人类认知的自然隐喻和知识工程的核心工具，已经深刻影响了从认知心理学到万维网架构的广泛领域。