首页 理论 架构 工程 规划 文档 白皮书 著作 研究 规范 下载 博客 关于 联系 开始使用 →

第45章 语义知识与概率、排序和验证

《WSaiOS结构智能(WSaiOS-SI)理论工程》

第十九卷:动态语义库理论与工程

第45章 语义知识与概率、排序和验证

45.1 本章的研究目标

在 WSaiOS 结构智能(WSaiOS-SI)体系中,动态语义库不仅需要保存外部资源、语义单元、知识对象、属性、关系和证据,还需要对知识进行概率估计、候选排序与事实验证,使知识能够参与后续的计算、判断、匹配、认知和决策。

但是,概率、排序和验证是三种不同的运算。它们解决的问题不同,所依赖的数据不同,产生的结果也不同。

概率用于描述明确事件在给定条件下的不确定程度;排序用于根据任务目标和评价规则确定多个候选对象的先后次序;验证用于检查具体主张是否得到相应证据和规则的支持,能否在指定条件下成立。

三者可以协同工作,但不能相互替代。

例如,某个产品与采购需求的匹配程度很高,不代表该产品已经通过认证;某项主张具有较高的概率估计,不代表该主张已经得到事实验证;某个候选对象排在第一位,也不代表它在所有条件下都是正确答案。

因此,本章要建立以下基本关系:

语义结构提供运算对象,证据提供判断依据,明确的规则提供运算条件,概率描述不确定性,排序组织候选优先级,验证确定知识主张的核验状态。

本章不以大模型的文本生成或概率机制为基础,而是从 WSaiOS-SI 自身的元素、对象、属性、关系、证据、规则和运算体系出发,建立可追溯、可计算、可验证的语义知识处理机制。

45.2 概率、排序与验证的基本定义

45.2.1 语义概率的定义

语义概率是指:针对一个明确的事件或命题,在给定条件、观察资料、样本和估计规则的情况下,对该事件发生或命题成立的不确定程度进行定量描述。

概率运算必须首先明确其估计对象。

例如,针对某个电动牙刷产品,可以分别估计或研究:

  1. 某个网页是否真实存在。

  2. 网页是否来自声称的发布机构。

  3. 网页中的产品是否对应目标型号。

  4. 某项认证是否适用于目标型号。

  5. 某项产品性能主张是否符合实际情况。

  6. 某个候选供应商是否满足采购要求。

这些事件具有不同的对象、条件和证据。不能因为某个网页真实存在,就推断网页中的全部主张都真实;不能因为供应商具有较高的需求匹配程度,就推断其全部资质均已验证。

概率的核心不是为知识随意添加一个数值,而是明确:

  • 估计的是什么事件;

  • 在什么条件下估计;

  • 依据什么样本或证据;

  • 使用什么估计规则;

  • 估计结果具有哪些适用边界。

概率值必须与其对应的事件、条件和依据共同保存,否则这个数值很难被正确解释和复用。

45.2.2 语义排序的定义

语义排序是指:根据明确的任务目标、候选对象、比较维度和排序规则,将多个候选对象组织为具有相对先后关系的序列。

排序的对象可以是:

  • 外部信息资源;

  • 语义单元;

  • 知识对象;

  • 证据材料;

  • 候选关系;

  • 候选方法;

  • 待验证主张;

  • 待处理语义需求;

  • 待执行任务。

排序结果表达的是候选对象在特定规则下的相对位置,而不是候选对象的绝对真实性。

例如,系统需要为采购任务选择电动牙刷供应商,可以按照产品型号匹配程度、价格条件、交付条件、认证要求和证据完整性进行排序。

如果第一名的认证材料尚未核实,那么该供应商只能被视为当前排序规则下的优先候选,不能直接认定为最终合格供应商。

因此,语义排序必须同时明确排序目标、评价维度、规则适用条件和结果用途。

45.2.3 语义验证的定义

语义验证是指:围绕明确的知识主张,依据其对应对象、属性、关系、适用条件、证据材料和验证规则,检查该主张是否获得充分支持,并确定其当前验证状态。

验证对象不是孤立的文字,而是具有明确语义范围的知识主张。

例如:

产品 A 的型号 X 在有效期内具有认证 Y。

这一主张至少包含:

  • 产品对象;

  • 产品型号;

  • 认证类型;

  • 产品与认证之间的关系;

  • 认证有效期;

  • 适用范围;

  • 支持主张的材料;

  • 判断该主张成立所依据的规则。

即使存在一份真实的认证文件,也仍然需要核对该文件是否对应产品 A 的型号 X、认证 Y 是否覆盖相关产品,以及认证是否处于适用期限内。

因此,验证不是简单地检查某份文件是否存在,而是核对证据与主张之间是否建立了正确、充分且适用的语义关系。

45.2.4 三种运算的根本区别

运算 核心问题 主要输出 不能直接推出的结论
概率 事件具有多大不确定性? 概率估计及其条件 不能直接证明事实成立
排序 哪个候选对象应当优先? 有序候选及排序依据 第一名不等于事实正确
验证 主张是否得到证据和规则支持? 验证状态、依据与限制 未验证不等于虚假

三种运算之间可以传递信息,但必须保留各自的语义边界。

概率可以作为排序的一个输入;排序可以确定验证任务的处理优先级;验证产生的新证据又可以改变概率估计和排序结果。

然而,这种关联不意味着三种运算可以合并为一个统一分数。

45.3 概率运算的语义基础

45.3.1 概率必须具有明确的事件对象

任何概率估计都必须具有可以识别的事件。

例如,“供应商可靠的概率”并不是天然明确的估计对象,因为可靠性可能包括身份真实性、履约能力、产品质量、资质有效性、交付稳定性等多个不同方面。

如果没有进一步定义,系统无法确定究竟要估计什么。

因此,应将宽泛描述分解为具有明确条件的事件:

  • 供应商登记信息是否真实;

  • 供应商是否能够生产目标型号;

  • 供应商是否具有指定资质;

  • 供应商是否能够满足约定交付时间;

  • 供应商是否在特定期限内履行过相应合同。

这些事件可以分别处理,再根据实际决策规则组合使用。

如果不同事件之间存在依赖关系,也不能简单地把各自的概率相乘。只有在明确联合事件、条件关系和相应概率依据后,才能采用相应的联合概率或条件概率计算方法。

概率估计的第一项工作不是计算,而是确定估计对象。

45.3.2 概率必须具有条件结构

概率不是脱离条件而存在的孤立数值。

某一事件的概率可能随着时间、对象范围、观察条件、样本来源和适用规则发生变化。

例如,某供应商过去一年按时交货的比例,可以作为研究其未来履约情况的参考,但不能不加条件地代表其未来任何订单的履约概率。

订单规模、运输路线、生产周期、合同条款和观察样本是否具有代表性,都可能影响估计的适用范围。

因此,概率知识应当关联以下信息:

  1. 估计事件。

  2. 估计条件。

  3. 观察时间范围。

  4. 样本或证据范围。

  5. 样本选择方法。

  6. 估计规则。

  7. 估计结果。

  8. 适用边界。

  9. 校准记录或后续观察结果。

这些信息不必全部采用固定的数据字段,而应根据实际估计任务和知识结构确定其必要组成。

45.3.3 概率不能由语义相关性直接产生

语义相关性回答的是候选材料与目标需求之间的关联程度;概率回答的是明确事件在指定条件下的不确定程度。

两者不能混为一谈。

例如,一篇文章多次出现“电动牙刷”“认证”“供应商”等词语,可能与采购任务高度相关,但这些词语的出现频率不能直接证明文章中的认证主张真实。

同样,一份材料与某项主张高度相关,也不意味着该材料一定具有较高的证明能力。

语义相关性可以帮助发现需要检查的候选材料,但概率估计还需要明确的事件定义、适当的数据依据和估计方法。

因此,WSaiOS-SI 必须区分:

  • 语义相关性;

  • 对象匹配程度;

  • 证据支持程度;

  • 来源可靠性;

  • 事件概率;

  • 事实验证状态。

这些指标之间可以建立明确关系,但不能未经定义就相互转换。

45.3.4 概率估计的方法选择

概率估计方法应当根据事件性质、数据条件和估计目标确定,而不是为所有语义知识套用同一种计算方式。

对于适合使用频率估计的事件,可以使用:

\[ \hat{P}(A)=\frac{k}{n} \]

其中:

  • \(A\) 表示明确的事件;

  • \(n\) 表示符合规定条件的有效观察次数;

  • \(k\) 表示其中事件 \(A\) 实际发生的次数;

  • \(\hat{P}(A)\) 表示根据这些观察得到的频率估计。

这一计算只有在事件定义一致、观察记录有效且样本选择适当时,才具有相应解释意义。

例如,若某供应商在符合统计条件的 100 次交付记录中,有 92 次按时交付,则样本中的按时交付比例为 92%。

但这不意味着该供应商下一次交付一定有 92% 的概率按时完成。要将历史频率用于未来预测,还需要考虑样本代表性、观察条件变化、数据依赖性及预测校准情况。

对于缺少直接样本的事件,可以根据明确的领域规则、已有证据或其他适用的统计方法开展估计。但必须标明估计依据和不确定性,不能凭空生成概率数值。

45.3.5 概率校准与估计质量

概率估计不仅要产生数值,还要接受后续观察的检验。

假设某系统在大量可核验事件中,多次给出相近的预测概率,那么可以将这些预测与事件的实际发生频率进行比较,分析估计是否存在系统性偏高或偏低的问题。

这种过程称为概率校准。

概率校准需要满足几个条件:

  • 预测事件的定义保持一致;

  • 预测结果可以与实际结果对应;

  • 观察样本具有合理的适用范围;

  • 记录预测发生的时间及其依据;

  • 不以已经看到的结果冒充事前预测。

校准结果可以帮助修正估计方法,但不能直接替代具体事件的事实验证。

概率估计的质量还应与区分不同风险事件的能力、样本质量、估计稳定性以及实际决策效用分别考察。

一个系统可能具有较好的总体校准表现,但仍然可能对某个具体事件估计错误。因此,概率方法的历史表现不能替代对当前主张的核验。

45.4 语义排序的结构基础

45.4.1 排序必须由任务目标决定

排序不是对所有知识建立一个永久不变的总榜单,而是根据当前任务确定候选对象的处理顺序。

同一组候选对象,在不同任务下可能得到不同的排序结果。

例如:

  • 采购任务可能优先考虑是否满足强制要求;

  • 资料核验任务可能优先处理高风险、证据不足的主张;

  • 知识更新任务可能优先处理发生变化的资源;

  • 系统维护任务可能优先处理影响多个下游结论的结构变更。

因此,排序必须首先确定任务目标,再选择适用的比较维度和排序规则。

如果任务目标发生变化,原有排序不一定继续适用。

45.4.2 排序维度应从实际结构中生成

WSaiOS-SI 不应将固定行业字段作为所有排序任务的基础。

系统应当根据当前需求、目标对象、结构定义和可用证据,识别需要比较的维度。

例如,采购任务明确要求指定型号、有效认证和价格上限时,系统可以围绕这些条件组织候选对象。

但如果另一项任务是核对产品历史变更,适用维度可能转变为型号版本、变更时间、来源记录和证据对应关系。

这说明排序维度来自任务和知识结构,而不是预先为所有行业设置一套固定字段。

排序维度需要具备明确含义、适用条件和可解释的评价方法。无法比较的维度不能为了生成总分而强行转换成同一种数值。

45.4.3 必须区分约束条件与评价条件

排序任务通常同时包含两种性质不同的条件。

第一种是约束条件,即候选对象必须满足的必要要求。

第二种是评价条件,即在满足必要要求的候选对象之间,进一步确定优先次序的依据。

例如,采购任务规定:

  • 必须满足指定认证要求;

  • 价格不得超过预算;

  • 在满足上述条件后,再比较交付周期。

在这一任务中,认证要求和预算上限属于必要约束,交付周期可以作为候选对象之间的排序维度。

如果某个候选对象价格最低,但其认证尚未验证,那么系统不能仅凭低价将其认定为合格对象。

可以根据任务规则将其列为待核验候选,或者暂时排除在“已确认合格对象”的排序之外。具体处理方式取决于任务规则,而不是由排序算法自行决定。

必要条件是否满足,与候选对象之间如何排序,是两个不同的问题。

45.4.4 多维排序与综合评分

当一个任务包含多个评价维度时,可以根据明确的规则形成综合排序。

例如,在所有必要条件均已满足的前提下,可以采用:

\[ S(x)=\sum_{i=1}^{m} w_i s_i(x) \]

其中:

  • \(x\) 为候选对象;

  • \(s_i(x)\) 为候选对象在第 \(i\) 个评价维度上的得分;

  • \(w_i\) 为相应维度的权重;

  • \(m\) 为实际使用的评价维度数量;

  • \(S(x)\) 为依照该规则计算的综合分数。

这一公式只是适用于特定任务的一种可选方法,不是 WSaiOS-SI 所有排序任务的统一规则。

使用该方法前,必须明确各维度的评价尺度、权重来源、数据完整性和适用边界。

如果某个维度的数据缺失,也不能未经规定就把缺失值当作零分。缺失数据可能意味着信息不足,而不意味着候选对象在该维度上的表现最差。

对于不适合进行数值加权的任务,可以使用规则优先级、必要条件筛选、分层排序或其他明确的排序方法。

45.4.5 排序结果必须可解释

排序结果不应只保存候选对象的名次,还应当保留产生该名次的依据。

至少需要能够回答:

  • 为什么该候选对象进入排序范围?

  • 使用了哪些比较维度?

  • 哪些必要条件已经满足?

  • 哪些条件尚未确认?

  • 使用了什么排序规则?

  • 哪些数据或证据影响了名次?

  • 如果某项知识发生变化,排序是否需要重新计算?

例如,候选对象 A 排在候选对象 B 之前,原因可能是 A 的交付周期更短,也可能是 A 的证据更完整,或者是任务规则规定 A 满足更高优先级的条件。

这些原因具有不同含义,不能仅用“综合得分更高”代替全部解释。

当排序规则、评价维度或候选对象的数据发生变化时,系统应当能够识别受影响的排序结果,并根据实际依赖关系重新计算。

45.5 语义验证的对象与层次

45.5.1 验证对象必须是明确的知识主张

语义验证首先需要确定验证对象。

“某产品质量很好”是一个范围宽泛的描述,难以直接执行严格验证。

如果将其拆分为具体主张,例如某型号的材料符合指定标准、某项性能达到规定指标、某项认证在特定时间内有效,就可以分别确定适用证据和验证规则。

拆分时不能丢失原始主张的上下文、限定条件和对象范围。

同时,拆分后的子主张不能自动代替原始主张。即使若干子主张分别成立,也仍需判断它们是否足以支持整体结论。

45.5.2 验证必须检查对象对应关系

外部材料中存在某个名称,不代表该材料一定对应系统正在核验的对象。

验证过程需要检查对象标识、型号、版本、主体身份、时间范围和适用范围等信息是否一致。

例如,某份认证文件可能真实有效,但适用于同一品牌的另一款产品,而不是当前目标型号。

在这种情况下,文件本身的真实性与文件对当前主张的支持能力必须分别处理。

即使文件真实,也可能因为对象不对应而不能支持目标主张。

45.5.3 验证必须检查证据与主张的关系

证据并不是独立存在的“可信材料标签”。

一份材料是否能够支持某项主张,取决于材料内容、来源、对象对应关系、时间、范围、条件及其与主张之间的关系。

同一份材料可能支持某项主张,却不能支持另一项主张。

例如,供应商的营业登记资料可以支持其登记身份方面的主张,但不能仅凭这一材料证明其具有某项产品认证。

因此,系统必须建立:

来源 → 资料内容 → 证据单元 → 目标主张 → 支持或反驳关系 → 验证规则 → 验证结果

这一关联链使验证结果能够回溯到实际依据,而不是只保留一个最终的真假标签。

45.5.4 验证状态必须表达不确定性

验证结果不宜被压缩为简单的“真”或“假”。

动态语义库至少需要区分以下状态:

验证状态 含义
已确认支持 现有证据和适用规则支持该主张
已确认反驳 现有证据和适用规则支持与该主张相反的结论
条件成立 该主张仅在明确条件下成立
证据不足 已有材料不足以形成可靠结论
未验证 尚未完成相应验证过程
存在冲突 不同材料或结论之间存在尚未解决的不一致
对象不匹配 现有证据无法正确对应目标对象
规则不适用 当前验证规则不适用于该主张
已失效 该主张或原有结论在指定范围内已不再适用

这些状态可以根据工程需要进一步细分,但必须保留其不同含义。

尤其需要区分:

  • 没有找到证据,不等于主张为假;

  • 证据不足,不等于已经反驳;

  • 存在冲突,不等于其中一方必然错误;

  • 曾经得到验证,不等于在当前时间仍然有效;

  • 验证规则不适用,不等于主张不成立。

验证状态必须与验证时间、适用范围、证据依据和规则版本关联。

45.5.5 验证结论不能脱离适用条件

某项主张可能在一个时间段、某个型号或某种条件下成立,而在其他条件下不成立。

因此,验证结论应当明确其适用范围。

例如,某项认证在特定日期有效,不意味着其在认证到期后仍然有效;某个产品型号满足一项标准,不意味着同系列所有型号都满足该标准。

当适用条件发生变化时,系统应当检查原结论是否仍然适用。

如果变化已经影响结论,就需要重新验证;如果变化与该结论没有实际依赖关系,则不应机械地重新验证所有知识。

45.6 概率、排序与验证之间的协同关系

45.6.1 三者构成协同流程,而非单向替代

在动态语义库中,概率、排序和验证可以形成相互作用的处理流程。

例如:

  1. 系统从外部资源中发现多个与目标主张相关的候选材料。

  2. 系统根据任务相关性、来源条件和证据对应关系进行排序。

  3. 系统优先检查高价值或高风险候选材料。

  4. 系统依据验证规则检查材料是否支持目标主张。

  5. 对适合概率估计的事件,根据明确样本和条件进行估计。

  6. 验证结果和后续观察用于修正相关知识、概率估计和候选排序。

  7. 如果仍然存在证据缺口,则生成新的语义需求。

这一流程不是要求每个任务都必须依次执行三种运算。

如果任务只需要核对一个明确的事实,可以直接进行验证;如果任务需要在多个方案中选择优先对象,可以执行排序;如果任务涉及明确事件的不确定性估计,则可以进行概率运算。

系统应根据实际需求选择所需运算,避免为了形式完整而执行无意义的步骤。

45.6.2 概率可以参与排序,但不能代替验证

在某些任务中,概率估计可以成为排序的一个维度。

例如,在供应商风险分析中,系统可以根据符合条件的历史交付记录,估计特定条件下的延迟交付风险,并将其作为候选方案比较的依据。

但是,这种风险估计不能替代对当前合同、供应商身份和产品资质的验证。

如果任务规定某项认证是强制条件,就不能因为供应商的历史履约表现良好而忽略认证要求。

因此,概率参与排序必须服从任务约束。

45.6.3 排序可以决定验证优先级

动态语义库可能同时包含大量待验证主张,有限的计算资源和处理时间要求系统安排执行顺序。

排序可以依据以下因素确定验证优先级:

  • 主张对当前任务的影响;

  • 未验证状态可能产生的风险;

  • 主张与关键决策之间的依赖关系;

  • 证据缺口的严重程度;

  • 资料变化的时效性;

  • 验证所需的资源和成本。

这里的优先级表达的是“先处理哪项任务”,不是“哪项主张更真实”。

高优先级主张可能更重要,也可能更紧急,但不意味着它已经获得更充分的证据支持。

45.6.4 验证结果可以改变概率与排序

当验证获得新的有效证据时,系统需要分析该证据影响哪些既有知识。

如果证据改变了某个事件的观察记录,相关概率估计可能需要更新。

如果证据证明某个候选对象不满足必要条件,该对象可能需要从合格候选集合中移除。

如果证据补全了某个候选对象此前缺失的信息,其排序位置也可能发生变化。

但这种更新必须基于实际依赖关系,而不是只要数据库出现任何新材料,就重新计算所有概率、排序和验证结果。

45.6.5 不应构造混淆不同语义的单一分数

概率、相关性、证据支持程度、来源可靠性、匹配程度和排序得分可能都表现为数值,但它们代表的含义并不相同。

例如:

  • 0.9 的概率估计;

  • 0.9 的语义相关性得分;

  • 0.9 的候选匹配得分;

  • 0.9 的排序综合得分。

这些数值不能因为数值相同,就被解释为相同的可信程度。

如果需要构造综合评价指标,必须先定义指标所回答的问题、各项输入的含义、尺度转换规则、权重依据和使用边界。

即使形成综合分数,也必须保留原始指标及其语义解释,不能让综合分数覆盖原始证据和验证状态。

45.7 动态语义库中的工程处理流程

45.7.1 第一步:确定任务和目标对象

系统首先识别当前任务究竟需要估计概率、组织排序,还是验证主张。

随后确定目标对象、目标关系、适用时间、约束条件和预期结果。

如果目标对象不明确,就应当先补充对象识别信息,而不是直接计算概率或生成排序。

45.7.2 第二步:构建相应的语义结构

根据任务建立必要的元素、对象、属性、值、关系、条件和证据关联。

如果是概率任务,需要明确事件、条件及可用观察资料。

如果是排序任务,需要明确候选对象、比较维度、约束条件和排序规则。

如果是验证任务,需要明确目标主张、证据对应关系和验证规则。

三类任务可以复用同一组基础知识对象,但不能假设它们需要完全相同的输入结构。

45.7.3 第三步:检查数据和依据是否适用

系统需要检查数据是否完整、对象是否对应、时间范围是否有效、规则是否适用,以及关键条件是否缺失。

对于缺失信息,应当明确记录缺失情况。

不能为了让计算继续执行,就自动把未知值当作零、把缺失证据当作反面证据,或者把未经确认的关系当作已成立关系。

如果关键条件缺失,应根据任务规则暂停相应运算、产生条件性结果,或者生成新的语义需求。

45.7.4 第四步:执行指定运算

系统根据实际任务选择概率估计、候选排序或语义验证方法。

每种运算都需要记录:

  • 输入对象及其版本;

  • 使用的数据和证据;

  • 适用条件;

  • 运算规则;

  • 输出结果;

  • 失败原因或限制;

  • 与其他知识对象的依赖关系。

对于同一输入和同一规则,如果运算属于确定性计算,应当能够复现相同结果。

对于具有随机性或统计不确定性的估计,则应记录必要的样本范围、方法和运行条件,使结果可以被检查和解释。

45.7.5 第五步:保存结果及其依赖关系

运算结果必须能够追溯到产生结果的知识、证据和规则。

例如,一个候选对象的排序得分,应当能够关联其原始评价数据和评分规则;一个概率估计,应当能够关联事件定义、样本和估计方法;一个验证结论,应当能够关联目标主张、支持或反驳材料以及验证规则。

如果仅保存结果数值,而不保存其语义依据,系统就无法可靠解释结果,也难以在知识更新后判断是否需要重新计算。

45.7.6 第六步:识别变化并触发必要更新

当新知识进入动态语义库时,系统应检查它是否影响已有概率估计、排序结果或验证结论。

变化可能来自:

  • 新增观察记录;

  • 新发现的证据;

  • 原有证据被更正;

  • 目标对象识别发生变化;

  • 适用条件发生变化;

  • 排序规则被修订;

  • 验证规则发生变化;

  • 旧结论与新材料发生冲突。

系统应根据依赖关系确定需要重新处理的范围,并保留原有结果、更新原因及新旧版本之间的关联。

历史结果不应因当前结果发生变化而被直接删除。

45.8 实例:电动牙刷采购中的概率、排序与验证

假设某采购任务需要选择符合要求的电动牙刷供应商。

采购条件包括:产品型号必须对应目标需求、认证要求必须满足、总采购费用不得超过预算,并且在合格供应商中优先考虑交付表现。

45.8.1 概率处理

供应商 A 的历史记录中有 100 次符合统计条件的交付,其中 92 次按时完成。

根据这些历史记录,可以计算:

\[ \hat{P}(\text{按时交付})=\frac{92}{100}=0.92 \]

这个结果表示样本中的按时交付比例为 92%。

如果要把它用于预测未来订单的按时交付概率,还需要进一步检查样本代表性、交付条件是否一致,以及估计方法是否经过适当校准。

该结果不能直接证明供应商 A 一定会按时交付,也不能证明其产品认证有效。

45.8.2 排序处理

假设系统收集到供应商 A、B、C 的候选资料。

系统根据当前采购任务,对必要条件进行检查,并对满足要求的候选对象按照交付表现、采购价格和证据完整性进行排序。

如果供应商 A 的历史交付表现较好,但其目标型号的认证尚未确认,那么系统必须区分两种状态:

  • A 在交付表现维度上具有较高的优先级;

  • A 是否满足强制认证要求仍然有待验证。

系统可以将 A 保留在待核验候选集合中,但不能仅凭排序结果将其认定为合格供应商。

45.8.3 验证处理

系统获取一份认证材料后,需要检查:

  1. 材料来源是否明确;

  2. 材料是否能够支持其真实性;

  3. 材料对应的产品型号是否与目标型号一致;

  4. 认证范围是否覆盖目标产品;

  5. 认证在采购要求对应的时间内是否有效;

  6. 材料是否受到其他证据的反驳。

如果材料真实,但对应的是另一款产品,则该材料不能支持目标型号已经取得认证的主张。

此时,系统应当记录对象不匹配或证据不足的具体原因,而不是将该材料直接视为认证验证成功。

45.8.4 新证据进入后的动态更新

随后,系统发现一份更新的官方材料,明确说明目标型号不在原认证范围内。

这项新知识将触发对原有认证主张的重新验证。

如果核验结果确认该型号不属于认证范围,系统应当更新对应主张的验证状态,并根据采购规则重新评估供应商 A 是否符合必要条件。

如果 A 因此不满足采购要求,其在合格候选集合中的位置需要调整,相关排序结果也需要重新计算。

但是,供应商 A 的历史交付记录不必因此全部失效。交付表现与认证范围是不同的知识主张,只有存在实际依赖关系的结果才需要更新。

这个实例说明:

概率用于估计特定事件,排序用于组织候选对象,验证用于核对具体主张。新证据通过明确的知识依赖关系影响三种运算,而不是让某个综合分数直接决定所有结论。

45.9 三种运算的质量控制与错误边界

45.9.1 概率方面的错误

概率处理需要防止以下问题:

第一,将语义相关性直接当作概率。

第二,将来源数量直接当作正确概率。

第三,将未经核实的观察记录作为有效样本。

第四,在事件定义或条件发生变化后,仍然直接沿用原有估计。

第五,把历史频率不加条件地解释为未来事件的确定概率。

第六,将没有概率依据的数值包装成精确估计。

第七,忽略样本之间可能存在的依赖关系。

这些问题的共同原因,是没有把概率值与明确的事件、条件、样本和估计规则绑定。

45.9.2 排序方面的错误

排序处理需要防止以下问题:

第一,将第一名直接视为正确答案。

第二,将必要约束与评价维度混合处理。

第三,为所有行业预设固定字段,而不根据实际任务生成排序维度。

第四,将缺失值未经规定地转换为零分。

第五,使用不具有可比尺度的数值进行无条件加权。

第六,只保存名次而不保存排序依据。

第七,在候选对象、评价规则或关键数据发生变化后,仍然使用已经失效的排序结果。

排序的有效性取决于任务目标、比较维度、候选范围和排序规则是否适用,而不是仅取决于是否生成了完整的名次。

45.9.3 验证方面的错误

验证处理需要防止以下问题:

第一,将材料存在等同于材料真实。

第二,将来源真实等同于材料中的全部主张真实。

第三,将材料真实等同于材料适用于目标对象。

第四,将没有找到证据直接判断为主张为假。

第五,将不同来源的重复内容当作独立证据。

第六,将历史有效的结论直接沿用到当前时间。

第七,将未解决的证据冲突强行转换为确定结论。

第八,将规则不适用误认为主张不成立。

验证必须保留证据与主张之间的实际关系,并明确结论的条件和边界。

45.9.4 三者共同的错误

概率、排序与验证还存在共同的风险:结果脱离原有语义结构。

如果系统只保存一个概率值、一个名次或一个验证标签,却不保存目标对象、适用条件、输入依据和规则版本,那么结果就可能在知识更新后被错误复用。

因此,三种运算都应当遵循以下原则:

  • 先确定对象,再执行运算;

  • 先明确条件,再解释结果;

  • 保留原始依据,不用结果替代依据;

  • 区分未知、冲突、失败和不适用;

  • 记录运算规则和结果版本;

  • 根据真实依赖关系更新下游结果;

  • 不把单一分数当作通用事实判定机制。

45.10 与 WSaiOS-SI 基础结构和运算体系的关系

45.10.1 与元素、对象、属性和值的关系

概率、排序和验证都必须作用于具有明确语义的对象。

元素提供基础结构单元,对象承载具体事物或抽象实体,属性描述对象的特征,值表达属性在指定条件下的具体内容。

关系将对象、属性、证据和其他语义单元连接起来,形成可以参与运算的结构。

因此,概率估计、候选排序和主张验证都不是直接对孤立文字进行操作,而是基于已经识别的语义对象及其关联关系执行相应运算。

45.10.2 与 EOM 的关系

EOM,即 Elements–Objects–Methods,是 WSaiOS-SI 的基础组织思想之一。

在本章中:

  • Elements 提供概率估计、排序和验证所需的基础语义单元;

  • Objects 提供事件、候选对象、知识主张和证据对象的承载结构;

  • Methods 提供具体的概率估计方法、排序规则和验证方法。

方法应当具有明确的输入、适用条件、处理规则和输出含义。

不同任务可以选择不同方法,但方法的选择必须服从任务目标和知识结构,不能因为某种方法方便实现,就将其强行用于所有任务。

45.10.3 与七类基础运算的关系

WSaiOS-SI 的基础运算包括比较、计算、判断、匹配、概率、排序和验证。

本章进一步明确三者之间的边界:

  • 比较为候选对象或知识主张提供差异分析;

  • 计算根据明确数据和规则产生计算结果;

  • 判断根据条件、规则和证据形成判断状态;

  • 匹配建立目标与候选对象之间的对应关系;

  • 概率描述明确事件的不确定程度;

  • 排序组织候选对象的相对优先级;

  • 验证检查具体主张是否得到相应证据和规则支持。

这些运算可以形成协作关系,但不能因为它们共同参与某项任务,就将其语义合并。

例如,匹配用于判断材料是否对应目标型号,验证用于检查材料是否支持认证主张,概率用于估计某个明确事件的不确定程度,排序则用于决定多个候选对象的处理顺序。

只有保持这种区分,动态语义库才能产生可解释的运算结果。

45.10.4 与认知、决策和方法的关系

概率、排序和验证是基础运算,不等于完整的认知过程,也不等于最终决策。

认知需要综合任务需求、对象结构、知识关系、证据状态和运算结果,形成对当前问题的理解。

决策需要结合目标、约束、风险、资源和行动条件,确定适当的选择。

方法则将决策转化为可执行的处理步骤。

因此,某个候选对象具有最高排序,不代表系统必须选择它;某项主张得到验证,也不代表它必然是当前任务最重要的知识。

最终决策仍然需要依据实际任务和明确规则完成。

45.11 动态语义库中的演化机制

45.11.1 新知识不一定改变所有结果

动态语义库会持续获取新的外部资料和观察记录,但新知识的进入并不意味着所有旧结论都必须重新计算。

系统需要先分析新知识与现有知识之间的关系,判断它是否影响:

  • 某个事件的概率估计;

  • 某个候选对象的排序依据;

  • 某项主张的验证结果;

  • 某条知识关系的适用条件;

  • 某个决策所依赖的必要条件。

如果不存在实际依赖关系,就不应仅仅因为新知识到达而修改无关结果。

45.11.2 结果更新必须保留历史

当概率估计、排序规则或验证结果发生变化时,系统应当保存必要的历史记录。

例如,某个概率估计由旧样本得到,后来因为新增观察记录而被重新计算,系统需要区分旧估计和新估计各自对应的样本范围。

某个候选对象因新证据而改变排序位置,系统需要保留原有排序所使用的规则和数据。

某项主张因证据更新而改变验证状态,系统需要保留原有结论及其形成依据。

历史记录的目的不是永久维护已经失效的结论,而是使系统能够解释知识为什么发生变化,以及变化影响了哪些后续结果。

45.11.3 结果变化可以生成新的语义需求

当系统发现无法可靠估计概率、无法比较候选对象或者无法完成主张验证时,问题本身可以转化为新的语义需求。

例如:

  • 概率估计缺少具有代表性的样本,需要补充观察资料;

  • 候选对象缺少必要属性,需要进一步检索相关材料;

  • 验证时发现对象标识不一致,需要重新确认对象对应关系;

  • 不同证据之间存在冲突,需要开展针对性核验;

  • 排序规则缺少必要条件,需要补充任务约束;

  • 新证据改变了既有结论,需要重新评估相关决策。

新需求应当关联触发它的知识对象、运算结果和缺失条件,避免形成没有明确目标的无限任务。

其处理链可以表示为:

\[ \text{新知识} \rightarrow \text{结构关联} \rightarrow \text{影响分析} \rightarrow \text{运算检查} \rightarrow \text{知识缺口} \rightarrow \text{新语义需求} \]

这一机制使动态语义库不仅能够更新知识,还能够根据知识的变化发现自身尚未解决的问题。

45.12 本章总结

本章建立了 WSaiOS 结构智能(WSaiOS-SI)动态语义库中概率、排序和验证三类运算的基本理论及其工程关系。

概率针对明确事件,在给定条件和相应依据下描述不确定程度。概率值必须与事件定义、条件、样本和估计规则关联,不能由文本相关性、来源数量或主观判断直接产生。

排序根据任务目标、候选对象、必要约束和评价规则组织候选对象的相对优先级。排序结果必须具有可解释的依据,不能将第一名直接视为事实正确,也不能用综合评分掩盖必要条件尚未满足的问题。

验证针对明确的知识主张,检查证据与主张之间的对应关系,并依据适用规则确定验证状态。验证必须区分已确认支持、已确认反驳、条件成立、证据不足、未验证、存在冲突和其他适用状态,不能将未知直接判断为虚假。

三种运算之间可以相互协作:概率可以参与候选排序,排序可以安排验证优先级,验证产生的新证据可以影响概率估计和排序结果。但是,它们必须保留各自的语义边界,并通过明确的知识依赖关系实现协同。

本章最终确立以下原则:

结构是运算的基础,事件是概率的对象,任务是排序的依据,主张是验证的对象,证据与规则是验证的依据,历史与依赖关系是动态更新的基础。

在 WSaiOS-SI 中,概率不代替事实,排序不代替决策,验证不代替完整认知。三者通过语义结构、明确规则和可追溯关系共同参与知识处理,使动态语义库能够从外部信息的获取与组织,进一步发展为可计算、可判断、可核验和可持续演化的结构智能知识系统。

Leave a Reply

Your email address will not be published. Required fields are marked *

客服咨询
● 欢迎咨询与合作
您好!欢迎咨询。 我可以帮助您了解人工智能技术研发、智能软件系统开发、网站建设、搜索优化及项目定制等相关信息。 请问有什么可以帮您?
免费申请
请填写以下信息,方便我们进一步沟通。
欢迎咨询 AI 系统开发、网站建设、搜索优化、项目定制合作
电话:15089196448
邮箱:1602401899@qq.com
地址:陕西省渭南市
服务时间:周一至周五 09:00 - 18:00 | 7×24小时技术值守