Question

我遇到了很多问题（在数据分析或AI的广泛领域）。但是我无法命名，可能是因为我没有正式的CS背景。请耐心等待，我举两个例子：

想象一下自然语言解析：

The flower eats the cow.

你有一个程序可以接受每个单词，并确定它的类型和它们之间的关系。有两种方法可以解释这句话：

1) flower (substantive) -- eats (verb) --> cow (object)

使用通常的SVO单词顺序，或

2) cow (substantive) -- eats (verb) --> flower (object)

使用更具诗意的世界秩序。该计划将排除其他可能性，例如“花”作为动词，因为它遵循“the”。然后它将对剩余的可能性进行排名：1）具有比2）更自然的单词顺序，因此它获得更多的分数。但包括世界知识，花不能吃奶牛，2）仍然获胜。所以它可能会返回两个假设，并给出1）得分为30，以及2）得分为70。

然后，它会记住这两个假设并继续解析文本，分支。一个分支假设1），一个2）。如果分支达到矛盾，或者排名为~0，则将其丢弃。最后，它再次提出了排名假设，但对于整个文本。

对于另一个例子，想象一下光学字符识别：

   **      **
   **      **  *****
   **   *******
 *******   **
*  **      **
   **      **

我可以看一下笔画并说，确定这是一个“H”。在识别出H之后，我注意到它周围有污迹，并给它一个稍差的分数。

或者，我可以先进行涂抹识别，并注意水平线看起来像是一件神器。移除后，我发现这是ll或Il，并给它一些排名。

处理完整张图片后，可以是Hlumination，lllumination或Illumination。使用字典和总排名，我认为它是最后一个。

一般问题总是某种解析/理解。例子：
- 自然语言或含糊不清的语言
- OCR
- 路径寻找
- 处理模糊或不完整的用户输入 - 哪种解释有意义，哪种方式最合理？
我是递归的。
它可以提前纾困（当分支/解释没有意义时，或者最终得分为0）。所以它可能是某种回溯。
考虑到歧义，它会考虑所有选项。
它基于底部can_eat(cow, flower) = true的简单规则。
它保持了解释的合理性排名。
它在元级别上是递归的：它可以分叉/分支到不同的“世界”，在处理下一部分数据时它会采用不同的假设。
它会将个人排名（可能使用贝叶斯概率）转发给依赖假设。
在实践中，会有训练这个东西的方法，确定排名系数，如果树变得太大，就会有截止。

我不知道这叫什么。人们可能会猜测“决策树”或“递归下降”，但我知道这些术语意味着不同的东西。

我知道Prolog可以解决这个问题的简单案例，比如家谱，并找出谁是谁的叔叔。但是你必须在代码中提供所有数据，而且对于我的真实案例而言，它似乎不够简单或强大。

我想知道，这个问题叫做什么，有没有共同的策略来解决这个问题？关于这个话题有很好的文献吗？是否存在理想的C（++），Python库，你可以定义一堆规则，它可以解决所有的排名和假设吗？

Answer 1

我认为没有一个答案符合你的所有要点。但是我希望我的链接会让你更接近答案，或者可能会给你一个不同的问题。

我认为最接近的答案是Bayesian network，因为根据我的理解，你有相互影响的概率，它也与Conditional probability和Fuzzy Logic

有关

您还描述了一些遗传编程以及人工神经网络

我可以删除一些可能相关的主题：