用于表示知识和建立认知模型的一种带标号的有向图。在语义网络中，带标号的节点表示思考对象──具体事物、抽象概念、状态和局势等；带标号的有向弧则表示节点所代表对象间的关系。语义网络中每一条有向弧及其连接的两个节点在表达力上相当于一个二元谓词公式。例如，图1a相当于ON（c, a）（c直接在 a上），图1b相当于EQUAL(OWNER（BOOK），STUDENT)（书的拥有者是学生）。因此语义网络可用来对知识作出陈述性表示。它比逻辑表示直观，在用于常识推理时，有时也较为方便。

　　特性继承技术 　在 人工智能中，所谓特性继承是在承认上位节点（代表属概念或整体）的所有特性都被下位节点（代表种概念或局部）所继承的前提下，沿着特性继承链所进行的一种网络推理技术。例如，图2a是种概念继承属概念特性；图2b是局部继承整体的特性。尽管网络上没有显式表明，“张是一位艺术家”、“沈阳是中国的一部分”，但是这些结论可以运用特性继承技术推断出来。可以运用特性继承技术进行推理，是语义网络在知识表示中得到广泛应用的一个重要原因。但是这种推理必须沿着特性继承链 (如ISA，IS-PART-OF等)进行,否则就可能产生错误。例如,在图3中若就此作出一组博物学家正在研究熊猫的结论,便是不正确的，造成推理错误的原因是,STUDIED-BY不是特性继承链。更深刻的原因是网络中没有将一事物同一类事物加以明确区分。因此精确规定网络结构含义和深入研究特性继承策略是重要的课题。 　　格框架 　 在复杂的问题中往往要对事件进行全面细致的描述（例如要考虑事件的执行人、涉及对象、时间、地点等多方面的因素），但是语义网络两个节点之间的有向弧只能反映一个二元关系。解决这个困难的关键是除了一般的代表对象的节点外，还需要引入代表事态、行为、动作等的节点，以这类节点为中心，向外射出一组有向弧。每一条有向弧代表一种称之为格（语法中格的概念的推广）的二元关系，这组有向弧称为相对于弧线射出节点的格框架。例如,图4的语义网络利用(OWN-1)格框架的4条有向弧线清楚地表示了“张从春天开始到秋天为止拥有一辆汽车”这一事件（见 框架型表示方式、 格语法）。格框架已成为构造语义网络的常用手段，是语义网络得到广泛应用的另一重要原因。 　　网络匹配和推理 　语义网络缺乏完整的理论，它的总体意义不象 逻辑表示那样具有严格规定性，其意义主要由运用网络（即运用知识）的程序来决定。大部分语义网络采用网络匹配技术。以问答系统为例，将询问用网络段表示，并同语义网络匹配，使网络段的节点变元取得相应结合值，即可对所提询问作出回答。 　　从R.奎连于1968年提出语义网络作为联想记忆的心理模型以来（见 认知模型），语义网络在智能信息检索系统、自然语言处理系统、智能化计算机辅助教学系统和 专家系统等方面均获得较广泛的应用。 　　 参考书目 　M.Minsky,ed.，Semantic Information Processing,MIT Press, Cambridge, Mass.,1968. 　N.V.Findler，ed.， Associative　Networks：The Representation and Use of Knowledge by Computers, Academic Press, New York,1979.