Amity School of Engineering and Technology

Knowledge Representation

Module -II
 Index

• Introduction to Knowledge Representation
• Types of Knowledge
• Issues in Knowledge Representation
 Learning Objective

To gain the insight about a knowledge representation techniques 
in the area of AI

3
Knowledge

4
 Knowledge Representation 
• A  knowledge  representation  is  a  study  of  ways  of  how  knowledge  is  actually 
represented  and  how  effectively  it  resembles  the  representation  of  knowledge 
inhuman brain.

• A knowledge representation system should provide ways of representing complex 
knowledge.

• How to represent the knowledge in a machine?

• The Language is needed to represent the knowledge . There must be a method to 
use this knowledge.

• Syntax and semantic must be well defined in order to represent the language. 
5
  Knowledge Representation

• To solve problems in artificial intelligence requires large amount of knowledge and some 
mechanism that knowledge to create solutions to new problem. A variety of knowledge 
facts have been exploited in AI programs. Hence we are dealing with two different kinds 
of entities such as:

• Facts: - It is truth in some relevant world. These are the things we want to represent.

• Representations  of  facts  in  some  chosen  formalism:  -  These  are  the  things  we  will 
actually be able to manipulate.
 Presentation of Knowledge
So that one way to think of structuring these entities is as two levels:-
The knowledge level: - In this facts are described.
The symbol level:       - In this we can give representations of object at the knowledge level 
are defined in terms of symbol that can be manipulated by programs.

Fig: Mapping between Facts and Representations
 Presentation of Knowledge
• Consider the English sentence:  Luka is a dog.
• The fact represented by that English sentence can be represented in logic as: dog (Luka)

• We also have logical representations of fact that: All dogs have tails                           
•                                                   V    x: dog (x) has tail (x)
• Hence we can deduce this representation: has tail (Luka)

• So  that using  backward mapping  we  can represent or  generate the  English  sentence: 

Luka has a tail
      Knowledge Representation Framework

9
 Characteristics of Knowledge Representation 

• The  representation scheme  should  have a  set of  well-defined syntax 

and  semantic.  This  will  help  in  representing  various  kinds  of 
knowledge.

• The knowledge representation scheme should have a good expressive 
capacity.  It  will  catalyze  the  inference  mechanism  in  its  reasoning 
process.

• From the computer system point of view, the representation must be 
efficient. 

10
11
Types of Knowledge

12
Types of Knowledge

13
Types of Knowledge

14
Types of Knowledge

15
  Issues in Knowledge Representation
• The fundamental goal of Knowledge Representation is to facilitate 
inferencing (conclusions) from knowledge.

• The issues that arise while using KR techniques are many. Some of 
these are below:
• Important Attributes 
• Relationship among attributes
• Choosing Granularity
•  Set of objects 
•  Finding Right structure 
16
 Issues in Knowledge Representation

Important Attributes :
• Any attribute of objects so basic that they occur in almost every problem domain ?
Relationship among attributes:
• Any important relationship that exists among object attributes ?
Choosing Granularity :
•  At what level of detail should the knowledge be represented ?
Set of objects :
•  How sets of objects be represented ?
Finding Right structure :
•  Given a large amount of knowledge stored, how can relevant parts be accessed ?

17
Fig: Inheritable Knowledge representation [1]
18
 Important Attributed

• Any attribute of objects so basic that they occur in almost every 
problem domain?

• There are two attributed “instance” and “isa”, that are general 
significance. These attributes are important because they support 
property inheritance.

19
 Relationship among Attributes

• The attributes to describe objects are themselves entities they 
represent.

• The relationship between the attributes of an object, independent of 
specific knowledge they encode, may hold properties like:

• Inverses, existence in an isa hierarchy, techniques for reasoning about

values and single valued attributes.

20
 Relationship among Attributes
Inverses :
This is about consistency check, while a value is added to one attribute. 
The entities are related to each other in many different ways. 

Existence in an "isa" hierarchy :
This is about generalization-specialization, like, classes of objects and 
specialized subsets of those classes.

21
 Relationship among Attributes

Techniques for reasoning about values :

• This is about reasoning values of attributes not given explicitly. Several 

kinds of information are used in reasoning, like,
• height : must be in a unit of length,
• age : of person can not be greater than the age of person's parents.

Single valued attributes :
•  This is about a specific attribute that is guaranteed to take a unique value.
• Example : A baseball player can at time have only a single height and be a 
member of only one team.

22
 Choosing Granularity

While deciding the granularity of representation, it is necessary to 
know the following:

• i. What are the primitives and at what level should the knowledge be 
represented?
• ii. What should be the number (small or large) of low-level primitives 
or high-level facts?

High-level facts may be insufficient to draw the conclusion while Low-
level primitives may require a lot of storage.
23
 Choosing Granularity
For example: Suppose that we are interested in following facts: 
Ram spotted Shyam. 
Now, this could be represented as "Spotted (agent(Ram), object 
(Shyam))“
Such a representation can make it easy to answer questions such as: 
Who spotted Shyam? 
Suppose we want to know : "Did Ram see Sukhvinder?" 
Given only one fact, user cannot discover that answer.

Hence, the user can add other facts, such as "Spotted (x, y) → saw (x, 
y)" 
24
 Set of objects 

The  reason to represent sets of objects is :
•  If a property is true for all or most elements of a set, then it is more 
efficient to associate it once with the set
• rather than to associate it explicitly with every elements of the set .

Example: assert large (elephant);
• Remember to make clear distinction between, whether we are 
asserting some property of the set itself,
•  means, the set of elephants is large,         or
•  asserting some property that holds for individual elements of the set 
, means, any thing that is an elephant is large. 25
 Finding Right Structure
• Given a large amount of knowledge stored in a database, how can 
relevant parts are accessed when they are needed?
• This is about access to right structure for describing a particular 
situation.

While doing so, it is necessary to solve following problems:
• How to perform an initial selection of the most appropriate structure.
• How to fill in appropriate details from the current situations.
• How to find a better structure if the one chosen initially turns out not 
to be appropriate.
• What to do if none of the available structures is appropriate.
• When to create and remember a new structure.
26
 Reference

[1] https://www.tutorialride.com

27
 Bibliography

[1]  Artificial Intelligence (2nd ed) by Elaine Rich and Kevin 
Knight, McGraw Hill (1991). ISBN 0-07-100894-2 

[2] Dan W. Patterson, Introduction to Artificial Intelligence and 
Expert  Systems- Prentice Hall of India.

28
Thank You

29
 Amity School of Engineering and
Technology

Knowledge Representation
(PL and FOPL)

Module -II
Programme: B. Tech-CSE, 
Semester: VIIth 
Course: Artificial Intelligence (CSE401)
Faculty: Dr. S. K. Dubey
 Index

• Propositional Logic
• First Order Predicate Logic
 Learning Objective

To gain the insight about Propositional Logic
And its importance in the area of AI

32
 Propositional Logic

• Propositional Logic is one of the representation 
schemes.

• It is the combination of Proposition + Logic

33
 Proposition

• Propositions are elementary atomic sentences.
• Propositions may be either true or false but may take on other 
value.
• There are two kinds of proposition
– Simple
– Compound
• Some examples of simple propositions are
– John has two children.
– It is raining.
– People live on earth.
– mango is yellow.

34
 Proposition (cont.…)

• Compound  propositions  are  formed  from  atomic 

formulas  using  the  logical  connectives  not,  or,  if 
………then, and, if and only if. 

• For example, the following are compound formulas.
– It is raining and the wind is blowing.
– The moon is made of green cheese or it is not.
– If you study hard you will be rewarded.
– The sum of 10 and 20 is not 50. 

35
 Logic

• One  of  the  prime  activities  of  the  human  intelligence  is 
reasoning.
• The  activity  of  reasoning  involves  construction,  organization 
and manipulation of statements to arrive at new conclusions.
• Thus logic can be defined as a scientific study of the process 
of reasoning.
• Logic is a formal language.
• Logic is basically classified in two main categories
– Propositional logic
– Predicate logic 

36
 Propositional Logic

• Propositional  logic  is  a  representational  language  that 

makes the assumption that the world can be represented 
solely in terms of propositions that are true or false.

• One  of  the  main  concerns  of  propositional  logic  is  the 
study  of  rules  by  which  new  logic  variables  can  be 
produced as functions of some given logic variables. 

37
 Propositional Logic Syntax

• Logic constants: TRUE, FALSE

• Propositional  atoms:  Indivisible  propositions  A,B,C,… 

P,Q,R.

• Connectives:  negation,  conjunctive,  disjunctive, 

implication, equivalence

• Sentences  are  represented  as  well-formed  formulas  i.e. 

wff

38
 Propositional Logic Connectives

• Ʌ  (and):  This  is  called  conjunction and  is  useful  for 

constructing a sentence like A Ʌ B.
• V (or): This is called disjunction and is useful for constructing 
a sentence like A V B.
• ¬ (negation): This is called not and is useful for constructing a 
sentence like ¬A.
• → (implication)  :  This  is  used  in  constructing  sentences  like       
A → B and is equivalent to ¬A V B.
• ↔  (equivalent):  This  is  used  in  constructing  sentences  like         
A ↔ B which implies A is equivalent to B.

39
 Well-formed formulas (wff)

• WFF consist of atomic symbols joined with connectives.

• For example: A, A Ʌ B, A V ¬B, A → B 

40
 Canonical or Normal Forms

• All wffs can be expressed in the following two normal forms:

– CNF (Conjunctive Normal Form)
e.g.  (P V ¬Q)  Ʌ  ( Q V ¬S V ¬R) 
clause 1 clause 2

– DNF (Disjunctive Normal Form
e.g.  (P Ʌ ¬Q)  V  ( Q Ʌ ¬S Ʌ ¬R) 
clause 1 clause 2

41
             Understanding Semantics of
Propositional logic

The semantics or meaning of a sentence is just the value true or 
false.  The  terms  used  for  semantics  of  a  language  are  given 
below. 
Table 1: Semantics of Propositional Logic

Semantics Descriptions
Valid A sentence is a valid if it is true for all interpretations. 
Valid sentences are also called tautologies.
Model An interpretation of a formula or sentence under which 
the formula is true is called a model of that formula.
Unsatisfiable  It  is  said  to  be  unsatisfiable  if  it  is  false  for  every 
(contradiction) interpretation.
Satisfiable It  is  said  to  be  satisfiable  if  it  is  true  for  some 
interpretation.

Equivalence Two  sentences  are  equivalent  if  they  have  the  same 
truth value under every interpretation. 42
 Example of Propositional logic

Write the syntax for propositional logic:
 
If the fruit is sweet, then the taste is better.

• The propositions are:
– A : The fruit is sweet.
– B:   The taste is better

• The sentence is represented as A→B 

43
 Truth Table of Logical Connectives

P Q ¬P ¬Q PVQ PɅQ P→Q P↔Q

True True False False True True True True

False True True False True False True False

True False False True True False False False

False False True True False False True True

Table 2: Truth table of logical connectives

44
 Task for you

• Proof the following propositional logic using Truth Table:

A→B is equivalent to ¬A V B

A↔B is equivalent to (A→B)Ʌ(B→A)

45
      Truth Table of Equivalence sentences

Table 3: Solution of equivalence sentences using truth table

(A→B)Ʌ
A B ¬A ¬AVB A→B B→A (B→A)

True True False True True True True

True False False False False True False

False True True True True False False

False False True True True True True

Practice Problem: Show that A→B is equivalent to ¬AV(AɅB)
 
46
 Some Laws in Propositional Logic

Table 4: Laws in Propositional logic

Idempotency A V A = A
A Ʌ A = A
Associativity (A V B) V C    =  A V (B V C)
(A  Ʌ  B) Ʌ  C =  A  Ʌ  (B  Ʌ  C) 
Commutativity A V B  = B V A 
A Ʌ B  = B Ʌ A 
A↔B  = B↔A
Distributivity A Ʌ (B V C) = (A Ʌ B) V (A Ʌ C)
A V (B Ʌ C) = (A V B) Ʌ (A V C)
De Morgan’s laws ¬(A Ʌ B) = ¬A V ¬B
¬(A V B) = ¬A Ʌ ¬B
Conditional elimination A→B =  ¬A V B

Bi-conditional elimination A↔B =(A→B)Ʌ(B→A)
47
 Practice Problems

• Determine  whether  the  semantic  of  each  of  the  following 

propositional logic are 
 
(a) Satisfiable (b) Valid
 
P1: (A Ʌ B) V ¬(A V B)
P2: (A V B) → (A Ʌ B)
P3: (A Ʌ B) → (A V ¬B)
 

48
 Solution of P1

P1: (A Ʌ B) V ¬(A V B)
Table 5: Solution of P1

A B AɅB A V B ¬(A V B) (A Ʌ B) V ¬(A V B)

True True True True False True

True
True False False False False

False True False True False False

False False False False True True

P1 is said to be satisfiable because it is true for some interpretation. 

49
 Solution of P2

P2: (A V B) → (A Ʌ B)
Table 6: Solution of P2

A B AVB AɅB (A V B) → (A Ʌ B)

True True True True True

True False True False False

False True True False False

False False False False True

P2 is said to be satisfiable because it is true for some interpretation. 

50
 Solution of P3

P3: (A Ʌ B) → (A V ¬B)
Table 7: Solution of P3

A B ¬B A Ʌ B A V ¬B (A Ʌ B) → (A V ¬B)

True True False True True True

True False True False True True

False True False False False True

False False True False True True

P3 is said to be valid because it is true for all interpretation. 

51
 Inference rules of Propositional Logic

• The  inference  rules  of  propositional  logic  provide  the  means 

to perform logical proofs or deductions.

• Rules are
– Modus ponens
– Modus tollens
– Chain rule
– Substitution
– Simplification
– Conjunction
– Transposition 

52
• Modus ponens

From A and A → B infer B. This is sometime written 
as :
 A
 A → B 
   B___           
For example:
given      : (ram is a father)
and         : (ram is a father) → (ram has a child)
conclude : (ram has a child) 
53
• Modus tollens

From A → B and ¬B infer ¬A. This is sometime written 
as :
 A → B
   ¬B__ 
  ¬A __           

For example:
given: (The machine is defective) → (The production is less)
and   : (The production is not less)
conclude : (The machine is not defective) 
54
• Chain rule

From A → B and B → C infer A → C. This is sometime written as :
 A → B
 B → C 
 A → C        

For example:

Given     : (programmer like python) → (programmer hates COBOL)
And        : (programmer hates COBOL) → (programmer likes recursion)
conclude: (programmer like python) → (programmer likes recursion) 

55
• Substitution:  If  s  is  a  valid  sentence,  s`  derived  from  s  by 
consistent  substitution  of  proposition  in  s,  is  also  valid.  For 
example, the sentence A V ¬A is valid; therefore B V ¬B is also 
valid by the substitution rule. 

• Simplification: From A Ʌ B infer A.

• Conjunction: From A and from B, infer A Ʌ B 

• Transposition: From A → B, infer  ¬B → ¬A

56
 First Order Predicate Logic (FOPL)

• FOPL  was  developed  to  extend  the  expressiveness  of 

Propositional logic.
• Propositional  logic  works  fine  in  situations  where  the  result  is 
either true or false. However, there are many real life situations 
that cannot be treated this way.
• Predicate  logic  is  the  area  of  logic  that  deals  with  predicates 
and quantifiers.
• Predicate – refers to a property that the subject of a statement 
can have
• Example: “x is greater than 3” , in this x is the subject and 
    “is greater than 3” is the predicate.

57
 Syntax of FOPL
• Connectives

• Quantifiers

• Constants

• Variables

• Predicates

• Functions 

58
 Syntax of FOPL (cont.…)

• Connectives: There are five connective symbols
¬  : not or negation
Ʌ  : and or conjunction
V  : or or inclusive disjunction
→ : implication
↔ : equivalence or if and only if
• Quantifiers: There are two quantifier symbols are
Ǝ : existential quantification
Example: Ǝ x means there exist x
∀ : universal quantification
Example: ∀x means for all x 

59
 Syntax of FOPL (cont.…)

• Constant:  constants  are  fixed-values  terms  that  belong  to  a 

given  domain  of  discourse.  They  are  denoted  by  numbers, 
words and small letter.

• Variables: variables are terms that can assume different values 
over a given domain. 

60
 Syntax of FOPL (cont.…)

• Predicates: a  predicate  is  defined  as  a  relation  that  binds  two 

atoms together. Ex: Rabbit likes carrots, is represented as
– LIKES(rabit, carrots)
Here  LIKES is  a predicate that  links  two  atoms 
“rabbit“ and “carrots“

• Functions:  it  is  also  possible  to  have  a  function  as  an 
argument, e.g. “Ajay’s father is Vijay’s father” is represented as:
– FATHER(father(Ajay), Vijay)
– Here FATHER is a predicate and father(Ajay) is a function to 
indicate Ajay’s father. 

61
 Syntax of FOPL (cont.…)

• Constants, variables, and functions are referred to as terms.

• Predicates are referred to as atomic formulas or atoms.

• When we want to refer to an atom or its negation, we often use 
the word literal.

• In  addition  to  above  symbols,  left  and  right  parentheses  , 

square  brackets,  braces,  and  the  period  are  used  for 
punctuation in symbolic representation. 

62
Few examples on Translating English to FOPL
i. Alice likes helicopters.
ii. Ajay’s father is Vijay’s father.
iii. Sachin is a man
iv. Shyam likes apple.
v. Rima is a girl.
vi. Lotus is white.
vii. Paul owns diamond.
viii. Shyam is taller than Ram
ix. My name is Vijay
x. Mango is fruit. 

63
 Few examples on Translating English to
FOPL

Solution:
i.Alice likes helicopters.                 Likes (Alice, helicopters)
ii.Ajay’s father is Vijay’s father.      Father(father(ajay),vijay)) 
iii.Sachin is a man                           Man(sachin)
iv.Shyam likes apple.                       Likes(shyam,apple)
v.Rima is a girl.                                Girl(Rima)
vi.Lotus is white.                               White(Lotus)
vii.Paul owns diamond.                     Owns(Paul, diamond)
viii.Shyam is taller than Ram             Taller(shyam, ram)
ix.My name is Vijay                             Name(Vijay)
x.Mango is fruit.                   Fruit(mango)
64
 More examples on Translating English
to FOPL

xi. Ram is male.
xii. Tuna is fish.
xiii. Dashrath is ram‟s father.
xiv. Kush is son of ram.
xv. Kaushaliya is wife of Dashrath.
xvi. Clinton is tall.
xvii.There is a white alligator.
xviii.All kings are person.
xix. Nobody loves john.
xx. Every one has a father. 

65
 More examples on Translating English
to FOPL

Solution:
xi.Ram is male.      Male(ram)
xii.Tuna is fish.     Fish(tuna)
xiii.Dashrath is ram‟s father.     Father(dashrath,ram)
xiv.Kush is son of ram.                     Son(kush,ram)
xv.Kaushaliya is wife of Dashrath.   Wife(kaushaliya,dashrath)
xvi.Clinton is tall.                               Tall(Clinton)
xvii.There is a white alligator.             White(Alligator)
xviii.All kings are person.                   ∀x: Kings(x) → Person(x)
xix.Nobody loves john.                       ∀x: ¬Loves(x,john)
xx.Every one has a father.                   ∀x,Ǝy: Father(y,x)
66
 Translating into Predicate Logic

i. Marcus was a man.
ii. Marcus was a Pompeian.
iii. All Pompeians were Romans.
iv. Caesar was a ruler.
v. All Romans were either loyal to Caesar or hated him.
vi. Everyone is loyal to someone.
vii. People only try to assassinate rulers they aren't loyal to.
viii. Marcus tried to assassinate Caesar.
ix. All men are people. 

67
 Translating into Predicate Logic
(Solution)

i. Marcus was a man.                      Man(marcus)
ii. Marcus was a Pompeian.     Pompeian(marcus)          
iii. All Pompeians were Romans.    ∀x: Pompeian (x) → Roman(x)
iv. Caesar was a ruler.     Ruler(caesar)
v. All Romans were either loyal to Caesar or hated him.
 ∀x: Roman(x) → LoyalTo(x,Caesar) V Hate(x,Caesar)
vi. Everyone is loyal to someone. ∀x,Ǝy: LoyalTo(x,y)
vii. People only try to assassinate rulers they aren't loyal to.
∀x, ∀y: Person(x) ɅRuler(y) ɅTryAssassinate(x,y) →¬LoyalTo(x,y)
viii. Marcus tried to assassinate Caesar.
TryAssassinate(Marcus, Caesar)
ix. All men are people. ∀x: Men(x) → People(x) 68
 More examples on Translating into
Predicate Logic

i. Hari likes all kind of food.
ii. Bananas are food.
iii. Apples are food.
iv. Anything anyone eats and isn’t killed by food.
v. Hari eats everything ram eats. 

69
 More examples on Translating into
Predicate Logic

Solution:
i.Hari likes all kind of food.
∀x: Food(x) → Likes(hari, x)
ii.Bananas are food.     Food(bananas)
iii.Apples are food.         Food(apples)
iv.Anything anyone eats and isn’t killed by food.
∀x:Ǝy: Eats(y,x) Ʌ ¬Killedby(y,x) → Food(x)

v.Hari eats everything ram eats. 
∀x: eats(ram, x) → eats(hari, x)

70
 More examples on Translating into
Predicate Logic

i. Every gardener likes the sun.
ii. Not Every gardener likes the sun.
iii. You can fool some of the people all of the time.
iv. You can fool all of the people some of the time.
v. You can fool all of the people at same time.
vi. You can not fool all of the people all of the time.
vii. Everyone is younger than his father. 

71
More examples on Translating into Predicate Logic
Solution:
i.Every gardener likes the sun. ∀x: gardener(x) → likes(x, Sun)
ii.Not Every gardener likes the sun. ¬(∀x: gardener(x) → likes(x, Sun))
iii.You can fool some of the people all of the time.
Ǝx:∀t: person(x) Ʌ time(t) → canBeFooled(x, t)
iv.You can fool all of the people some of the time.
∀x:Ǝt: person(x) Ʌ time(t) → canBeFooled(x, t)
v. You can not fool all of the people all of the time.
¬(∀x:∀t: person(x) Ʌ time(t) → canBeFooled(x, t))
vi. Everyone is younger than his father.
∀x: person(x) → younger(x, father(x))
 

72
 Skolemization

• Skolemization  is  the  process  of  replacement  of  existential 

quantified  variable  with  Skolem  function  and  deletion  of  the 
respective quantifiers.
• Skolem function is arbitrary functions which can always assume 
a correct value required of an existentially quantified variable.
• Example
x : President(x)
• Can be transformed into the formula
President(P1)
    where  P1  is  a  function  with  no  arguments  that  somehow   
produces a value that satisfies president. 

73
 Example
Example
• Everybody respect somebody. 
∀x:Ǝy:(Person(x) ^ Person(y)) → respect(x,y)

Converted to 
∀x: (Person(x) ^ Person f(x)) → respect(x,f(x))
 
where f(x) specifies the person that x respect

74
 Clausal Form
• A  formula  is  said  to  be  in  clausal  form  if  it  is  of  the  form:                                         
∀x1 ∀x2 … ∀xn [C1 ∧ C2 ∧ … ∧ Ck]. 

• All first-order logic formulas can be converted to clausal form. 

75
 Equivalent Logical Expressions

i. ¬(¬F) = F (Double Negation) 
ii. F Ʌ G = G Ʌ F, F V G = G V F (Commutativity) 
iii. (F Ʌ G) Ʌ H = F Ʌ (G Ʌ H), (F V G) V H = F V (G V H) 
(Associativity)
iv. F V (G Ʌ H) = (F V G) & (F V H), F & (G V H) = (F & G) V (F & 
H) (Distributivity)
v. ¬(F Ʌ G) = ¬F V ¬G, ¬(F V G) = ¬F Ʌ ¬G  (De Morgan)
vi. F → G = ~F V G
vii. F ↔ G = (~F V G) Ʌ (~G V F)
viii. ∀ x F[x] V G = ∀ x (F[x] V G )
ix. Ǝx F[x] V G = Ǝx (F[x] V G )

76
 Equivalent Logical Expressions (cont...)
x. ∀x F[x] Ʌ G = ∀x (F[x] Ʌ G )

xi. Ǝx F[x] Ʌ G = Ǝx (F[x] Ʌ G )

xii. ¬(∀x) F[x] = Ǝx (~F[x])

xiii. ~(Ǝx) F[x] = ∀x (~F[x])

xiv. ∀x F[x] Ʌ ∀x G[x] = ∀x (F[x] Ʌ G[x])

xv. Ǝ x F[x] Ʌ Ǝ x G[x] = Ǝx (F[x] Ʌ G[x])
77
 Horn Clause

• It is a clause with at most one positive literal. Example
P ,
¬P V Q
 ¬ P V ¬ Q V R
• Clauses  of  this  type  were  first  investigated  by  the  logician  Alfred  Horn. 
There are three types of Horn clauses 
i. A single atom: often called a “fact”.
ii. An  implication:  often  called a “rule”- whose  antecedent  consists  of  a 
conjunction of positive literals and whose consequent consists of a single 
positive literal.
iii. A set of negative literals: written in implication form with an antecedent 
consisting of a conjunction of positive literals and an empty consequent. 
This form is obtained, for example, when one negats a wff to be proved 
consisting of a conjunction of positive literals. Such a clause is therefore 
often called a “goal”. 
78
 Horn Clause (Cont.…)

• In a horn clause, generally one condition is followed by zero, or more 
conditions. It is represented as
Conclusion… 
Condition-1, 
Condition-2, 
Condition-3, 
………
Condition-n, 

• The conclusion is true if and only if condition-1, condition-2……and so on 
until condition–n is true. 

• In simple and easy terms, a Horn clause consists of a set of statements

joined by logical AND’s. 79
 Consider the Example

i. Marcus was a man.                      Man(marcus)
ii. Marcus was a Pompeian.     Pompeian(marcus)          
iii. All Pompeians were Romans.    ∀ x: Pompeian (x) → Roman(x)
iv. Caesar was a ruler.     Ruler(caesar)
v. All Romans were either loyal to Caesar or hated him.
 ∀ x: Roman(x) → LoyalTo(x,Caesar) V Hate(x,Caesar)
vi. Everyone is loyal to someone.      ∀ x,Ǝy: LoyalTo(x,y)
vii. People only try to assassinate rulers they aren't loyal to.
∀ x, ∀ y: Person(x) ɅRuler(y) ɅTryAssassinate(x,y) →¬LoyalTo(x,y)
viii. Marcus tried to assassinate Caesar.
TryAssassinate(Marcus, Caesar)
ix. All men are people. ∀ x: Men(x) → People(x)
80
 Prove this

• Given the above sentences, can 
we make a conclusion as 
follows: 
“Marcus was not loyal to Caesar
?”
or:
¬loyalto(Marcus,Caesar) 
Solution: 
• In  order  to  prove  the  goal,  we 
need  to  use  the  rules  of 
inference  to  transform  it  into 
another  goal  that  can  in  turn  be 
transformed,  and  so  on,  until 
there  are  no  unsatisfied  goals 
remaining.  81
 Resolution Principle

• Given two clauses C1 and C2 with no variables in common, if there 
is a literal l1, in C1 and which is a complement of a literal l2 in C2 , 
both  l1  and  l2  are  deleted  and  a  disjuncted  C  is  formed  the 
remaining  reduced  clauses.  The  new  clauses  C  is  called  the 
resolve of C1 and C2. 

• Resolution  is  the  process  of  generating  these  resolvents  from  the 
set of clauses.

• Example: (¬AVB) and (AVC)
    
        We can write 
BVC 82
 Refutation

• Resolution produces proofs by refutation.

• In  other  words,  to  prove  a  statement,  resolution  attempts  to  show 
that  the  negation of the statement produces a contradiction
with the known statements. 

83
 Example of Resolution

• Consider the following clauses:-
P : A V B V D
Q: ¬A V B V D 
R: ¬B V D 
Solution
P :   A V B V D  (Given in the problem) 
Q : ~A V B V D  (Given in the problem) 
S :    B V D  (Resolvent of P and Q) 
R : ~B V D  (Given in the problem) 
T :    D (Resolvent of R and S) 

84
 Example of Resolution

Sno Clauses
1 Man(Marcus)
2 Pompiean(Marcus)
3 ¬Pompiean(X1) V Roman(X1)
4 Ruler(Caesar)
5 ¬Roman(X2) V loyalto(X2,Caesar) V hate(X2,Caesar)
6 loyalto(X3,f1(X3))
7 ¬man(X4) V ¬man(Y1) V ¬tryassassinate(X4, Y1) V loyalto(X4, Y1)
8 tryassassinate(Marcus, Caesar)

Prove “Marcus hate Caesar” or hate(Marcus,Caesar) ?

85
 Solution

Sno Clauses Note

1 Man(Marcus) P
2 Pompiean(Marcus) P
3 ¬Pompiean(X1) V Roman(X1) P
4 Ruler(Caesar) P
5 ¬Roman(X2) V loyalto(X2,Caesar) V hate(X2,Caesar) P
6 loyalto(X3,f1(X3)) P
7 ¬man(X4) V ¬ruler(Y1) V ¬tryassassinate(X4, Y1) V loyalto(X4, Y1)  P
8 tryassassinate(Marcus, Caesar) P
9 ¬hate(X2,Caesar) P (let we suppose)
10 ¬Roman(Marcus) V loyalto(Marcus,Caesar) 5,9, X2=Marcus
11 ¬Pompiean(Marcus) ) V loyalto(Marcus,Caesar) 3,10, X1=Marcus

86
 Solution

Sno Clauses Note

12 loyalto(Marcus,Caesar) 2,11
13 ¬man(Marcus) V ¬ruler(Caesar) V ¬tryassassinate(Marcus,Caesar)  12,7, X4=Marcus, 
Y1=Caesar
14 ¬ruler(Caesar) V ¬tryassassinate(Marcus,Caesar) 13,1
15 ¬tryassassinate(Marcus,Caesar) 14,4
16 Contradiction (So Proved) i.e. 9 th statement is wrong 15,8

87
 Another Example of Resolution

Assume the following facts: 
i. Raman only likes easy courses.
ii. Computer Science courses are hard.
iii. All the courses in Arts Department are easy.
iv. ART101 is a course in Arts”. 

Convert  the  above  statements  into  appropriate  wffs  so  that  the 
resolution can be performed to answer the question:

“ what course would Raman like?”

88
 Solution

First we will convert it into FOPL (First order predicate logic)
i. Raman only likes easy courses.
 ∀ x: easy(x) → likes(raman,x)
ii. Computer Science courses are hard.
 ∀ x: computer science(x) → ¬easy(x)
iii. All the courses in Arts Department are easy.
 ∀ x: arts(x) → easy(x)
iv. ART101 is a course in Arts”. 
arts(ART101)

The conclusion is encoded as likes(raman , x).

89
 Solution (cont.…)

First  we  put  our  premises  in  the  clause  form  and  the  negation  of 
conclusion  to  our  set  of  clauses  (we  use  numbers  in  parentheses  to 
number the clauses):

i. ¬easy(x) V likes(raman,x)
ii. ¬computer science(x) V ¬easy(x)
iii. ¬arts(x) V easy(x)
iv. arts(AR101)
v. ¬likes(raman, x)

90
 Solution (cont.…)
Sno Clauses Note
1 ¬easy(x) V likes(raman,x) P
2 ¬computer science(x) V ¬easy(x) P
3 ¬arts(x) V easy(x) P
4 arts(AR101) P
5 ¬ likes(raman, x) P
6 ¬easy(x) 1, 5
7 ¬arts(x)  3, 6
8 NIL 4, 7; 
x=ART101

91
 Solution (cont.…)

• A  resolution  proof  may  be  obtained  by  the  following  sequence  of 
resolutions
• (6) 1&5 yields resolvent ¬easy(x).
• (7) 3&6 yields resolvent ¬humanities (x).
• (8) 4&7 yields empty clause; 

the  substitution  x/ART101  is  produced  by  the  unification  algorithm 

which says that the only wff of the form likes(raman,x)  which follows 
from the premises is likes(raman, ART101). Thus, resolution gives us 
a way to find additional assumptions. 

92
Thank You

93
 Amity School of Engineering and
Technology

Semantic Networks and

Frames

Module -II

Programme: B. Tech-CSE, 
Semester: VIIth 
Course: Artificial Intelligence (CSE401)
Faculty: Dr. S. K. Dubey
 Index

• Semantic Network
• Frames
 Learning Objective

To gain the insight about semantic networks and 
frames and its importance in the area of AI

96
 Semantic Networks

• Semantic network is simple representation scheme 
which uses a graph of labeled nodes and labeled 
directed arcs to encode knowledge

– Nodes – objects, concepts, events
– Arcs – relationships between nodes

• Graphical depiction associated with semantic networks 
is a big reason for their popularity
 Semantic Networks
• Definition
– Represent knowledge as a graph
– Nodes correspond to facts or concepts
– Arcs correspond to relations or associations between 
concepts
– Nodes and arcs are labeled

• Properties
– Labeled arcs and links
– Inference is to find a path between nodes
– Implement inheritance
– Variations – conceptual graphs 98
 Nodes and Arcs

• Arcs define binary relations which hold between objects 
denoted by the nodes.

mother age
Y X 7
wi mother (X, Y)
fe age (X, 7)
hu father
age sb wife (Y, Z)
an
d age (Z, 32)

32 Z
 Example
Let us make a semantic net with the following piece of  information

“Tweety is a blue bird having wings to fly.”

Fact 1 : Tweety is a bird.

Fact 2 : Birds can fly.

Fact 3 : Tweety is blue in color.

CAN fly

tweety COLOR
bird A-KIND-OF
Blue

HAS-PARTS wings
 Example
My car is red and Mohan’s car is green

I
owner
color
car1 red
is-a

car
is-a color
car2 green
owner

Mohan
 Semantic nets
• Certain arcs - particularly isa arcs - allow inheritance of 
properties. 

• This permits the system to "know" that a Innova has four 
wheels because it is a type of car, and cars have four 
wheels.
 Inference in a Semantic Net

Inheritance
– the is-a and instance-of representation provide a 
mechanism to implement this.
– Inheritance also provides a means of dealing with 
default reasoning

IS-A IS-A IS-A

A B C A C

IS-A can can

clyde bird bird fly clyde fly
 Inference in a Semantic Net

I
I
owner
owner color
color car1 what?
car1 red
is-a is-a

car car red

is-a
color
car2 green

owner
What color is the car1?

john
 Example

• Tom is a cat.
• Tom caught a bird.
• Tom is owned by John.
• Tom is ginger in colour.
• Cats like cream.
• The cat sat on the mat.
• A cat is a mammal.
• A bird is an animal.
• All mammals are animals.
• Mammals have fur.
 Example

• Scooter is a two wheeler.
• Motor-bike is a two wheeler.
• Motor-bike is a moving-vehicle.
• Moving –vehicle has engine.
• Moving-vehicle has electrical system.
• Moving-vehicle has fuel system.
 Example
Is_a Is_a
Scooter Two-wheeler Motor-bike

has has
Brakes Moving-Vehicle Engine

has has
Electrical-system Fuel-system
 Hierarchical Structure
vehicle
Is_a Is_a Is_a

Land-vehicle Water-vehicle Air-vehicle

Is_a Is_a

Road rail river sea aircraft space

 Example
• Tweety and Sweety are birds
• Tweety has a red beak
• Sweety is Tweety‟s child
• A crow is a bird
• Birds can fly
• Sparrow is a bird.
• Sparrow has a wing.
 Example
HAS-A Wings
IS-A
Sparrow Bird Can
IS-A Fly
IS-A
Crow IS-A
Sweety Tweety
Child-of HAS-A

Beak

Red Color
 Kinds of Semantic Nets

Assertional Networks
• Designed to assert 
propositions.

Fig source: Wikipedia.org 
    Kinds of Semantic Nets

Implicational
Networks
•Uses implication as 
the primary  relation 
for connecting nodes.
 Kinds of Semantic Nets

Executable
Networks
•Contain 
mechanisms that can  
cause some change 
to the  network itself.
 Kinds of Semantic Nets

Learning Networks
•Networks that build 
or extend  their 
representations by  
acquiring knowledge 
from  examples.
 Kinds of Semantic Nets

Hybrid Networks
•Networks that 
combine two or  more 
of the previous  
techniques, either in a 
single  network or in 
separate, but  closely 
interacting networks.
 Advantages of Semantic nets

• Easy to visualize
• Related knowledge is easily clustered. 
• Natural
• Modular
• Efficient
• Convey meaning in a transparent manner
• Simple
• Understandable
 Disadvantages

• There is no standard definition of link names
• Facts placed inappropriately cause problems. 
• No standards about node and arc values
• Semantic Nets are not intelligent, dependent on 
creator
• Links on objects represent only binary relations.
• Negation, disjunction and general non-taxonomic 
knowledge are not  easily expressed.
 Exercises
• Try to represent the following two sentences into the 
appropriate semantic network diagram:

– isa(person, mammal)
– instance(Xl, person) all in one graph
– team(Xl, Y)

– John gave Mary the book
 Solution 1

• isa(person, mammal), instance(X, person), team(X, Y)

mammal

is_a

person has_part head

is_a

X team Y
 Solution 3

X gave Y the pen

Gave pen

Action Instance

X Event 1 Object Event2

Agent

Predicate

Y
            Partitioned Semantic Networks

•Hendrix  partitioned  a  semantic  network  whereby  a  semantic   

network,  loosely  speaking,  can  be  divided into  one  or  more   
networks for the description of an individual.

•The  central  idea  of  partitioning  is  to  allow  groups,  nodes  and   
arcs  to  be  bundled  together  into  units  called  spaces –   
fundamental  entities  in  partitioned  networks,  on  the  same  level   
as nodes and arcs (Hendrix).

•Every node and every arc of a network

belongs to (or lies in/on) one or more 
spaces.

•Some  spaces  are  used  to  encode  'background  information'  or   

generic  relations;  others  are  used  to  deal  with  specifics  called   
'scratch' space.
            Partitioned Semantic Networks
• Suppose that we wish to make a specific statement 
about a  dog, Danny, who has bitten a postman, Peter:
– " Tommy the dog bit X the postman“

• Hendrix’s Partitioned network would express this 
statement  as an ordinary semantic network:
S1

dog bite postman

is_a is_a is_a
agent patient
Tommy B X
        Partitioned Semantic Networks
• Suppose that we now want to look at the statement:
– "Every dog has bitten a postman"
• Hendrix  partitioned  semantic  network  now  comprises  two   
partitions  SA and  S1.  Node  G  is  an  instance of  the  special   
class  of  general  statements  about  the  world  comprising  link   
statement, form, and one universal quantifier

SA
General  
Statement dog bite postman

is_a S1
is_a is_a is_a
form
G  D agent
B
patient
P
            Partitioned Semantic Networks

• Suppose that we now want to look at the statement:

– "Every dog has bitten every postman"

SA
General  
Statement dog bite postman

is_a S1
is_a is_a is_a
form
G agent patient
 D B P


           Partitioned Semantic Networks
• Suppose that we now want to look at the 
statement:
– "Every dog in town has bitten the postman"
SA
dog

General  
Statement town dog bite postman

is_a S1
is_a is_a is_a
form
G agent patient
 D B P
 Frame

• Frames – semantic net with properties

• Frame: a knowledge representation technique which 
attempts to organize concepts into a form which exploits 
interrelationships and common beliefs

• A frame is similar to a record data structure or database 
record:

• Frame has slot names and slot fillers, and usually 
arranged in a hierarchy
 Frames

• A frame represents an entity as a set of slots (attributes) 
and associated values

• A frame can represent a specific entry, or a general 
concept

• Frames are implicitly associated with one another 
because the value of a slot can be another frame
 Structure of frame

Three components of a frame 
•frame name
•attributes (slots)
•values (fillers: list of values, range, 
string, etc.)
 Frame Representation

Book Frame

Slot  Filler

•Title      AI. A modern Approach

•Author  Russell & Norvig 
•Year     2003
 Frame Representation

Bird Frame
(SPECIES (VALUE bird))
(COLOR (VALUE Blue))

(ACTIVITY (VALUE fly)))

Ruchi  ruchisharma1701@gmail.com http://www.wiziq.com/tutor-profile/376074-Ruchi

Sharma
 Features of Frame Representation

• More natural support of values then semantic nets (each 
slots has constraints describing legal values that a slot 
can take)

• Can be easily implemented using object-oriented 
programming techniques

• Inheritance is easily controlled
 Class and instance frames

• (frame) instance: representing” lowest-level” object; a 
single object or entity

• (frame) class: describes different frames (either 
instances or classes)

• every instance has an “is-a” link, pointing to its class
– possibly more than one “is-a”
 Example of frames
Frame Name: Bird
Class frame
Properties: Colour Unknown
Wings 2
Flies True

Frame Name: Tweety

Class: Bird
Instance frame Properties: Colour Blue
Wings 1
Flies False
 Inheritance

• Similar to Object-Oriented programming paradigm
Hotel Chair
•what      chair
Hotel Room •height   20-40cm Hotel Phone
•what       room •legs       4
•what      phone
•where   hotel
•billing    guest
•contains 
–hotel chair
Hotel Bed
–hotel phone
–hotel bed •what      bed
•size      king
Mattress
•part       mattress
•price      100$
 Advantages of Frames

• Makes programming easier by grouping related 
knowledge
• Easily understood by non-developers
• Expressive power
• Easy to set up slots for new properties and relations
• Easy to include default information and detect missing 
values
 Disadvantages of Frames

• No standards (slot-filler values)

• More of a general methodology than a specific 
representation:
– Frame for a class-room will be different for a professor and for a 
maintenance worker

• No associated reasoning/inference mechanisms
  References

[1]  Artificial Intelligence (2nd ed) by Elaine Rich and Kevin 
Knight, McGraw Hill (1991). ISBN 0-07-100894-2 

[2] Dan W. Patterson, Introduction to Artificial Intelligence 
and Expert  Systems- Prentice Hall of India.

138
Thank You

139
    Conversion to Clausal form or CNF 

1. Eliminate logical implications, →, using the fact that A → B is 
equivalent to ¬A ∨ B.
2. Reduce the scope of each negation to a single term, using the 
following facts:
¬(¬P) = P
¬(A ∨ B) = ¬A ∧ ¬B
¬(A ∧ B) = ¬A V ¬B
¬∀x: P(x) = ∃x: ¬P(x)
¬∃x: P(x) = ∀x: ¬P(x)
3. Standardize variables so that each quantifier binds a unique variable.
4. Move all quantifiers to the left, maintaining their order.

140
          Conversion to Clausal form or CNF 

5. Eliminate existential quantifiers, using Skolem functions (functions of 
the preceding universally quantified variables).

6. Drop the prefix; assume universal quantification.

7. Convert the matrix into a conjunction of disjunctions. 
[(a Ʌ  b) V c = (a V c) Ʌ (b V c)]

8. Create a separate clause corresponding to each conjunction.

9. Standardize apart the variables in the clauses. 

141
 Example of Clausal Conversion 

Ǝx  Ɐy (Ɐz P(f(x), y, z) → (Ǝu Q(x, u) Ʌ Ǝv R(y, v)))
Step 1: Eliminate logical implications
 Ǝx  Ɐy (¬(Ɐz ) P(f(x), y, z) V (Ǝu Q(x, u) Ʌ (Ǝv) R(y, v)))

Step 2: Reduce the scope of each negation to a single term
 Ǝx  Ɐy (Ǝz ¬P(f(x), y, z) V (Ǝu Q(x, u) Ʌ (Ǝv) R(y, v)))

Step 3: It is not require here because quantifiers have different variable assignments.
Step 4: Move all quantifiers to the left
 Ǝx  Ɐy Ǝz Ǝu Ǝv (¬ P(f(x), y, z) V (Q(x, u) Ʌ R(y, v)))

Step 5: Skolem functions
Ɐy(~P f(x) , y, g(y)) V Q(a, h(y)) Ʌ R(y, l(y))
142
 Example of Clausal Conversion (cont...) 
Step 6: Drop the prefix
(¬P f(x) , y, g(y)) V Q(a, h(y)) Ʌ R(y, l(y)) 

Step 7: Convert the matrix into a conjunction of disjunctions
((~P f(x) , y, g(y)) V Q(a, h(y)) Ʌ ( ~P f(x) , y, g(y)) V R(y, l(y)))

Step 8:
(~P f(x) , y, g(y)) V Q(a, h(y))
( ~P f(x) , y, g(y)) V R(y, l(y)))

Step 9: Standardize apart the variables in the clauses 

143
 Unification
• Any  substitution  that  makes  two  or  more  expression  equal  is  called  a 
unifier for the expression.

• Two formulas unify if they can be made identical.

• A unification is a function that assigns bindings to variables.

• A binding is either a constant, a functional expression or another variable. 

144
 Unification Process
• The basic idea of unification is very simple.
• To  attempt  to  unify  two  literals,  we  first  check  if  their  initial 
predicate symbols are the same. If so, we can proceed.
• Otherwise, there is no way they can be unified, regardless of their 
arguments. For example, the two literals
tryassassinate (Marcus, Caesar)
hate(Marcus, Caesar)
    cannot be unified. 
• If the predicate symbols match, then we must check the arguments, 
one  pair  at  a  time.  If  the  first matches, we  can  continue  with  the 
second, and so on. 
145
 Example
P(x, x)  P(A,A)  {x/A} 
P(x, x)  P(A,B)  fail 
P(x, y)  P(A,B)  {x/A, y/B} 
P(x, y)  P(A,A)  fail 
P(x, y)  P(A, z)  {x/A, y/z} 
P(f(x),y)  P(f(A),B)  {x/A, y/B} 
P(x, y)  P(f(x),B)  fail 
P(x, y)  P(z, f(z))  {x/z, y/f(z)} 

146
 Unification algorithm 
• Unify(L1,  L2)  returns  a  list  representing  the  composition  of  the 
substitutions that were performed during the match.

• The  empty  list,  NIL,  indicates  that  a  match  was  found  without  any 
substitutions.

• The  list  consisting  of  the  single  value  FAIL indicates  that  the  unification 
procedure failed.

• The final substitution produced by the unification process will be used by 
the resolution procedure. 

147
 Unification algorithm 
Algorithm: Unify(L1, L2)
1. If L1 or L2 are both variables or constants, then:
     (a)If L1 and L2 are identical, then return NIL.
     (b)Else if L1 is a variable, then if L1 occurs in L2 then return {FAIL}, else return(L2/L1).
     (c)Else if L2 is a variable, then if L2 occurs in L1 then return {FAIL} , else return(L1/L2).
     (d)Else return {FAIL}.
2.If the initial predicate symbols in L1 and L2 are not identical, then return {FAIL}.
3.If LI and L2 have a different number of arguments, then return {FAIL}.
4.Set SUBST to NIL. (At the end of this procedure, SUBST will contain all the substitutions used to 
unify L1 and L2.)
5.For i ← 1 to number of arguments in L1 :
     (a)Call Unify with the ith argument of L1 and the ith argument of L2, putting result in S.
     (b)If S contains FAIL then return {FAIL}.
     (c)If S is not equal to NIL then:
          (i)Apply S to the remainder of both L1 and L2.
          (ii)SUBST: = APPEND(S, SUBST).
6.Return SUBST
148
 Example
• (Unification) For each pair of atomic sentences, give the most general 
unifier if it exists, otherwise say “fail”:
a. R(A, x), R(y, z)
b. P(A, B, B), P(x, y, z)
c. Q(y, G(A, B)), Q(G(x,x), y)
d. Older(Father(y), y), Older(Father(x), John)
e. Knows(Father(y),y), Knows(x,x) 

149
 Solution
• (Unification)  For  each  pair  of  atomic  sentences,  give  the  most  general 
unifier if it exists, otherwise say “fail”:
a. R(A, x), R(y, z)  y/A, x/z 
b.P(A, B, B), P(x, y, z) x/A, y/B, z/B 
c. Q(y, G(A, B)), Q(G(x,x), y)  fail 
d. Older(Father(y), y), Older(Father(x), John) x/y, y/John 
e. Knows(Father(y),y), Knows(x,x)  fail 

150
 Amity School of Engineering and
Technology

Knowledge Representation

Module -II

Programme: B. Tech-CSE, 
Semester: VIIth 
Course: Artificial Intelligence (CSE401)
Faculty: Dr. S. K. Dubey
 Index

• Procedural vs. Declarative Knowledge
• Forward vs. backward reasoning
 Learning Objective

To gain the detail insight about knowledge and 
reasoning and its importance in the area of AI

153
154
 Knowledge

Declarative Procedural

• Declarative knowledge deals with factoid questions 
(what is the capital of India?.)
• Procedural knowledge deals with “How”
• Procedural knowledge can be embedded in   declarative 
knowledge
 Example: Employee knowledge base

Employee record
Emp id : 1124
Age : 27
Salary : 10L / annum
Tax : Procedure to calculate tax from basic salary, 
Loans, medical factors, and # of children
 Procedural Knowledge

• Procedural  Knowledge  also  known  as  Interpretive 

knowledge, is the type of knowledge in which it clarifies 
how a particular thing can be accomplished. 

• Procedural  or  imperative  knowledge  clarifies  how  to 

perform a certain task. 

• It lays down the steps to perform.

• It  is  not  so  popular  because  it  is  generally  not  used.

• It  emphasize how to do something  to  solve  a  given 

problem. 157
 Procedural knowledge

• Procedural knowledge is  knowing  how  to  do 

something.  Think  of  the  word  'procedural;'  its  root  is 
'procedure,' which is an action. 

• Some  examples  of  procedural  knowledge  are  how  to 

drive a car and how to throw a boomerang correctly. 

• A key feature of procedural knowledge is that it is hard to 
explain verbally

158
Procedural knowledge

159
Procedural knowledge

160
 Declarative Knowledge
• Declarative knowledge can be thought of as 'knowledge about' 
or answers to 'WH- questions.‘

• Categories of declarative knowledge are facts, world or personal 
history, and rules for mathematics operations.

•  A  key  feature  of  declarative  knowledge  is  that  it  is  easy  to 
express declarative knowledge in the form of words or symbols. 

• Declarative  knowledge  is explicit,  which  means  you  know  that 

you know it. 

• You are consciously aware of your understanding of declarative 
information
161
 Declarative Knowledge

• Declarative representation
• –Knowledge is specified but the use is not given.
• –Need a program that specifies what is to be done to the                 
knowledge and how.
• –Example:
• Logical assertions and Resolution theorem prover

162
 Declarative Knowledge

• Declarative or functional knowledge clarifies what to do to 
perform a certain task. It lays down the function to perform.

• Declarative Knowledge also known as Descriptive knowledge, 
is the type of knowledge which tells the basic knowledge 
about something 

• It is more popular than Procedural Knowledge.

• It emphasize what to do something to solve a given problem.

163
 Procedural Declarative
knowledge knowledge

– Knowledge about "how to  – Knowledge about "that  

do  something"; e.g., to   something is true or false".  
determine if X or Y  is older,  e.g., A car has four tyres;  
first find their ages. X is older than Y

– Focuses on tasks that  must  –  Refers to representations  
be performed to reach  a  of objects and events;  
particular objective or  goal. knowledge about facts and  
relationships;
–  Examples : procedures,  
rules, strategies, agendas,   – Example : concepts,  
models. objects, facts, 
propositions,  assertions, 
semantic nets,  logic and 
–
descriptive  models. Slide 4
PROCEDURAL KNOWLEDGE DECLARATIVE KNOWLEDGE

It is also known as Interpretive It is also known as Descriptive

knowledge. knowledge.
While Declarative Knowledge
Procedural Knowledge means how a means basic knowledge about
particular thing can be accomplished. something.

Procedural Knowledge is generally not Declarative Knowledge is more

used means it is not more popular. popular.

Procedural Knowledge can’t be easily Declarative Knowledge can be

communicate. easily communicate.

Procedural Knowledge is generally Declarative Knowledge is data

process oriented in nature. oriented in nature.

In Procedural Knowledge debugging and In Declarative Knowledge

validation is not easy. debugging and validation is easy.
Declarative Knowledge is more
Procedural Knowledge is less effective in effective in competitive
165
competitive programming. programming.
 Key Procedural Knowledge Declarative Knowledge

Name Procedural knowledge is also termed  Declarative knowledge is also 

as imperative knowledge. termed as functional knowledge

Basis Procedural knowledge revolves  Declarative knowledge revolves 

around How to the concept. around What to the concept.

Communic Procedural knowledge is difficult to  Declarative knowledge is easily 

ation communicate. communicable.

Orientation Procedural knowledge is process- Declarative knowledge is data-

oriented. oriented.

Validation Validation is not very easy in procedural  Validation is quite easy in 

knowledge. declarative knowledge.

Debugging Debugging is not very easy in  Debugging is quite easy in 

procedural knowledge. declarative knowledge.
Forward and backward 
reasoning

167
• Forward: from the start states.
• Backward: from the goal states

168
 Forward Reasoning
• Forward reasoning starts from the initial states 

• Begin building a tree of move  sequences that might be 
solutions by starting with the initial configurations at the 
root of the tree. 

• Generate the next level of the tree by finding all the rules 
whose left sides match the root node and using their right 
sides to create the new configurations. 

• Continue until a configuration that matches the goal state 
is generated.
169
    Backward Reasoning
• Backward reasoning stats from the goal states 

• Begin building a tree of move sequences that might be 
solutions by starting with the goal configurations at the 
root of the tree. 

• Generate the next level of the tree by finding all the rules 
whose right side match the root node.

170
       Forward vs. Backward Reasoning

Four factors influence forward or Backward?
–Move from the smaller set of states to the larger set of 
states
–Proceed in the direction with the lower branching factor
–Proceed in the direction that corresponds more closely 
with the way the user will think
–Proceed in the direction that corresponds more closely 
with the way the problem-solving episodes will be 
triggered

Slide 171
      Forward vs. Backward Reasoning

To encode the knowledge for reasoning, we need 2 kinds  of 
rules:
– Forward rules: to encode knowledge about how to respond 
to certain input.
– Backward rules: to encode knowledge about how to 
achieve particular goals.
      Forward vs. Backward Reasoning
• Whether  you  use  forward  or  backwards  reasoning  to 
solve  a  problem  depends  on  the  properties  of  your  rule 
set and initial facts. 

• Sometimes,  if  you  have  some  particular  goal  (to  test 

some hypothesis), then backward chaining will be much 
more  efficient,  as  you  avoid  drawing  conclusions  from 
irrelevant facts. 

• However,  sometimes  backward  chaining  can  be  very 

wasteful - there may be many possible ways of trying to 
prove  something,  and  you  may  have  to  try  almost  all  of 
them before you find one that works. 
173
      Forward vs. Backward Reasoning

Forward chaining may be better if you have lots of things 
you want to prove (or if you just want to find out in general 
what new facts are true); when you have a small set of 
initial facts; 

Backward chaining may be better if you are trying to prove 
a single fact, given a large set of initial facts, and where, if 
you used forward chaining, lots of rules would be eligible to 
fire in any cycle.

174
EXAMPLE

175
 Backward reasoning: Example
For example, suppose a new pet, Fritz, is delivered in an opaque box 
along with two facts about Fritz [1] :
• Fritz croaks
• Fritz eats flies

The goal is to decide whether Fritz is green, based on a rule 
base containing the following four rules:

An Example of Backward Chaining.
• If X croaks and X eats flies – Then X is a frog
• If X chirps and X sings – Then X is a canary
• If X is a frog – Then X is green
• If X is a canary – Then X is yellow

With backward reasoning, an inference engine can determine whether 
Fritz is green 176
 Backward reasoning: Example
Fritz is substituted for X in rule #3 to see if its consequent matches the goal, 
so rule #3 becomes:

• If Fritz is a frog – Then Fritz is green
Since the consequent matches the goal ("Fritz is green"), so 
The antecedent therefore becomes the new goal: 
Fritz is a frog

• If Fritz croaks and Fritz eats flies – Then Fritz is a frog, so new goal :
• Fritz croaks and Fritz eats flies

Since this goal is a conjunction of two statements, , So:Fritz croaks. Fritz 
eats flie
• So by rule 1 : Fritz is a frog 
• And then by rule 3, Fritz is green
177
 Forward reasoning: Example

Let us illustrate forward chaining by following the pattern of a computer 
as it evaluates the rules. Assume the following facts:
• Fritz croaks
• Fritz eats flies
• With forward reasoning, the inference engine can derive that Fritz is 
green 

1. Since the base facts indicate that "Fritz croaks" and "Fritz eats flies", 
the antecedent of rule #1 is satisfied by substituting Fritz for X, and the 
inference engine concludes:
• Fritz is a frog 

2. The antecedent of rule #3 is then satisfied by substituting Fritz for X, 
and the inference engine concludes:
• Fritz is green
178
 Question for you
• If D barks and D eats bone, then D is a dog.
• If V is cold and V is sweet, then V is ice-cream.
• If D is a dog, then D is black.
• If V is ice-cream, then it is Vanilla.

Derive forward chaining using the given known facts to

prove Tomy is black.

• Tomy barks.
• Tomy eats bone.

179
 References

[1] https://en.wikipedia.org/

180
Thank You

181