馬爾可夫邏輯網(wǎng)在Web中的應用.pdf

1、概率圖模型能很好處理不確定性，一階邏輯可以簡潔地表示知識，將概率與邏輯整合在同一個表示之中一直是人工智能領域的一個長期目標。Markov邏輯網(wǎng)是公式附加權值的一階邏輯知識庫，且可作為構(gòu)建Markov網(wǎng)的模板。
　　 傳統(tǒng)的統(tǒng)計方法是基于數(shù)據(jù)間的獨立同分布，并假設這些數(shù)據(jù)具有相同的結(jié)構(gòu)。但是在現(xiàn)實的Web世界中，存在著大量的半結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)本身不但具有復雜的內(nèi)部結(jié)構(gòu)，而且數(shù)據(jù)外部通過超鏈接、引用等聯(lián)系起來構(gòu)成關系數(shù)據(jù)集合。傳統(tǒng)的

2、統(tǒng)計方法忽略了這些數(shù)據(jù)間的關系結(jié)構(gòu)，而這些“關系”卻含有更多深層次的語義信息。
　　 統(tǒng)計關系學習就是針對“關系”的學習方法，集一階邏輯/關系表示、不確定性處理和機器學習/數(shù)據(jù)挖掘于一體，其目的是挖掘關系數(shù)據(jù)中的似然模型。Markov邏輯網(wǎng)是一種將Markov網(wǎng)與一階邏輯相結(jié)合的統(tǒng)計關系學習模型，已經(jīng)成為人工智能領域的一個重要研究熱點，在互聯(lián)網(wǎng)、社會網(wǎng)、計算生物學、普適計算等領域應用廣泛。
　　 本文重點研究了Marko

3、v邏輯網(wǎng)在Web領域的相關應用。主要工作歸納如下：
　　 1. 研究了Markov邏輯網(wǎng)相關理論。
　　 本文首先介紹了Markov邏輯網(wǎng)的理論基礎，即概率圖模型、Markov隨機場/Markov網(wǎng)和一階邏輯。然后研究了Markov邏輯網(wǎng)的概念與特性，包括閉Markov邏輯網(wǎng)、三大基本假設和Markov邏輯網(wǎng)的知識庫。最后討論了Markov邏輯網(wǎng)的權值學習算法和推理算法。
　　 2. 將Markov邏輯網(wǎng)應用到文

4、本分類中在統(tǒng)計關系學習中，可以通過關系（邏輯）來很好的表示知識，故文本分類問題的Markov邏輯表示也十分的簡潔。實驗結(jié)合了判別式訓練的學習算法，MC-SAT、吉布斯抽樣和模擬退火等推理算法，結(jié)果表明基于Markov邏輯網(wǎng)的分類方法能夠取得比傳統(tǒng)KNN分類算法更好的效果。
　　 3. 將Markov邏輯網(wǎng)應用到重復數(shù)據(jù)刪除中本文給出了如何用少量的謂詞公式來描述重復數(shù)據(jù)刪除問題中不同方面的本質(zhì)特征，并將Markov邏輯表示的各方面

5、組合起來形成各種模型。實驗采用了判別式訓練的學習算法和MC-SAT推理算法，結(jié)果表明基于Markov邏輯網(wǎng)的重復數(shù)據(jù)刪除方法涵蓋了經(jīng)典的Fellegi-Sunter模型，其效果明顯優(yōu)于基于聚類算法和基于相似度計算的方法，且可以通過Markov邏輯網(wǎng)構(gòu)建此類問題的統(tǒng)一框架。
　　 4. 總結(jié)了Markov邏輯網(wǎng)在Web領域的其他潛在應用針對信息抽取問題，本文僅從如何檢測域邊界的角度出發(fā)，構(gòu)建了Markov邏輯網(wǎng)，雖然不太完善，但其