P3 · 宠物疾病三元组推理系统

P3 · 宠物疾病三元组推理系统

多范式推理实战营 · 项目 3/6
副标题：第三种范式——前向链规则 + SPARQL 查询一体化

作者：森林瀑布 ｜博客：senlinpubu.top ｜最后更新：2026-06-22

一、引言：为什么需要第三种范式？

P1 用 OWL 描述逻辑（HermiT Tableau 算法），P2 用 Horn 子句逻辑（Prolog SLD 归结）。两者都是"纯推理机"——推理和查询是分开的两步。

但企业实践中，知识往往存储在数据库里，需要通过标准查询语言访问。P3 展示的正是这种范式：

把推理内置到查询管线里——SPARQL 查询时自动包含推理结果。

这是 Jena Fuseki 的核心价值：三元组数据库 + 前向链规则引擎 + SPARQL 查询一体化。

二、技术架构：前向链 + SPARQL 一体化

┌─────────────────────────────────────────────────┐ │ 输入：病例（症状列表） │ │ 例：["发热", "呕吐", "腹泻"] │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 1：SPARQL UPDATE（断言症状三元组） │ │ INSERT DATA { :case :has :发热, :has :呕吐 } │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 2：Jena 前向链自动触发（数据驱动） │ │ 规则2 → :case :suspected :d001, :d003, ... │ │ 规则3 → :case :excluded :d002, :d003, ... │ │ 规则4 → :case :diagnosed :d001, :d004 │ │ （预计算所有推断结果，存入图） │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 3：SPARQL 查询（自动包含推理结果） │ │ SELECT ?d WHERE { :case :diagnosed ?d } │ │ → 直接返回预计算的推断结果 │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 4：清理临时三元组（DELETE WHERE） │ └─────────────────────────────────────────────────┘

2.1 前向链 vs 反向链

工程取舍：P3 适合"读多写少"的场景——知识库不常变，但查询频繁。每次写入触发前向链预计算，后续查询直接读结果。

2.2 SPARQL 查询推理一体化

P3 最独特的能力——SPARQL 查询自动包含推理结果：

-- :diagnosed 不是手工断言的，是 Jena 规则推断的 -- 但 SPARQL 查询时它和手工断言的三元组完全一样 SELECT ?disease ?label WHERE { :case_temp :diagnosed ?disease . ?disease rdfs:label ?label . }

对比 P1 和 P2：

P3 的 SPARQL 是 W3C 标准查询语言，意味着任何 SPARQL 客户端都能查询推理结果——跨语言、跨平台互操作。

2.3 知识表示：RDF 三元组

# 疾病个体（注意：P3 中疾病是个体，不是类） :d001 rdf:type :疾病 ; rdfs:label "猫瘟" ; :necessary :发热, :呕吐, :腹泻 ; :nos :咳嗽, :流鼻涕 . # 症状个体 :发热 rdf:type :症状 ; rdfs:label "发热" .

对比三种知识表示：

2.4 Jena 自定义规则

# 前向链规则（数据加载时自动执行） [rule_suspected: (?case :has ?symptom), (?disease :necessary ?symptom), (?disease rdf:type :疾病) -> (?case :suspected ?disease) ] [rule_diagnosed: (?case :suspected ?disease), noValue(?case :excluded ?disease) -> (?case :diagnosed ?disease) ]

noValue是 Jena 的 CWA 否定——图中没有excluded三元组就认为不存在。对比 P1 的 OWA（未断言 ≠ 不存在）和 P2 的\+（negation as failure）。

三、运行示例

输入与 P1/P2 相同的病例：

case={"pet_type":"cat","symptoms":["发热","呕吐","腹泻"],"breed":"英短","age":2}

输出：

────────────────────────────────────────────────── 📋 诊断结果（Jena 前向链 + SPARQL） ────────────────────────────────────────────────── 1. 猫瘟 置信度：1.00 ██████████ ✅确诊 2. 犬细小病毒 置信度：0.67 ██████ ⚠️疑似 ────────────────────────────────────────────────── 🔗 传递闭包（Jena 前向链预计算）： 猫感冒 → 猫瘟 犬感冒 → 犬细小

三种范式结果对比

四、与 LLM 方案对比

五、P1 / P2 / P3：什么时候用哪个？

实践中常组合使用：用 OWL 管理领域概念体系，用 Prolog 执行复杂规则，用 Jena Fuseki 提供标准化的查询服务。

教学效果：从代码到原理

本项目作为《当 LLM 不够用了》的配套实战案例，对应以下章节：

学习路径：

1. 第一周：先跑通 P1 和 P2，理解两种范式后再看 P3——体会「推理 + 查询一体化」的价值
2. 第二周：掌握 SPARQL 查询语法——W3C 标准，跨语言跨平台
3. 第三周：理解前向链预计算 vs 反向链实时计算——工程中的读/写权衡
4. 第四周：尝试用 Jena Fuseki HTTP API 从外部程序查询推理结果

六、总结

P1/P2/P3 构成了"多范式推理实战营"的核心三部曲——同一问题，三种范式，各有取舍：

「让 OWL 做知识治理，让 Prolog 做规则推理，让 Jena 做查询服务，让 LLM 做知识工程。」
—— 《当 LLM 不够用了——本体推理的企业决策实践》

项目链接：github.com/georgewangchn/OntologyOps/tree/main/ontologyops/examples/P3

P1 对比：P1 · OWL 本体推理

P2 对比：P2 · Prolog 规则推理

书籍全书：《当 LLM 不够用了——本体推理的企业决策实践》在线阅读