1。データ：
* 事実： これらは、エンティティとその関係に関する基本的な情報です。たとえば、「ジョンは学生です」または「パリはフランスの首都です」。
* ルール： これらの事実との関係は、新しい知識を導き出すために使用できます。たとえば、「誰かが学生である場合、彼らは人でもあります」または「雨が降っている場合、地面は濡れています」。
* 概念： これらは、エンティティのグループを表す抽象的なアイデアまたはカテゴリです。たとえば、「動物」、「車両」、または「感情」。
* 関係： これらは、異なるエンティティまたは概念がどのように接続されているかを定義します。たとえば、「資本がある」、「「原因」の一部です。」
2。構造：
* 知識表現： データが編成され、知識ベースで表される方法。一般的な方法は次のとおりです。
* セマンティックネットワーク： ノードが概念を表し、エッジがそれらの間の関係を表すグラフ。
* フレームシステム： データは、特定のオブジェクトまたは概念を表すデータ構造であるフレームに編成されます。
* ロジックプログラミング： 正式な論理を使用して、知識を論理ステートメントとして表現します。
* オントロジー： 特定のドメイン内の概念と関係の正式な説明。
* メタデータ： ソース、作成日、有効性など、データ自体に関する情報。
3。推論機能：
* 推論エンジン： 知識ベースを使用して、論理ルールと推論方法を適用して新しい知識を導き出すシステム。
* クエリ言語： 質問をし、知識ベースから情報を取得するために使用される言語。
4。アプリケーション：
* エキスパートシステム： 医学、金融、工学などの特定のドメインでの意思決定を自動化するために使用されます。
* 情報検索： 大規模なデータセットから関連情報の検索と取得に使用されます。
* 自然言語処理： 機械が人間の言語を理解し、処理できるようにするために使用されます。
* ロボット工学： ロボットが自分の環境を理解し、意思決定を行えるようにするために使用されます。
知識ベースの例：
* wikipedia： さまざまなトピックに関する記事の膨大な知識ベース。
* Googleナレッジグラフ： Google検索を強化する大規模な知識ベース。
* dbpedia： ウィキペディアから抽出された知識ベース。
* wordnet： 単語を同義語のセットにグループ化する英語の語彙データベース。
本質的に、ナレッジベースは、マシンが世界について推論することで問題を「考え」、解決できるようにする情報のリポジトリとして機能します。
