馬爾可夫邏輯網(wǎng)在超文本分類與鏈接預測中的應用.pdf

1、在現(xiàn)實世界中，許多問題同時存在不確定性和復雜性。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系，降低復雜性。因此將概率和邏輯表示結合起來表示知識一直是人工智能領域中的研究熱點。統(tǒng)計關系學習方法正是將概率圖模型和一階邏輯結合起來的機器學習方法。統(tǒng)計關系學習方法是關系描述、似然推理與機器學習的結合，目的是獲得多關系數(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)和一階邏輯結合的統(tǒng)計關系學習模型，可以

2、解決多關系數(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構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”和概率結合起來。馬爾可夫邏輯網(wǎng)是人工智能領域研究的熱點，已成功應用在語義角色標注、遷移學習、信息抽取、分子生物學等領域。
　　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測中的應用。主要工作歸納如下：
　?、傺芯苛笋R爾可夫邏

3、輯網(wǎng)相關理論。
　　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。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)的權值學習和推理算法。
　?、隈R爾可夫邏輯網(wǎng)在超文本分類中的應用
　　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習方法和吉布斯抽樣、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)系用于學習和推理對于分類也有一定的貢獻。
　?、垴R爾可夫邏輯網(wǎng)在鏈接預測中的應用
　　鏈接預測是對實體間的關系進行預測，是一個重要而復雜的任務。傳統(tǒng)同類獨立同概率分布的方法會帶來很大的噪音，導致預測效果很差。將馬爾可夫邏輯網(wǎng)應用到鏈接預測中，旨在改善這一問題。利用馬爾可夫邏輯網(wǎng)構建關系模型，對實體之間是否存在鏈接關系以及當鏈接