馬爾可夫邏輯網(wǎng)在超文本分類與鏈接預(yù)測中的應(yīng)用.pdf

1、在現(xiàn)實世界中，許多問題同時存在不確定性和復(fù)雜性。概率圖模型可以有效地處理不確定性；一階邏輯可以簡潔地表示各種不同的知識和關(guān)系，降低復(fù)雜性。因此將概率和邏輯表示結(jié)合起來表示知識一直是人工智能領(lǐng)域中的研究熱點。統(tǒng)計關(guān)系學(xué)習(xí)方法正是將概率圖模型和一階邏輯結(jié)合起來的機器學(xué)習(xí)方法。統(tǒng)計關(guān)系學(xué)習(xí)方法是關(guān)系描述、似然推理與機器學(xué)習(xí)的結(jié)合，目的是獲得多關(guān)系數(shù)據(jù)中的似然模型。
　　馬爾可夫邏輯網(wǎng)作為將馬爾可夫網(wǎng)和一階邏輯結(jié)合的統(tǒng)計關(guān)系學(xué)習(xí)模型，可以

2、解決多關(guān)系數(shù)據(jù)挖掘問題中存在的不足：即假定此類數(shù)據(jù)是由同類、相互獨立和等概率分布的實體組成。傳統(tǒng)方法忽略了對象自身結(jié)構(gòu)提供的更加豐富的信息和對象之間存在的聯(lián)系；馬爾可夫邏輯網(wǎng)則可以有效地將這些“聯(lián)系”和概率結(jié)合起來。馬爾可夫邏輯網(wǎng)是人工智能領(lǐng)域研究的熱點，已成功應(yīng)用在語義角色標(biāo)注、遷移學(xué)習(xí)、信息抽取、分子生物學(xué)等領(lǐng)域。
　　本文重點研究了馬爾可夫邏輯網(wǎng)在超文本分類和鏈接預(yù)測中的應(yīng)用。主要工作歸納如下：
　?、傺芯苛笋R爾可夫邏

3、輯網(wǎng)相關(guān)理論。
　　本文首先介紹了一階邏輯、概率圖模型和馬爾可夫網(wǎng)等馬爾可夫邏輯的理論基礎(chǔ)。其次介紹了馬爾可夫邏輯網(wǎng)的基本概念，闡述了馬爾可夫邏輯網(wǎng)的權(quán)值學(xué)習(xí)和推理算法。
　?、隈R爾可夫邏輯網(wǎng)在超文本分類中的應(yīng)用
　　超文本分類的傳統(tǒng)方法忽略實體之間存在的聯(lián)系，對每個實體進行單獨分類。為了解決這一問題，本文提出了基于馬爾可夫邏輯網(wǎng)的超文本分類方法。實驗采用了判別式學(xué)習(xí)方法和吉布斯抽樣、模擬退火、MC-SAT、信念傳播四

4、種推理算法，實驗結(jié)果說明采用馬爾可夫邏輯網(wǎng)模型要比采用KNN方法的分類效果好；同時將實體之間存在的聯(lián)系用于學(xué)習(xí)和推理對于分類也有一定的貢獻。
　?、垴R爾可夫邏輯網(wǎng)在鏈接預(yù)測中的應(yīng)用
　　鏈接預(yù)測是對實體間的關(guān)系進行預(yù)測，是一個重要而復(fù)雜的任務(wù)。傳統(tǒng)同類獨立同概率分布的方法會帶來很大的噪音，導(dǎo)致預(yù)測效果很差。將馬爾可夫邏輯網(wǎng)應(yīng)用到鏈接預(yù)測中，旨在改善這一問題。利用馬爾可夫邏輯網(wǎng)構(gòu)建關(guān)系模型，對實體之間是否存在鏈接關(guān)系以及當(dāng)鏈接