1 基礎概念
1.1 定義と目的
知識表現とは、現実世界の知識をコンピュータが処理可能な形式でモデル化するための理論と技術の総称である。その主目的は、複雑な情報を明確かつ効率的に構造化し、機械による自動推論や検索、自然言語理解の基盤を提供することにある。知識表現は人工知能システムが問題解決、意思決定、質問応答などのタスクを実行するために不可欠な要素であり、人間の知識を計算可能な形で符号化する手段として機能する。
1.2 歴史的発展
1.2.1 初期の形式論理
知識表現の起源は古代ギリシャのアリストテレスによる三段論法にまで遡るが、計算機科学における基盤は19世紀から20世紀初頭にかけての形式論理の発展に負う。ゴットロープ・フレーゲの述語論理、バートランド・ラッセルとアルフレッド・ノース・ホワイトヘッドの『プリンキピア・マテマティカ』、そしてクルト・ゲーデルの不完全性定理は、知識を記号操作によって厳密に扱う可能性を示した。
1.2.2 人工知能への応用
1950年代後半から1960年代にかけて、人工知能研究の黎明期に知識表現は重要な研究分野として確立された。ジョン・マッカーシーによるアドバイステイカー（1958年）は知識表現をAIシステムの中核に据えた初期の試みである。1970年代にはマイシン（MYCIN）などのエキスパートシステムが実用化され、ルールベース表現が普及した。1980年代には概念グラフやフレーム表現など多様な手法が開発され、知識表現の理論的基盤が整備された。
1.3 知識表現の要件
1.3.1 表現力と効率性
知識表現言語には、多様な知識を正確に記述できる高い表現力と、実際の処理が現実的な時間内で完了する効率性の両立が求められる。表現力が高すぎれば推論の計算複雑性が増大し、効率性を追求すれば限定された知識しか扱えなくなるというトレードオフが常に存在する。適切なバランスを見極めることが知識表現設計の核心的な課題である。
1.3.2 推論能力と不確実性の扱い
知識表現は、既存の知識から新たな知識を導出する推論機構を備える必要がある。また、現実世界の知識には不確実性や不完全性がつきものであり、確率的推論やファジィ論理などを用いた不確実性の扱いも重要な要件である。デフォルト推論や非単調推論は、状況変化に応じて知識を柔軟に更新するための枠組みを提供する。
1.3.3 メタ知識
メタ知識とは、知識そのものに関する知識を指す。例えば、「ある知識がどの程度信頼できるか」「どの知識が最も関連性が高いか」「知識の適用範囲」などである。メタ知識の表現と利用は、システムが自己の知識ベースを管理し、効率的な推論を実行する上で重要である。
2 主要な手法と形式
2.1 記号的知識表現
2.1.1 一階述語論理
2.1.1.1 構文と意味論
一階述語論理（FOPC）は、対象（項）、対象の性質や関係を表す述語、全称量化子と存在量化子から構成される。構文規則に従って形成された論理式は、解釈（解釈域と述語の割り当て）に基づいて真偽値が決定される。この明確な意味論により、形式化された知識の正確なコミュニケーションが可能となる。
2.1.1.2 推論と導出
一階述語論理では、前向き推論（前件から結論へ）、後向き推論（目標から条件へ）、導出原理に基づく演繹推論などの手法が用いられる。導出原理（resolution）はジャック・エルブランとジョン・アラン・ロビンソンによって開発され、演繹推論を自動化する基礎となった。しかし、一階述語論理では決定不能性の問題があり、常に完全な推論が保証されるわけではない。
2.1.2 フレーム表現
フレームはマービン・ミンスキーが1975年に提案した知識表現手法で、対象を属性（スロット）とその値の集合として表現する。各スロットにはデフォルト値や制約条件を設定でき、継承機構によって上位概念から属性を引き継ぐことができる。フレームはオブジェクト指向プログラミングの基礎ともなり、現実世界の構造を直感的にモデル化する手段として広く利用されている。
2.1.3 スクリプト
スクリプトはロジャー・シャンクとロバート・アベルソンが1977年に提唱した、典型的な状況や行動系列を表現するための枠組みである。例えば「レストランでの食事」スクリプトには、入店、着席、注文、食事、支払い、退店といった一連の流れとその前提条件や結果が記述される。スクリプトは自然言語理解や常識推論の基盤として用いられた。
2.2 構造的知識表現
2.2.1 セマンティックネットワーク
セマンティックネットワークは、知識をノード（概念や個体）とエッジ（関係）からなるグラフ構造で表現する手法である。代表的な関係として、「is-a」（階層関係）、「has-part」（部分-全体関係）、「property」（属性）などがある。1970年代にQuillianが提案し、その後様々な拡張が行われた。直感的な視覚表現と効率的な検索が可能であるが、表現力に限界がある。
2.2.2 オントロジー
2.2.2.1 オントロジーの階層構造
オントロジーは、特定のドメインにおける概念とその関係を形式的に記述したもの。上位オントロジー（時間、空間、物質などの普遍的概念を扱う）、ドメインオントロジー（医療、法律など特定分野）、タスクオントロジー（特定のタスクに関連する知識）などの階層構造を持つ。オントロジーは概念の階層的分類、性質定義、公理による制約記述を提供する。
2.2.2.2 オントロジー構築手法
オントロジー構築には、トップダウン方式（上位概念から詳細化）、ボトムアップ方式（事例から汎化）、ミドルアウト方式（中核概念から拡張）などの手法がある。また、既存のリソース（シソーラス、データベーススキーマ、テキストコーパス）からの自動・半自動抽出や、協調的なWebベースの構築（Wikiによる共同編集など）も行われる。
2.3 非記号的知識表現
2.3.1 ニューラルネットワークと分散表現
ニューラルネットワークは知識をネットワークの重みとして分散表現する。単語や概念を高次元ベクトルとして表現する分散表現（word2vec、GloVeなど）は、意味的類似性やアナロジーを捉えることができる。深層学習の発展により、エンドツーエンドの学習が可能となり、明示的な記号表現を必要としない知識獲得と推論が実現されている。
2.3.2 確率的グラフィカルモデル
ベイジアンネットワークやマルコフネットワークは、知識を変数間の確率的依存関係として表現する。有向非循環グラフ（DAG）を用いたベイジアンネットワークでは、因果関係を明示的にモデル化できる。確率的推論アルゴリズム（信念伝搬法、変分推論など）により、観測データから未知の変数を推定する。
3 応用と実践
3.1 エキスパートシステム
3.1.1 知識ベースと推論エンジン
エキスパートシステムは、専門家の知識をルール形式で格納した知識ベースと、推論を実行する推論エンジンから構成される。知識ベースにはIF-THENルール、フレーム、オントロジーなどが用いられ、推論エンジンは前向き推論または後向き推論により結論を導出する。エキスパートシステムは診断、設計、計画など様々な分野で実用化された。
3.1.2 事例と限界
代表的なエキスパートシステムとして、細菌感染症診断のMYCIN、鉱床探査のPROSPECTOR、コンピュータ構成のR1/XCONなどがある。しかし、知識獲得の困難さ（ボトルネック）、ルールの矛盾や重複の管理、常識の扱いの難しさ、システムの剛性などの問題が明らかになり、その後の研究に影響を与えた。
3.2 セマンティックWeb
3.2.1 RDFとOWL
Resource Description Framework（RDF）は、Web上のリソースを主語-述語-目的語のトリプルで表現する枠組みである。Web Ontology Language（OWL）は、RDF上でオントロジーを記述するための言語で、クラス階層、属性制約、関係の性質（推移性、対称性など）を表現できる。これらの標準化により、Web上のデータの相互運用性が向上した。
3.2.2 リンクトデータ
リンクトデータは、RDFを用いて異なるデータソースを相互にリンクする実践的取り組みである。URI（統一資源識別子）に基づく一意な識別子の付与、HTTPによるデータ取得、標準的なデータ形式の採用により、分散した知識をつなぎ合わせることが可能となる。DBpedia、Wikidata、GeoNamesなどが代表的なリンクトデータセットである。
3.3 自然言語処理
3.3.1 意味解析と知識グラフ
知識表現は自然言語の意味解析において重要な役割を果たす。知識グラフ（Knowledge Graph）は、エンティティとその関係を大規模に構造化したデータベースで、Googleが2012年に導入したことで広く知られるようになった。知識グラフは検索エンジンの結果改善、質問応答、推薦システムなどに活用されている。
3.3.2 質問応答システム
質問応答システムは、ユーザーの質問を解析し、知識ベースから回答を検索・生成する。記号的知識表現を用いたシステムは、論理形式に変換した質問と知識ベースのマッチングにより回答を導出する。近年では、知識グラフとニューラルネットワークを組み合わせたハイブリッドアプローチが主流となっている。
4 課題と将来展望
4.1 知識獲得ボトルネック
知識表現の最大の課題の一つは、高品質な知識ベースを効率的に構築・維持することの困難さにある。専門家による手動の知識獲得は時間とコストがかかり、書式や解釈の不一致が生じる。テキストやデータからの自動知識獲得技術（情報抽出、機械学習）が進展しているが、ノイズの除去や一貫性の維持は依然として重要な研究課題である。
4.2 常識推論の困難
人間が暗黙に持つ常識知識をコンピュータに表現・推論させることは極めて困難である。「水の入ったコップを倒せば床が濡れる」といった日常的な因果関係や、物理世界の制約（物体は同時に同じ位置に存在できないなど）を形式的に記述するには膨大な作業が必要となる。Cycプロジェクトなどによる大規模常識知識ベースの構築が試みられている。
4.3 知識表現の統合と進化
4.3.1 シンボリックとサブシンボリックの融合
記号的知識表現（論理、オントロジー）の厳密性と、ニューラルネットワークの柔軟性を組み合わせるハイブリッドアプローチが注目されている。ニューロシンボリック統合（Neuro-Symbolic Integration）は、記号推論の精度とニューラルネットワークの学習能力を両立することを目指す。知識グラフの埋め込み（Knowledge Graph Embedding）などがその一例である。
4.3.2 大規模言語モデルとの連携
GPTやBERTなどの大規模言語モデル（LLM）は、膨大なテキストから暗黙的な知識を獲得し、自然言語処理において優れた性能を示す。しかし、その知識は明確に構造化されておらず、推論過程が不透明である。知識表現の観点からは、LLMが持つ知識を検証可能な記号的表現と連携させる手法（LLMからの知識グラフ抽出、LLMと知識ベースの組み合わせによる質問応答など）が研究されている。これにより、LLMの柔軟性と知識ベースの信頼性を両立する新たな知識表現パラダイムの構築が期待されている。