附录A 计算机科学与技术学科综合考试人工智能真题.doc

附录Ａ 计算机科学与技术学科综合考试人工智能真题
１９９９年计算机科学与技术学科综合考试真题
课程Ⅳ 人工智能原理
一、选择题（共４分）
人工智能作为一门学科，在（ ）年诞生于（ ）。ＬＩＳＰ语言是（ ）年提出的，ＭＹＣＩＮ的诞生地
是（ ）。
第１、３空格候选答案：
（Ａ）１８７０ （Ｂ）１８７６ （Ｃ）１８８０ （Ｄ）１８８６ （Ｅ）１８９０ （Ｆ）１８９５ （Ｇ）１９３５
（Ｈ）１９４０ （Ｉ）１９４６ （Ｊ）１９５０ （Ｋ）１９５６ （Ｌ）１９６０（Ｍ）１９７０（Ｎ）１９８０
第２、４空格候选答案：
（１）Ｄｏｖｅｒ （２）ＬａｓＶｅｇａ （３）ＲｉｃｅＵｎｉｖｅｒｓｉｔｙ
（４）ＮｅｗＹｏｒｋ （５）Ｈｏｕｓｔｏｎ （６）Ｃｈｉｃａｇｏ
（７）Ｂｏｓｔｏｎ （８）Ｌｏｎｄｏｎ （９）Ｄａｒｔｍｏｕｔｈ
（１０）Ｓｅａｒｔｉｅ （１１）ＨａｒｖａｒｄＵｎｉｖｅｒｓｉｔｙ （１２）ＯｘｆｏｒｄＵｎｉｖｅｒｓｉｔｙ
（１３）ＵｎｉｖｅｒｓｉｔｙｏｆＣａｍｏｒｉｄｇｅ （１４）Ｂｉｒｍｉｎｇｈａｍ （１５）ＪｏｈｎｓＨｏｐｋｉｎｓＵｎｉｖｅｒｓｉｔｙ
（１６）Ｐｅｎｎｓｙｌｖａｎｉａ （１７）ＲＡＮＤ （１８）ＩＢＭ

（１９）ＳａｎＪｏｓｅ （２０）ＦｒａｎｋｌｉｎａｎｄＭａｒｓｈａｌｌＣｏｌｌｅｇｅ （２１）Ｐｈｉｌａｄｅｌｐｈｉａ
（２２）Ｄｅｎｖｅｒ （２３）Ｍｏｎｔｒｅａｌ （２４）Ｂｅｒｋｅｌｅｙ
（２５）ＣａｒｎｅｇｉｅＭｅｌｏｎＵｎｉｖｅｒｓｉｔｙ （２６）Ｍｉｃｈｉｇａｎ （２７）ＭＩＴｓ
（２８）ＫａｎｓａｓＣｉｔｙ （２９）Ｐｒｏｖｉｄｅｎｃｅ （３０）ＳｔａｎｆｏｒｄＵｎｉｖｅｒｓｉｔｙ
二、填空题（共１０分）
１．近年来，对人类智能的理解上形成了两种不同的观点，一种观点称做（ ）主义，另一种观
点，即（ ）的观点，称做（ ）主义。
２．常用的知识表示方法有逻辑表示法、（ ）、（ ）、（ ）、（ ）
等。
３．下图为Ｓｉｍｏｎ提出的学习模型，请填充空白框。
三、（５分）将下式化为不含量词的子句
～ｘｙｚｕＰ（ｘ，ｙ，ｚ，ｕ）
五、（１０分）已知：规则可信度
Ａ→Ｘ ＣＦ（Ｘ，Ａ）＝０．８
Ｂ→Ｘ ＣＦ（Ｘ，Ｂ）＝０．６
Ｃ→Ｘ ＣＦ（Ｘ，Ｃ）＝０．４
Ｘ∧Ｄ→Ｙ ＣＦ（Ｙ，Ｘ∧Ｄ）＝０．３
证据可信度ＣＦ（Ａ）＝ＣＦ（Ｂ）＝ＣＦ（Ｃ）＝ＣＦ（Ｄ）＝０．５。
Ｘ、Ｙ的初始可信度ＣＦ0（Ｘ）＝０．１；ＣＦ0（Ｙ）＝０．２。
要求用ＭＹＣＩＮ的方法计算：
１．结论Ｘ的可信度ＣＦ（Ｘ）；
２．结论Ｙ的可信度ＣＦ（Ｙ）。

２０００年计算机科学与技术学科综合考试真题
课程Ⅳ 人工智能原理
一、选择与填空（共１０分，每空０．５分）
１．命题逻辑下，可以归结（消解、ｒｅｓｏｌｕｔｉｏｎ）的子句Ｃ１和Ｃ２，在某解释下Ｃ１和Ｃ２为真。则其归结式
（消解式、ｒｅｓｏｌｖｅｎｔ）Ｃ在该解释下（ ）。
Ａ．必真 Ｂ．必假 Ｃ．真假不能断言
２．表达式Ｇ是不可满足的，当且仅当对所有的解释（ ）。
Ａ．Ｇ为真 Ｂ．Ｇ为假 Ｃ．Ｇ为非永真（ｉｎｖａｌｉｄ）
３．ＭＹＣＩＮ系统中规定，证据Ａ的可信度ＣＦ（Ａ）的取值为（ ）。
Ａ．ＣＦ（Ａ）＞０ Ｂ．０≤ＣＦ（Ａ）≤１ Ｃ．－１≤ＣＦ（Ａ）≤１
４．主观Ｂａｙｅｓ推理中，规定似然比（Ｌｉｋｅｌｉｈｏｏｄ）ＬＳ和ＬＮ应（ ）。
Ａ．≥０ Ｂ．≤０ Ｃ．＞０
５．在诞生初期，人工智能被定义为这样一个计算机科学的分支：它是研究（ ）。人工智能程
序与通常意义下的程序比较它具有以下四个特点：（ ），（ ），（ ），（ ）。
６．用反演（ｒｅｆｕｔａｔｉｏｎ）归结证明定理，证明过程是这样结束的。若（ ），则定理得证；若（ ），
则证明失败。
７．在语义网络中，为了进行节点（结点，ｎｏｄｅ）间节点属性的继承推理，规定了两个约定俗成的链（弧，
ａｒｃ），命名为（ ）和（ ），用来标明类与子类、类与个体之间的关系。
８．产生式规则与蕴涵规则的区别在于：产生式规则（ ），而蕴涵规则（ ）。
９．ＭＹＣＩＮ推理中，对证据的可信度ＣＦ（Ａ）、ＣＦ（Ａ１）和ＣＦ（Ａ２）之间，规定如下关系：ＣＦ（～Ａ）＝
（ ），ＣＦ（Ａ１∧Ａ２）＝（ ），ＣＦ（Ａ１∨Ａ２）＝（ ）。
１０．主观Ｂａｙｅｓ推理中，规则Ｅ→Ｈ的不确定性是以似然比ＬＳ和ＬＮ描述的。ＬＳ表示了规则成立的
（ ）性；ＬＮ表示了规则成立的（ ）性。
二、化下列逻辑表达式为不含存在量词的前束形（ｐｒｅｎｅｘｆｏｒｍ）（５分）
（Ｘ）（Ｙ）｛（Ｚ）［Ｐ（Ｚ）∧～Ｑ（Ｘ，Ｚ）］→Ｒ（Ｘ，Ｙ，ｆ（ａ））｝
四、对结论做假设Ｈ，有证据Ｅ１和Ｅ２，规则Ｒ１和Ｒ２。（１０分）
Ｒ１：Ｅ１→Ｈ，ＬＳ＝２０，ＬＮ＝１；
Ｒ２：Ｅ２→Ｈ，ＬＳ＝３００，ＬＮ＝１。
已知Ｈ的先验概率Ｐ（Ｈ）＝０．０３。若证据Ｅ１和Ｅ２依次出现，按主观Ｂａｙｅｓ推理，求Ｈ在此条件下的
概率Ｐ（ＨｍＥ１，Ｅ２）。
（注意：每步应列出计算式，计算结果可取近似值。）

２００１年计算机科学与技术学科综合考试真题
课程Ⅳ 人工智能原理
一、选择与填空（共１０分，每空０．５分）
（１）标准逻辑（谓词逻辑）中，重言式（ｔａｕｔｌｏｇｙ）是（ ）。
Ａ．永真 Ｂ．永假 Ｃ．非永真（ｉｎｖａｌｉｄ）
（２）反演（ｒｅｆｕｔａｔｉｏｎ）归结（消解，ｒｅｓｏｌｕｔｉｏｎ）证明定理时，若当前归结式（消解式，ｒｅｓｏｌｖｅｎｔ）是（ ），则
定理得证。
Ａ．永真式 Ｂ．包孕式（ｓｕｂｓｕｍｅｄ） Ｃ．空子句
（３）ＭＹＣＩＮ系统中规定，若证据Ａ的可信度ＣＦ（Ａ）＝０，则意味着（ ）。
Ａ．证据不可信 Ｂ．对证据一无所知 Ｃ．证据可信
（４）主观Ｂａｙｅｓ推理中，规则Ｅ→Ｈ，其ＬＳ＝ＬＮ＝１，这意味着（ ）。
Ａ．Ｅ对Ｈ没有影响 Ｂ．Ｅ支持Ｈ Ｃ．～Ｅ支持Ｈ
（５）开发专家系统所要解决的基本问题有３个，那就是知识的获取、知识的表示和（ ）；知识
表示的方法主要有（ ），（ ），（ ），（ ）。
（６）反演归结的支持集策略规定：参加归结的子句应这样选取：（ ），而其归结式应并入（
）内。
（７）谓词逻辑下，子句Ｃ１＝Ｌ１∨Ｃ′１，Ｃ２＝～Ｌ２∨Ｃ′２，若σ是互补句节的（ ）的合一子，则其归结
式（消解式，ｒｅｓｏｌｖｅｎｔ）Ｃ＝（ ）。
（８）以反演归结证明子句集Ｓ不可满足的过程中，当前归结式是（ ）或（ ），则可
删除。
（９）语义网络是（ ）表示的［节点１，有向弧，节点２］三元式联结而成的。其节点表示（
），其弧表示（ ）。
（１０）ＰＲＯＳＰＥＣＴＯＲ系统中的规则，由专家指定其ＬＳ、ＬＮ的值，由似然比定义知：ＬＳ、ＬＮ与０（零）
比较应ＬＳ、ＬＮ皆（ ）０，并且，若指定ＬＳ＞１，则ＬＮ应指定（ ）；反之亦然。
二、计算证据对结论的不确定性的影响（７分）
已知规则Ｒ１、Ｒ２的可信度：Ｒ１，Ａ→Ｘ，ＣＦ（Ｘ，Ａ）＝０．８
Ｒ２，Ｂ→Ｘ，ＣＦ（Ｘ，Ｂ）＝０．６
证据可信度ＣＦ（Ａ）＝ＣＦ（Ｂ）＝０．５，Ｘ的初始ＣＦ０（Ｘ）＝０．１，现逐次引用Ｒ１、Ｒ２，要求用ＭＹＣＩＮ的方
法计算结论Ｘ的可信度ＣＦ（Ｘ）。
三、用标准逻辑（经典逻辑，谓词逻辑）的子句集表示下述刑侦知识，并用反演归结的线性策略证明结
论。（９分）
现定义如下谓词（其项变量Ｘ，Ｙ，Ｚ，皆为全称变量）。
Ｔｈｉｅｆ（Ｘ）———某人Ｘ是贼；
Ｌｉｋｅｓ（Ｘ，Ｙ）———某人Ｘ喜欢某物Ｙ；
Ｍａｙｓｔｅａｌ（Ｘ，Ｙ）———某人Ｘ可能会偷窃某物Ｙ。
（１）用子句集表示下属刑侦知识：
ｉＪｏｈｎ是贼。
ｉｉＰａｕｌ喜欢酒（ｗｉｎｅ）。
ｉｉＰａｕｌ（也）喜欢奶酪（ｃｈｅｅｓｅ）
ｉｖ如果Ｐａｕｌ喜欢某物则Ｊｏｈｎ也喜欢某物。
ｖ如果某人是贼，而且他喜欢某物，则他就可能会偷窃该物。
（２）求证结论：Ｊｏｈｎ可能会偷窃什么？
即求证目标：Ｍａｙｓｔｅａｌ（Ｊｏｈｎ，Ｚ），Ｚ＝？
（提示：建议将求证目标作为顶子句，按线性策略进行反演消解，注明每次消解式的置换及其父子句的
编号。）

附录Ｂ 计算机科学与技术学科综合考试真题参考解答
１９９９年综合考试人工智能真题参考解答
一、（Ｋ），（９），（Ｌ），（３０）
二、１．（符号主义），（仿生学），（联结主义）
２．（框架表示法），（语义网络表示法），（面向对象表示法），（产生式表示法）
３．
五、解：考虑Ｘ、Ｙ具有初始可信度，所以使用更新法计算结论可信度。
（１）Ｘ的可信度更新值计算
由于证据初始值ＣＦ（Ａ）＝ＣＦ（Ｂ）＝ＣＦ（Ｃ）＝ＣＦ（Ｄ）＝０．５＜１，所以，使用公式（４．２．１０）。由规则ｒ１：
ＣＦ（Ｘ／Ａ）＝ＣＦ０（Ｘ）＋ＣＦ（Ａ）×ＣＦ（Ｘ，Ａ）－ＣＦ０（Ｘ）×ＣＦ（Ａ）×ＣＦ（Ｘ，Ａ）
＝０．１＋０．５×０．８－０．１×０．５×０．８＝０．４６
由规则ｒ２：
ＣＦ（Ｘ／Ａ，Ｂ）＝ＣＦ（Ｘ／Ａ）＋ＣＦ（Ｂ）×ＣＦ（Ｘ，Ｂ）－ＣＦ（Ｘ／Ａ）×ＣＦ（Ｂ）×ＣＦ（Ｘ，Ｂ）
＝０．４６＋０．５×０．６－０．４６×０．５×０．６＝０．６２２
由规则ｒ３：
ＣＦ（Ｘ／Ａ，Ｂ，Ｃ）＝ＣＦ（Ｘ／Ａ，Ｂ）＋ＣＦ（Ｃ）×ＣＦ（Ｘ，Ｃ）－ＣＦ（Ｘ／Ａ，Ｂ）×ＣＦ（Ｃ）×ＣＦ（Ｘ，Ｃ）
＝０．６２２＋０．５×０．４－０．６２２×０．５×０．４＝０．６９８
ＣＦ（Ｘ／Ａ，Ｂ，Ｃ）即是Ｘ的可信度之更新值。
（２）Ｙ的可信度更新值计算
由规则ｒ４：首先求出
ＣＦ（Ｘ∧Ｄ）＝ｍｉｎ｛ＣＦ（Ｘ），ＣＦ（Ｄ）｝
＝ｍｉｎ｛０．６９８，０．５｝
＝０．５
由于规则Ｘ∧Ｄ→Ｙ的前提Ｘ∧Ｄ之可信度ＣＦ（Ｘ∧Ｄ）＝０．５＜１，所以，仍要使用公式（４．２．１０），得到
ＣＦ（Ｙ／Ｘ∧Ｄ）＝ＣＦ０（Ｙ）＋ＣＦ（Ｘ∧Ｄ）×ＣＦ（Ｙ／Ｘ∧Ｄ）－ＣＦ０（Ｙ）×ＣＦ（Ｘ∧Ｄ）×ＣＦ（Ｙ，Ｘ∧Ｄ）
＝０．２＋０．５×０．３－０．２×０．５×０．３
＝０．２＋０．１５－０．２×０．１５＝０．３２
故结论Ｙ之可信度的更新值为ＣＦ（Ｙ）＝０．３２。
答：Ｘ的更新后的可信度为ＣＦ（Ｘ）＝０．６９８，
Ｙ的更新后的可信度为ＣＦ（Ｙ）＝０．３２。

２０００年综合考试人工智能真题参考解答
一、选择与填空
１．（Ａ） ２．（Ｂ） ３．（Ｃ） ４．（Ａ）
５．（使计算机来完成能表现出人类智能的任务的学科）
（以符号表示的知识而不是数值数据为研究对象）
（采用的是启发式推理方法，而不是常规的算法）
（控制结构与领域知识是分离的）
（允许出现不正确的解答）
６．（归结出空子句ＮＩＬ），（归结不出空子句ＮＩＬ）
７．（ＡＫＯ），（ＩＳＡ）
８．（可以用于不精确推理，本身没有真值），（只能用于精确推理，本身有真值）
９．（ＣＦ（～Ａ）＝－ＣＦ（Ａ）），（ＣＦ（Ａ１∧Ａ２）＝ｍｉｎ｛ＣＦ（Ａ１），ＣＦ（Ａ２）｝），
（ＣＦ（Ａ１∨Ａ２）＝ｍａｘ｛ＣＦ（Ａ１），ＣＦ（Ａ２）｝）
１０．（充分性），（必要性）
二、解：
（ｘ）（ｙ）｛（ｚ）［Ｐ（ｚ）∧～Ｑ（ｘ，ｚ）］→Ｒ（ｘ，ｙ，ｆ（ａ））｝
（ｘ）（ｙ）｛～（ｚ）［Ｐ（ｚ）∧～Ｑ（ｘ，ｚ）］∨Ｒ（ｘ，ｙ，ｆ（ａ））｝
（ｘ）（ｙ）｛（ｚ）［～Ｐ（ｚ）∨～Ｑ（ｘ，ｚ）］∨Ｒ（ｘ，ｙ，ｆ（ａ））｝
（ｙ）｛～Ｐ（ｇ（ｙ））∨Ｑ（ｂ，ｇ（ｙ））∨Ｒ（ｂ，ｙ，ｆ（ａ））｝
四、解：
由题意得如图所示的推理网络。由于Ｈ的先验概率Ｐ（Ｈ）＝０．０３，依据规则Ｒ１和公式（４．３．１２），对
Ｈ的概率进行更新：
Ｐ（Ｈ／Ｅ１）＝
ＬＳ１×Ｐ（Ｈ）
（ＬＳ１－１）×Ｐ（Ｈ）＋１
＝
２０×０．０３
１９×０．０３＋１
＝０．３８２
将０．３８２再作为Ｈ的先验概率，应用规则Ｒ２：
Ｐ（Ｈ／Ｅ１，Ｅ２）＝
ＬＳ２×Ｐ（Ｈ／Ｅ１）
（ＬＳ２－１）×Ｐ（Ｈ／Ｅ１）＋１
＝
３００×０．３８２
（３００－１）×０．３８２＋１
＝０．９９４６
２００１年综合考试人工智能真题参考解答
一、选择与填空
１．（Ａ） ２．（Ｃ） ３．（Ｂ） ４．（Ａ）
５．（知识推理），（谓词逻辑法），（产生式表示法），（语义网络表示法），（框架表示法）
６．（至少应有一个子句是由目标公式的否定所得到的子句或是它们的后裔），（子句集）
７．（Ｌ１，Ｌ２），（Ｃ＝（Ｃ１σ－｛Ｌ１σ｝）∪（Ｃ２σ－｛Ｌ２σ｝））
８．（单文字），（重言式）
９．（有向图），（概念、事物、事件、情况等），（节点间的语义联系）
１０．（≥），（＜１）
二、解：
由于证据初始值ＣＦ（Ａ）＝ＣＦ（Ｂ）＝０．５＜１，所以应用公式（４．２．１０），由于ＣＦ０（Ｘ）＝０．１＞０，ＣＦ（Ｘ，
９ ８ ３ 附录Ｂ计算机科学与技术学科综合考试真题参考解答

Ａ）＝０．８＞０，故应用公式的上半部分：
由规则Ｒ１：
ＣＦ（Ｘ／Ａ）＝ＣＦ０（Ｘ）＋ＣＦ（Ａ）×ＣＦ（Ｘ，Ａ）－ＣＦ０（Ｘ）×ＣＦ（Ａ）×ＣＦ（Ｘ，Ａ）
＝０．１＋０．５×０．８－０．１×０．５×０．８＝０．４６
由于ＣＦ（Ｘ／Ａ）＝０．４６＞０，ＣＦ（Ｘ，Ｂ）＝０．６＞０，所以对规则Ｒ２同样应用公式（４．２．１０）的上半部分：
ＣＦ（Ｘ／Ａ，Ｂ）＝ＣＦ（Ｘ／Ａ）＋ＣＦ（Ｂ）×ＣＦ（Ｘ，Ｂ）－ＣＦ（Ｘ／Ａ）×ＣＦ（Ｂ）×ＣＦ（Ｘ，Ｂ）
＝０．４６＋０．５×０．６－０．４６×０．５×０．６＝０．６２２
答：用ＭＹＣＩＮ方法求得的结论Ｘ的可信度为０．６２２。
三、解：
第一步：定义谓词，将已知条件用谓词公式表示出来，并化成子句集。
（１）定义谓词：
ｔｈｉｅｆ（ｘ）：表示ｘ是贼；
ｌｉｋｅｓ（ｘ，ｙ）：表示某人ｘ喜欢某物ｙ；
ｍａｙｓｔｅａｌ（ｘ，ｙ）：表示某人ｘ可能会偷某物ｙ。
（２）将已知事实表示成谓词公式，并化成子句集：
ｉＪｏｈｎ是贼。
ｔｈｉｅｆ（Ｊｏｈｎ）
Ｓ１＝｛ｔｈｉｅｆ（Ｊｏｈｎ）｝
Ii Ｐａｕｌ喜欢酒（ｗｉｎｅ）。
Iii Ｐａｕｌ（也）喜欢奶酪（ｃｈｅｅｓｅ）。
ｌｉｋｅｓ（Ｐａｕｌ，ｗｉｎｅ）∧ｌｉｋｅｓ（Ｐａｕｌ，ｃｈｅｅｓｅ）
Ｓ２＝｛ｌｉｋｅｓ（Ｐａｕｌ，ｗｉｎｅ），ｌｉｋｅｓ（Ｐａｕｌ，ｃｈｅｅｓｅ）｝
ｉｖ如果Ｐａｕｌ喜欢某物则Ｊｏｈｎ也喜欢某物。
（ｙ）（ｌｉｋｅｓ（Ｐａｕｌ，ｙ）→ｌｉｋｅｓ（Ｊｏｈｎ，ｙ））
Ｓ３＝｛～ｌｉｋｅｓ（Ｐａｕｌ，ｙ）∨ｌｉｋｅｓ（Ｊｏｈｎ，ｙ）｝
ｖ如果某人是贼，而且他喜欢某物，则他就可能会偷窃该物。
（ｘ）（ｙ）（ｔｈｉｅｆ（ｘ）∧ｌｉｋｅｓ（ｘ，ｙ）→ｍａｙｓｔｅａｌ（ｘ，ｙ））
Ｓ４＝｛～ｔｈｉｅｆ（ｘ）∨～ｌｉｋｅｓ（ｘ，ｙ）∨ｍａｙｓｔｅａｌ（ｘ，ｙ）｝
第二步：把问题用谓词公式表示出来，并将其否定与谓词ＡＮＳＷＥＲ做析取。
Ｇ：～ｍａｙｓｔｅａｌ（Ｊｏｈｎ，Ｚ）∨ＡＮＳＷＥＲ（Ｚ）
第三步：列出前提和目标的所有子句，并运用线性归结策略进行归结推理。以求证目标作为顶子句。
（１）ｔｈｉｅｆ（Ｊｏｈｎ）
（２）ｌｉｋｅｓ（Ｐａｕｌ，ｗｉｎｅ）
（３）ｌｉｋｅｓ（Ｐａｕｌ，ｃｈｅｅｓｅ）
（４）～ｌｉｋｅｓ（Ｐａｕｌ，ｙ）∨ｌｉｋｅｓ（Ｊｏｈｎ，ｙ）
（５）～ｔｈｉｅｆ（ｘ）∨～ｌｉｋｅｓ（ｘ，ｙ）∨ｍａｙｓｔｅａｌ（ｘ，ｙ）
（６）～ｍａｙｓｔｅａｌ（Ｊｏｈｎ，Ｚ）∨ＡＮＳＷＥＲ（Ｚ）
（７）～ｔｈｉｅｆ（Ｊｏｈｎ）∨～ｌｉｋｅｓ（Ｊｏｈｎ，ｙ）∨ＡＮＳＷＥＲ（ｙ）
（５）、（６）归结，σ＝｛Ｊｏｈｎ／ｘ，ｙ／Ｚ｝
（８）～ｌｉｋｅｓ（Ｊｏｈｎ，ｙ）∨ＡＮＳＷＥＲ（ｙ） （１）、（７）归结
（９）～ｌｉｋｅｓ（Ｐａｕｌ，ｙ）∨ＡＮＳＷＥＲ（ｙ） （４）、（８）归结
（１０）ＡＮＳＷＥＲ（ｗｉｎｅ） （２）、（９）归结，σ＝｛ｗｉｎｅ／ｙ｝
（１１）ＡＮＳＷＥＲ（ｃｈｅｅｓｅ） （３）、（９）归结，σ＝｛ｃｈｅｅｓｅ／ｙ｝
所以，本题有两个答案，Ｊｏｈｎ可能会偷窃ｗｉｎｅ，也可能会偷窃ｃｈｅｅｓｅ。