1. 通过树状结构理解 当我们试图“理解”某事,或者说“学习”某事时,我们会将其分解为树形结构。例如,如果我们想理解“Merkle 树”这样的概念,就必须理解“密码哈希函数”和“树数据结构”这样的子概念,这就需要我们进一步理解“哈希函数”、“抗碰撞性”等这样的基本概念。 树分解得越深,概念就越原始。在某一时刻,Web 上会有一些非常直接的资源可以直接引用(例如,维基百科页面或一些文章/视频)。 将概念“分解”为树形结构 我们可以从旧时的 AI 中找到一些类似的想法。K 线理论表明我们的记忆和知识存储在树结构中(P 节点和 K 节点)。虽然缺乏实际证据表明这种结构确实存在于我们的大脑中,但该模型具有解释人类记忆和人类大脑如何工作的能力,而树状结构确实是存储结构知识的最简洁形式。 我们可以使用树结构来存储和理解两个方向——分解和建立。 如果我们想检索细节,我们分解一个知识树。另一方面,如果我们有一个知识树,我们可以使用这棵树来构建更大的树(也就是知识和理解的更高抽象)。 使用概念_2“建立”概念_1 在“构建”的情况下,可以使用“Merkle 树”树作为节点来构建更复杂的知识树,例如“Verkle 树”或“Merkle 多重证明”。 值得注意的是,这里的关键点是树的结构。知识树从根概念到叶子,指向所有对现有 Web 资源的必要引用。节点之间的关系在这里并不重要(与知识图谱系统中的“三重”思想不同)。 2.通过“相关知识”理解 我们还通过添加更多“上下文”来获得对知识的更深入理解。正如Weigenstain的名言,“但‘五’这个词是什么意思?这里没有这样的问题,只有”五“这个词是如何使用的”。它背后的想法是,某事物的意义实际上取决于与之相关的其他概念,它们共同决定某事物的意义。通过添加更多上下文(也就是知识本身的相关知识),我们可以更“深入”地理解知识。 一般来说,人们更容易理解树,而不是图。与其构建知识图谱,不如把“相关知识”想成更实用的方式——一组根节点相连的知识树,本质上形成了一个知识森林。 知识森林可以构建为许多知识树的数据库(并行种植)。我们可以对数据库执行两种基本操作。
测量知识树之间的关系 (责任编辑:admin) |