论文部分内容阅读
摘要：介绍了知识网格的一种主要知识表示技术--TM (Topic Map)。详细介绍了TM主题地图，TM的组成及它的知识表示与知识推理，并把TM与RDF(Resource Description Framework)两种技术作了分析与比较，TM所具有的优点都使其在知识网格中可以有非常广阔的发展空间。
关键词：知识网格；语义Web；元数据；知识推理；TM
中图分类号：TP311文献标识码：A文章编号：1009-3044(2008)26-1772-04
Research of the Knowledge Representation Technology Based on TM in Knowledge Grid
LIN Pei-hua, SHEN Ji-quan, LI Yue-ying
(College of Computer Science and Technology, Henan Polytechnic University, Jiaozuo 454000, China)
Abstract: In this article, we introduced one main knowledge representation technology in knowledge grid——TM (Topic Map).We detailedly introduced the Topic Map, the constitution, the knowledge representation and knowledge inference of the TM. We analyzed and compared the two technologies between TM and RDF(Resource Description Framework),all of the advantages of TM make it own wide spaces of development in knowledge grid.
Key words: knowledge grid; semantic web; metadata; knowledge inference;TM
1 引言
Fran Berman较早提出知识网格（Knowledge Grid简称KG）的概念，指出知识网格的主要研究内容是：利用网格、数据挖掘、推理等技术从大量在线数据集中抽取合成知识使搜索引擎能够智能地进行推理和回答问题，并从大量数据中得出结论[1]。诸葛海教授认为[2]：“知识网格是一个智能互联环境，它能使用户或虚拟角色有效地获取、发布、共享和管理知识资源，并为用户和其他服务提供所需要的知识服务，辅助实现知识创新、协同工作、问题解决和决策支持。它包含了反映人类认知特性的认识论和本体论；运用社会、生态和经济学原理；采纳下一代互联网所使用的技术和标准。”
知识是知识网格实现知识服务的基础，因此知识网格中的核心是如何表示和处理知识。而知识表示(Knowledge Representation， 简称KR)则是知识网格建设中首先要解决的关键技术，只有实现了形式化的、有效的、无二义的知识表示，才可以在此基础上实现知识的共享和管理，并通过后台推理与解释机制提供所需的知识服务。知识表示就是将有关领域的知识和专家的经验知识表示为计算机可以识别的记号。目前，用来表示知识的技术很多，如语义网SN、资源定义框架RDF、概念图CG、主题地图TM等等[3]，它们都有自己的侧重点。
在语义Web(Semantic Web) 体系中，基于元数据(Metadata)对网络数据进行結构化表示是网络数据语义表示的基础，提供基于本体(Ontology) 的领域知识描述和推理机制是实现知识处理和知识交换的必要手段[4]。当前， 研究比较广泛的语义Web框架是: 以RDF作为元数据描述语言， 以OWL (Web本体语言) 作为本体描述层提供知识表示和逻辑推理。本文介绍了以TM作为Web信息的元数据和本体描述语言， 研究Web信息的知识表示与应用的实现。
2 基于TM 的知识表示技术
TM是用以描述知识结构并将其与信息资源相联系的ISO标准，它能在任何类型的资源上建立有价值的信息网络[5]，它可以方便地将某一资源提供的知识转换成在别处也可使用的形式，以支持异构系统间的知识共享[6]。
2.1 TM 主题地图
主题地图就是一个由“主题Topic”(论题或术语的名称)、“关联association”(参看， 参考)以及主题的“出现occurrence”(页码、或者位置描述)[7]组成的集合体(TAO)，能够满足更加广阔的数字信息领域的需要。
2.2 TM 的组成
TM由以下几部分组成：
1）要讨论的专家知识：所涉及到的概念或者实体。 这是设计一个主题地图首先应该明确并规划的内容， 与本体描述中的领域术语相对应 XTM 中用< topicMap > 来标记整个主题地图讨论的问题，用 来表示要涉及的那些概念和实体。
2）对主题属性的描述：一个Topic的描述申明是通过它的属性描述实现的， Topic 的属性主要包括以下几个方面:
①Topic Type: 任何Topic 都是0个或多个其它Topic 的实例( instance) ， 这一特征描述了现实世界中固有的分类继承关系。
②Topic Name: 通常每个Topic 都有一个确切的名称， 用BaseName 来定义， XTM 还提供了Variants 根据不同的语境定义不同的名称。
③此外，与Topic 对应的Occurrence 以及其在某个关联(association) 中所扮演的角色( role)也是它的相关属性。
3）确定主题间的关联描述：单个的Topic描述无法构成一个Map， Association 是构建一个真正有用的知识地图的关键。 在一个Association 中Topics 所扮演的关联角色， 是实现知识表达和推理的关键。
4）确定相关资源描述：资源描述和定位是TM在语义Web系统的最终目的，与前面的Topic以及其属性的描述相结合，Occurrence 可以实现对所有网络资源进行有效的结构化编码并与实际资源对应， 完成系统资源的组织。
5）确定语境：对一个主题地图中所论及的内容，不是所有人对所有内容都感兴趣，在某些应用领域也存在一定的访问权限设定的要求。为此， 在构建主题地图过程中， 就应该标出对某个topic 或者资源(occurrence)以及关联等进行讨论时所处的语境。XTM 用来确定语境范畴，在主题地图中几乎所有对象(topic、baseName、occurrence等)都可以指派语境，对于没有指派scope 的对象我们称其为非约束性的，它对任何的语境都是有效的，对于被指派了scope的对象，它只在特定语境是有效的。
完整描述整个主题地图的过程，就是构建和描述特定的领域知识框架、构建信息与知识桥梁的过程。
2.3 TM的知识表示与知识推理
知识表示领域的核心是解决如何进行信息的编码并以推理计算模型加以利用。有专家认为KR由3个主要部分组成：逻辑、本体和计算[8]。逻辑提供了通过逻辑运算从现有知识演绎出新的逻辑描述的功能； 计算则是指确定一个描述是否能够从给定描述演绎得出的过程。Ontology本体是自然事物及其关系的研究， 在KR中又被称为形式化本体和计算本体，是某个领域事物的符号描述， 方便知识共享和重用的实现。它被认为是语义Web 体系中最为关键的部分。TM可以作为本体描述语言，进行领域知识描述， 要完成真正意义的知识表示， 我们还必须讨论和实现如何将TM转化为形式化逻辑知识描述，并进行相应的演绎计算。
2.3.1 基于TM 的知识推理
逻辑知识表示的最终目的就是知识推理和演绎计算。TM可以与一阶逻辑系统及其子系统建立良好的对应关系。这里针对基于Horn逻辑的TM 知识推理进行演示，说明基于TM的子句归结演绎推理模式[9]。首先简单说明Horn子句集合的三个部分以及与TM 的对应关系:
1）规则：它是形如B ←A 1, A 2, …, A n 的蕴涵式，与TM中得到的公理系统相对应。
2）断言：它是形如B←的正单位子句，与TM 映射的所有不含个体变元的谓词公式相对应。
3）目标子句：它是形如←A 1, A 2,…, A n 的无结论蕴涵式， 与TM 查询目标相对应。
在应用过程中，我们首先通过TM 的XML文档解析获取所有知识原语(即最小知识单元)，
构成断言集合，并通過语法构成模式构建完备的公理系统。 然后，将一个查询请求转化为一组目标子句，与前面的知识与公理构成一个Horn 子句集合，并基于该子句集合进行归结， 获得所有可以满足的目标子句， 即查询结果。
下面通过实例1来说明基于Horn逻辑的TM知识推理过程。
一般地，在一个标准的XML文档中首先要加入一个＜TopicMap＞标签，以表明这是一个主题图文档。下面是一个主题图的XTM语法的基本框架：
＜?xml version=“1.0”encoding=“ISO-8859-1”?＞
＜topicMap xmlns=“http://www.topicmaps.org/xtm/1.0/”
xmlns:xlinR=“http://www.w3.org/1999/xlink”＞
＜/topicMap＞
TM上的很多实际工作都是构建在XML工具之上的，实例1是从XTM规范中所带的例子里截取的一小段代码。
实例1：莎士比亚及其著作的主题图节选。
＜topic id=“shakespeare”＞
＜instanceOf＞＜topicRef xlink:href=“#author”/＞＜/instanceOf＞
＜baseName＞
＜baseNameString＞William Shakespeare＜/baseNameString＞
＜/baseName＞
＜/topic＞
＜topic id="hamlet"＞
＜instanceOf＞＜topicRef xlink:href=“#play”/＞＜/instanceOf＞
＜baseName＞
＜baseNameString＞Hamlet, Prince of Denmark＜/baseNameString＞
＜/baseName＞
＜occurrence＞
＜instanceOf＞
＜topicRef xlink:href=“#plain-text-format”/＞
＜/instanceOf＞
＜resourceRef
xlink:href=“ftp://www.gutenberg.org/pub/gutenberg/etext97/1ws2610.txt”/＞
＜/occurrence＞
＜/topic＞
＜topic id=“written-by”＞
＜baseName＞
＜baseNameString＞written by＜/baseNameString＞
＜/baseName＞
＜/topic＞
＜association＞
＜instanceOf＞＜topicRef xlink:href=“#written-by”/＞＜/instanceOf＞
＜member＞
＜roleSpec＞＜topicRef xlink:href=“#author”/＞＜/roleSpec＞
＜topicRef xlink:href=“#shakespeare”/＞
＜/member＞
＜member＞
＜roleSpec＞＜topicRef xlink:href=“#play”/＞＜/roleSpec＞
＜topicRef xlink:href=“#hamlet”/＞
＜/member＞
＜/association＞
我们首先通过实例1所示的XML文档得到如下断言集合：
AsRole(“shakespeare”,author,written-by).
AsRole(“hamlet”,play,written-by).
IS_A(“hamlet”,play).
IS_A(“shakespeare”,author).
Written-by(play,author).
在Horn逻辑中我们可以这样形式化的定义一个规则：
Written-by(book1,person1) :-
AsRole(person1,author,written-by),AsRole(book1,play,written-by),IS_A(book1,play),IS_A(person1,author),Written-by(play,author).
通过断言和规则我们可以构造一个小的公理系统：
AsRole(“shakespeare”,author,written-by).
AsRole(“hamlet”,play,written-by).
IS_A(“hamlet”,play).
IS_A(“shakespeare”,author).
Written-by(play,author).
Written-by(book1,person1) :-
AsRole(person1,author,written-by),AsRole(book1,play,written-by),IS_A(book1,play),IS_A(person1,author),Written-by(play,author).
然后我们可以提出这样一些问题：剧本“hamlet”是由作家“shakespeare”所作吗？剧本“hamlet”是谁写的？作家“shakespeare”写过哪些作品？
这些问题形式化之后可以表示为下面一组目标子句：
?- Written-by(“hamlet”,“shakespeare”).
?- Written-by(“hamlet”,X).
?- Written-by(X，“shakespeare”).
这些目标子句与前面的公理系统构成一个Horn子句集合，从而获得查询结果。
3 TM与RDF的比较
TM与RDF都是信息管理元数据模型，但两者有一些区别。RDF描述网络资源主要为了实现机器间的互操作和交流，实现比较复杂；而主题地图主要是从人的角度来实现信息管理，操纵传统的搜索引擎，在信息空间向人们提供直觉导航，易于被人理解和操作。
RDF与TM的中心概念是相似的，即它们都有所要表示的事物，但是它们在如何赋于这些事物特征方面有着完全不同的概念，而且在确定这些特性上的思想也是不同的。在RDF的声明中，是用(subject, property, object)形式来表示的，而且这是唯一的分配特性的方式，而在TM中主题属性是由names， occurrences， 以及在associations中的role来表示的。
TM与RDF都有声明事物之间关系的机制，但是这两种机制有非常大的不同，最明显的是表示结构方面的不同，RDF是把一个事物与另一个事物联系起来，而TM能够把任何数目的事物联系起来，而且能够在它们之间的关系中清楚的表示出每个事物的包含关系。在RDF中实现这个功能在概念化和执行方面都需要再做额外的工作。另一个不同是TM中关系所固有的双向性。而在RDF中虽然能够将关系来回移动，而且能够指定反转的属性，但是这并不是RDF中关系表示方式所固有的性质。简言之，在TM中可以很清楚的知道哪些是關系哪些不是，所有的关系都是双向的，而且更容易去表示复杂的关系。
在表示事物的属性方面，TM又比RDF更胜一筹，而且可以包含更多的外在的语义。也就是说由于一些工作在标准中已经完成了，所以对于TM来说不仅更容易开发通用软件而且TM的应用的概念化也更容易实现。
RDF中没有上下文的概念，虽然通过引进匿名资源在属性分配中上下文信息可以被附到分配中，但是这样做显得缺乏灵活性。在TM中上下文即是scopes（语境范畴）。所以在上下文领域TM和RDF的主要不同是上下文在TM中更容易表示，而且通用软件可以知道上下文在每个应用中是如何表示的。
在RDF中是用资源的URI来识别的。在TM中，主题都有一个指向主题资源的URI，而且可能会有任意数目的URI来指向资源以此来解释主题。
从实际意义上来说所有这些原因都使RDF必然比TM层次级别要低，如果不知道一定范围的知识就不可能很好地使用RDF模式，而对于TM来说这是可能的，因为它有更高的提取信息的水平。资源层和提取出的知识层之间的分离使得TM的性能比语义网更胜一筹。与RDF 相比，TM 是真正的面向本体的知识模型， TM 在语义上的表现力是RDF无法包容代替的。
4 结束语
TM 固有的导航功能以及其在信息与知识之间的桥梁作用决定了它广泛的应用范畴，但是它的一个最主要的应用是解决了信息的查找定位问题，也就是说如何在大量的信息中找到你所需要的信息。TM被描述作为语义网的可行技术，是网络信息结构化语义表示的一种新尝试。本文探讨了知识网格中TM 的知识表示以及推理的转化和实现机制，并与RDF作了比较，如上所述，它所具有的优点都使TM 的知识表示技术在知识网格中可以有非常广阔的发展空间，但是不可否认的是，RDF是目前研究比较广泛的一种知识表示技术，在接下来的研究中我们可以进一步探讨如何拓展TM的知识表示能力及TM能否与RDF技术相结合，从而实现一种更加强大的知识表示技术。
参考文献：
[1] Berman F.From teraGrid to Knowledge Grid[J].Commun ACM,2001,44(11):27-28.
[2] Zhu G H.China’s E-Science Knowledge Grid Environment[J].IEEE Intelligent System,2004,19(1):13-17.
[3] Sheila A M, Ilraith C, Zeng H L, et al.Semantic web services[J]. IEEE Intelligent Systems,2001,(15):46-53.
[4] BiezunskiM , New comb SR. XML topic maps: finding aids for the web[J]. IEEE Mult-imedia, 2001, 8: 104-108.
[5] Sow a J F. Knowledge representation: logical, philosophical, and computational foundations [M].California: Pacific Grove, 2000.
[6] Nilsson N J. 人工智能[M]. 郑扣根,译.北京:机械工业出版社,2000.
[7] 刘毅志,刘建勋.知识网格研究[J].湘潭师范学院学报（自然科学版）,2006,28(2):13-14.
[8] 李玲,唐胜群.知识网格中基于RDF的知识表示技术和应用[J].计算机应用研究,2005,(12):223-229.
[9] 戴锋.基于Topic Map的知识表示技术研究[J].中南民族大学学报（自然科学版）,2004,23(1):84-87.
10] 吴江,赵宗涛,张佩云.基于TMS的信息资源分类与检索方法研究[J].计算机应用与软件,2005,22(9):33-35.
[11] 刘茜萍,窦万春,蔡士杰,等.知识网格环境下基于TMs的协同认知[J].计算机科学,2006,(33)5:222-226.
关键词：知识网格；语义Web；元数据；知识推理；TM
中图分类号：TP311文献标识码：A文章编号：1009-3044(2008)26-1772-04
Research of the Knowledge Representation Technology Based on TM in Knowledge Grid
LIN Pei-hua, SHEN Ji-quan, LI Yue-ying
(College of Computer Science and Technology, Henan Polytechnic University, Jiaozuo 454000, China)
Abstract: In this article, we introduced one main knowledge representation technology in knowledge grid——TM (Topic Map).We detailedly introduced the Topic Map, the constitution, the knowledge representation and knowledge inference of the TM. We analyzed and compared the two technologies between TM and RDF(Resource Description Framework),all of the advantages of TM make it own wide spaces of development in knowledge grid.
Key words: knowledge grid; semantic web; metadata; knowledge inference;TM
1 引言
Fran Berman较早提出知识网格（Knowledge Grid简称KG）的概念，指出知识网格的主要研究内容是：利用网格、数据挖掘、推理等技术从大量在线数据集中抽取合成知识使搜索引擎能够智能地进行推理和回答问题，并从大量数据中得出结论[1]。诸葛海教授认为[2]：“知识网格是一个智能互联环境，它能使用户或虚拟角色有效地获取、发布、共享和管理知识资源，并为用户和其他服务提供所需要的知识服务，辅助实现知识创新、协同工作、问题解决和决策支持。它包含了反映人类认知特性的认识论和本体论；运用社会、生态和经济学原理；采纳下一代互联网所使用的技术和标准。”
知识是知识网格实现知识服务的基础，因此知识网格中的核心是如何表示和处理知识。而知识表示(Knowledge Representation， 简称KR)则是知识网格建设中首先要解决的关键技术，只有实现了形式化的、有效的、无二义的知识表示，才可以在此基础上实现知识的共享和管理，并通过后台推理与解释机制提供所需的知识服务。知识表示就是将有关领域的知识和专家的经验知识表示为计算机可以识别的记号。目前，用来表示知识的技术很多，如语义网SN、资源定义框架RDF、概念图CG、主题地图TM等等[3]，它们都有自己的侧重点。
在语义Web(Semantic Web) 体系中，基于元数据(Metadata)对网络数据进行結构化表示是网络数据语义表示的基础，提供基于本体(Ontology) 的领域知识描述和推理机制是实现知识处理和知识交换的必要手段[4]。当前， 研究比较广泛的语义Web框架是: 以RDF作为元数据描述语言， 以OWL (Web本体语言) 作为本体描述层提供知识表示和逻辑推理。本文介绍了以TM作为Web信息的元数据和本体描述语言， 研究Web信息的知识表示与应用的实现。
2 基于TM 的知识表示技术
TM是用以描述知识结构并将其与信息资源相联系的ISO标准，它能在任何类型的资源上建立有价值的信息网络[5]，它可以方便地将某一资源提供的知识转换成在别处也可使用的形式，以支持异构系统间的知识共享[6]。
2.1 TM 主题地图
主题地图就是一个由“主题Topic”(论题或术语的名称)、“关联association”(参看， 参考)以及主题的“出现occurrence”(页码、或者位置描述)[7]组成的集合体(TAO)，能够满足更加广阔的数字信息领域的需要。
2.2 TM 的组成
TM由以下几部分组成：
1）要讨论的专家知识：所涉及到的概念或者实体。 这是设计一个主题地图首先应该明确并规划的内容， 与本体描述中的领域术语相对应 XTM 中用< topicMap > 来标记整个主题地图讨论的问题，用
2）对主题属性的描述：一个Topic的描述申明是通过它的属性描述实现的， Topic 的属性主要包括以下几个方面:
①Topic Type: 任何Topic 都是0个或多个其它Topic 的实例( instance) ， 这一特征描述了现实世界中固有的分类继承关系。
②Topic Name: 通常每个Topic 都有一个确切的名称， 用BaseName 来定义， XTM 还提供了Variants 根据不同的语境定义不同的名称。
③此外，与Topic 对应的Occurrence 以及其在某个关联(association) 中所扮演的角色( role)也是它的相关属性。
3）确定主题间的关联描述：单个的Topic描述无法构成一个Map， Association 是构建一个真正有用的知识地图的关键。 在一个Association 中Topics 所扮演的关联角色， 是实现知识表达和推理的关键。
4）确定相关资源描述：资源描述和定位是TM在语义Web系统的最终目的，与前面的Topic以及其属性的描述相结合，Occurrence 可以实现对所有网络资源进行有效的结构化编码并与实际资源对应， 完成系统资源的组织。
5）确定语境：对一个主题地图中所论及的内容，不是所有人对所有内容都感兴趣，在某些应用领域也存在一定的访问权限设定的要求。为此， 在构建主题地图过程中， 就应该标出对某个topic 或者资源(occurrence)以及关联等进行讨论时所处的语境。XTM 用
完整描述整个主题地图的过程，就是构建和描述特定的领域知识框架、构建信息与知识桥梁的过程。
2.3 TM的知识表示与知识推理
知识表示领域的核心是解决如何进行信息的编码并以推理计算模型加以利用。有专家认为KR由3个主要部分组成：逻辑、本体和计算[8]。逻辑提供了通过逻辑运算从现有知识演绎出新的逻辑描述的功能； 计算则是指确定一个描述是否能够从给定描述演绎得出的过程。Ontology本体是自然事物及其关系的研究， 在KR中又被称为形式化本体和计算本体，是某个领域事物的符号描述， 方便知识共享和重用的实现。它被认为是语义Web 体系中最为关键的部分。TM可以作为本体描述语言，进行领域知识描述， 要完成真正意义的知识表示， 我们还必须讨论和实现如何将TM转化为形式化逻辑知识描述，并进行相应的演绎计算。
2.3.1 基于TM 的知识推理
逻辑知识表示的最终目的就是知识推理和演绎计算。TM可以与一阶逻辑系统及其子系统建立良好的对应关系。这里针对基于Horn逻辑的TM 知识推理进行演示，说明基于TM的子句归结演绎推理模式[9]。首先简单说明Horn子句集合的三个部分以及与TM 的对应关系:
1）规则：它是形如B ←A 1, A 2, …, A n 的蕴涵式，与TM中得到的公理系统相对应。
2）断言：它是形如B←的正单位子句，与TM 映射的所有不含个体变元的谓词公式相对应。
3）目标子句：它是形如←A 1, A 2,…, A n 的无结论蕴涵式， 与TM 查询目标相对应。
在应用过程中，我们首先通过TM 的XML文档解析获取所有知识原语(即最小知识单元)，
构成断言集合，并通過语法构成模式构建完备的公理系统。 然后，将一个查询请求转化为一组目标子句，与前面的知识与公理构成一个Horn 子句集合，并基于该子句集合进行归结， 获得所有可以满足的目标子句， 即查询结果。
下面通过实例1来说明基于Horn逻辑的TM知识推理过程。
一般地，在一个标准的XML文档中首先要加入一个＜TopicMap＞标签，以表明这是一个主题图文档。下面是一个主题图的XTM语法的基本框架：
＜?xml version=“1.0”encoding=“ISO-8859-1”?＞
＜topicMap xmlns=“http://www.topicmaps.org/xtm/1.0/”
xmlns:xlinR=“http://www.w3.org/1999/xlink”＞
＜/topicMap＞
TM上的很多实际工作都是构建在XML工具之上的，实例1是从XTM规范中所带的例子里截取的一小段代码。
实例1：莎士比亚及其著作的主题图节选。
＜topic id=“shakespeare”＞
＜instanceOf＞＜topicRef xlink:href=“#author”/＞＜/instanceOf＞
＜baseName＞
＜baseNameString＞William Shakespeare＜/baseNameString＞
＜/baseName＞
＜/topic＞
＜topic id="hamlet"＞
＜instanceOf＞＜topicRef xlink:href=“#play”/＞＜/instanceOf＞
＜baseName＞
＜baseNameString＞Hamlet, Prince of Denmark＜/baseNameString＞
＜/baseName＞
＜occurrence＞
＜instanceOf＞
＜topicRef xlink:href=“#plain-text-format”/＞
＜/instanceOf＞
＜resourceRef
xlink:href=“ftp://www.gutenberg.org/pub/gutenberg/etext97/1ws2610.txt”/＞
＜/occurrence＞
＜/topic＞
＜topic id=“written-by”＞
＜baseName＞
＜baseNameString＞written by＜/baseNameString＞
＜/baseName＞
＜/topic＞
＜association＞
＜instanceOf＞＜topicRef xlink:href=“#written-by”/＞＜/instanceOf＞
＜member＞
＜roleSpec＞＜topicRef xlink:href=“#author”/＞＜/roleSpec＞
＜topicRef xlink:href=“#shakespeare”/＞
＜/member＞
＜member＞
＜roleSpec＞＜topicRef xlink:href=“#play”/＞＜/roleSpec＞
＜topicRef xlink:href=“#hamlet”/＞
＜/member＞
＜/association＞
我们首先通过实例1所示的XML文档得到如下断言集合：
AsRole(“shakespeare”,author,written-by).
AsRole(“hamlet”,play,written-by).
IS_A(“hamlet”,play).
IS_A(“shakespeare”,author).
Written-by(play,author).
在Horn逻辑中我们可以这样形式化的定义一个规则：
Written-by(book1,person1) :-
AsRole(person1,author,written-by),AsRole(book1,play,written-by),IS_A(book1,play),IS_A(person1,author),Written-by(play,author).
通过断言和规则我们可以构造一个小的公理系统：
AsRole(“shakespeare”,author,written-by).
AsRole(“hamlet”,play,written-by).
IS_A(“hamlet”,play).
IS_A(“shakespeare”,author).
Written-by(play,author).
Written-by(book1,person1) :-
AsRole(person1,author,written-by),AsRole(book1,play,written-by),IS_A(book1,play),IS_A(person1,author),Written-by(play,author).
然后我们可以提出这样一些问题：剧本“hamlet”是由作家“shakespeare”所作吗？剧本“hamlet”是谁写的？作家“shakespeare”写过哪些作品？
这些问题形式化之后可以表示为下面一组目标子句：
?- Written-by(“hamlet”,“shakespeare”).
?- Written-by(“hamlet”,X).
?- Written-by(X，“shakespeare”).
这些目标子句与前面的公理系统构成一个Horn子句集合，从而获得查询结果。
3 TM与RDF的比较
TM与RDF都是信息管理元数据模型，但两者有一些区别。RDF描述网络资源主要为了实现机器间的互操作和交流，实现比较复杂；而主题地图主要是从人的角度来实现信息管理，操纵传统的搜索引擎，在信息空间向人们提供直觉导航，易于被人理解和操作。
RDF与TM的中心概念是相似的，即它们都有所要表示的事物，但是它们在如何赋于这些事物特征方面有着完全不同的概念，而且在确定这些特性上的思想也是不同的。在RDF的声明中，是用(subject, property, object)形式来表示的，而且这是唯一的分配特性的方式，而在TM中主题属性是由names， occurrences， 以及在associations中的role来表示的。
TM与RDF都有声明事物之间关系的机制，但是这两种机制有非常大的不同，最明显的是表示结构方面的不同，RDF是把一个事物与另一个事物联系起来，而TM能够把任何数目的事物联系起来，而且能够在它们之间的关系中清楚的表示出每个事物的包含关系。在RDF中实现这个功能在概念化和执行方面都需要再做额外的工作。另一个不同是TM中关系所固有的双向性。而在RDF中虽然能够将关系来回移动，而且能够指定反转的属性，但是这并不是RDF中关系表示方式所固有的性质。简言之，在TM中可以很清楚的知道哪些是關系哪些不是，所有的关系都是双向的，而且更容易去表示复杂的关系。
在表示事物的属性方面，TM又比RDF更胜一筹，而且可以包含更多的外在的语义。也就是说由于一些工作在标准中已经完成了，所以对于TM来说不仅更容易开发通用软件而且TM的应用的概念化也更容易实现。
RDF中没有上下文的概念，虽然通过引进匿名资源在属性分配中上下文信息可以被附到分配中，但是这样做显得缺乏灵活性。在TM中上下文即是scopes（语境范畴）。所以在上下文领域TM和RDF的主要不同是上下文在TM中更容易表示，而且通用软件可以知道上下文在每个应用中是如何表示的。
在RDF中是用资源的URI来识别的。在TM中，主题都有一个指向主题资源的URI，而且可能会有任意数目的URI来指向资源以此来解释主题。
从实际意义上来说所有这些原因都使RDF必然比TM层次级别要低，如果不知道一定范围的知识就不可能很好地使用RDF模式，而对于TM来说这是可能的，因为它有更高的提取信息的水平。资源层和提取出的知识层之间的分离使得TM的性能比语义网更胜一筹。与RDF 相比，TM 是真正的面向本体的知识模型， TM 在语义上的表现力是RDF无法包容代替的。
4 结束语
TM 固有的导航功能以及其在信息与知识之间的桥梁作用决定了它广泛的应用范畴，但是它的一个最主要的应用是解决了信息的查找定位问题，也就是说如何在大量的信息中找到你所需要的信息。TM被描述作为语义网的可行技术，是网络信息结构化语义表示的一种新尝试。本文探讨了知识网格中TM 的知识表示以及推理的转化和实现机制，并与RDF作了比较，如上所述，它所具有的优点都使TM 的知识表示技术在知识网格中可以有非常广阔的发展空间，但是不可否认的是，RDF是目前研究比较广泛的一种知识表示技术，在接下来的研究中我们可以进一步探讨如何拓展TM的知识表示能力及TM能否与RDF技术相结合，从而实现一种更加强大的知识表示技术。
参考文献：
[1] Berman F.From teraGrid to Knowledge Grid[J].Commun ACM,2001,44(11):27-28.
[2] Zhu G H.China’s E-Science Knowledge Grid Environment[J].IEEE Intelligent System,2004,19(1):13-17.
[3] Sheila A M, Ilraith C, Zeng H L, et al.Semantic web services[J]. IEEE Intelligent Systems,2001,(15):46-53.
[4] BiezunskiM , New comb SR. XML topic maps: finding aids for the web[J]. IEEE Mult-imedia, 2001, 8: 104-108.
[5] Sow a J F. Knowledge representation: logical, philosophical, and computational foundations [M].California: Pacific Grove, 2000.
[6] Nilsson N J. 人工智能[M]. 郑扣根,译.北京:机械工业出版社,2000.
[7] 刘毅志,刘建勋.知识网格研究[J].湘潭师范学院学报（自然科学版）,2006,28(2):13-14.
[8] 李玲,唐胜群.知识网格中基于RDF的知识表示技术和应用[J].计算机应用研究,2005,(12):223-229.
[9] 戴锋.基于Topic Map的知识表示技术研究[J].中南民族大学学报（自然科学版）,2004,23(1):84-87.
10] 吴江,赵宗涛,张佩云.基于TMS的信息资源分类与检索方法研究[J].计算机应用与软件,2005,22(9):33-35.
[11] 刘茜萍,窦万春,蔡士杰,等.知识网格环境下基于TMs的协同认知[J].计算机科学,2006,(33)5:222-226.