描述逻辑是人工智能中使用的一族形式化知识表示语言，用于建模概念、角色和个体。它支撑着诸如OWL之类的本体论，并支持关于分类和一致性的自动化推理，在表达力与计算可处理性之间取得平衡。
描述逻辑（DL）是一阶逻辑的子集，旨在以可判定且计算上可管理的方式表示结构化知识。它们构成了Web本体语言（OWL）的逻辑基础，该语言广泛用于语义网、生物医学信息学和企业数据集成。DL知识库通常由TBox（定义概念和角色的术语公理）和ABox（关于特定个体的断言）组成。推理服务包括包含检查、实例检索和一致性检查，这些使自动化系统能够从明确陈述的事实中推断出隐含知识。
历史发展
描述逻辑的起源可追溯到1970年代和1980年代，源于人工智能中语义网络和框架系统的研究。早期系统如KL-ONE，于1970年代末在Xerox PARC开发，引入了具有形式语义的结构化继承网络概念。MIT CSAIL及其他机构的研究人员完善了这些思想，促成了1980年代中期表达性DL（如ALC（带补集的属性概念语言））的发展。该领域随着1992年描述逻辑研讨会的设立而获得动力，该研讨会后来成为国际描述逻辑研讨会（DL）。关键贡献者包括Eric Horvitz，他在1990年代开发了FaCT推理器，以及F. Javier（可能是Francisco Javier），他对早期tableau算法做出了贡献。2004年OWL的标准化，以及基于DL的配置文件（如OWL-DL），巩固了描述逻辑作为本体工程核心技术的地位。
核心语言特征
描述逻辑语言以其构造子为特征，这些构造子从原子概念和角色构建复杂概念和角色。常见构造子包括合取（C ⊓ D）、析取（C ⊔ D）、否定（¬C）、存在限制（∃R.C）、全称限制（∀R.C）和数量限制（≥ n R、≤ n R）。DL的表达力由允许的构造子决定；例如，ALC包含所有布尔运算符和角色限制，而更表达性的语言添加角色层次、逆角色和传递角色。表达力与计算复杂性之间的权衡是DL设计的核心。基本语言ALC的包含判断最坏情况复杂性为EXPTIME，但许多实用配置文件（如OWL-EL）限制构造子以实现多项式时间推理，使其适用于大规模本体（如SNOMED CT）。
推理与算法
描述逻辑中的自动化推理主要依赖于基于tableau的算法，这些算法尝试构造满足给定公理集的模型。tableau方法通过将概念分解为更简单的子概念，应用规则构建树状结构，并检测矛盾来工作。现代推理器如HermiT、Pellet和FaCT++实现了优化的tableau过程，采用阻塞、缓存和依赖导向回溯等技术。对于更可处理的片段，使用结构包含算法和基于后果的方法。推理服务包括：可满足性（检查概念是否可以有实例）、包含（确定一个概念是否是另一个概念的子集）和实例检查（验证个体是否属于概念）。这些能力支持诸如医学诊断支持等应用，其中基于DL的本体可以分类疾病并从症状推断患者状况。
应用与影响
描述逻辑在需要形式本体的领域找到了广泛应用。在生物医学中，基因本体和SNOMED CT使用基于DL的形式体系来表示生物概念和关系，支持自动化分类和一致性检查。在语义网中，基于DL语义构建的OWL本体支持跨分布式源的数据集成，如Google Cloud和Amazon Web Services知识图谱项目所示。企业应用包括产品配置，其中DL推理验证组件组合是否有效，以及自然语言处理，其中基于DL的本体支持语义解析。该领域也影响了机器学习，特别是在Deep learning等领域，知识图谱用于向神经模型注入结构化先验。然而，DL不同于诸如Neural network和Large language model之类的统计方法；它们提供符号化、逻辑推理，而非概率推断。
当前研究与未来方向
描述逻辑的当代研究侧重于在保持可判定性的同时扩展表达力。主题包括用于处理不确定性的模糊DL、用于时间推理的时间DL，以及结合逻辑和统计推断的概率DL。研究人员还在探索用于非常大本体的可扩展推理技术，使用Oracle Cloud Infrastructure和Microsoft Azure等平台上的并行和分布式算法。另一个方向是将DL与Machine learning集成以创建神经符号系统，其中逻辑约束指导学习或学习模型向推理器提供软事实。2009年OWL 2的开发添加了限定基数限制和属性链等功能，扩展了实际适用性。随着数据生态系统的增长，描述逻辑仍然是确保语义互操作性的关键工具，持续努力使推理更高效且对非专业人士更易访问。
参见
- Artificial intelligence
- 知识表示（不在列表中，但相关）
- 语义网（不在列表中，但相关）
- 本体（不在列表中，但相关）