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。

• 　　在不同的树之间建立联系。当我们可视化知识树时，它将很有用。

• 　　知识树的特征可以构造为某个向量空间中的向量。然后可以使用向量来关联在概念上相关但不通过 (1) 直接链接的知识树。

　　测量知识树之间的关系 (责任编辑：admin)