马尔可夫逻辑网在Web中的应用-计算机系统结构专业毕业论文.docxVIP

重庆大学硕士学位论文中文摘要 重庆大学硕士学位论文 中文摘要 I I 摘 要 概率图模型能很好处理不确定性，一阶逻辑可以简洁地表示知识，将概率与 逻辑整合在同一个表示之中一直是人工智能领域的一个长期目标。Markov 逻辑网 是公式附加权值的一阶逻辑知识库，且可作为构建 Markov 网的模板。 传统的统计方法是基于数据间的独立同分布，并假设这些数据具有相同的结 构。但是在现实的 Web 世界中，存在着大量的半结构化数据，数据本身不但具有 复杂的内部结构，而且数据外部通过超链接、引用等联系起来构成关系数据集合。 传统的统计方法忽略了这些数据间的关系结构，而这些“关系”却含有更多深层次的 语义信息。 统计关系学习就是针对“关系”的学习方法，集一阶逻辑/关系表示、不确定性 处理和机器学习/数据挖掘于一体，其目的是挖掘关系数据中的似然模型。Markov 逻辑网是一种将 Markov 网与一阶逻辑相结合的统计关系学习模型，已经成为人工 智能领域的一个重要研究热点，在互联网、社会网、计算生物学、普适计算等领 域应用广泛。 本文重点研究了 Markov 逻辑网在 Web 领域的相关应用。主要工作归纳如下： 1. 研究了 Markov 逻辑网相关理论。 本文首先介绍了 Markov 逻辑网的理论基础，即概率图模型、Markov 随机场 /Markov 网和一阶逻辑。然后研究了 Markov 逻辑网的概念与特性，包括闭 Markov 逻辑网、三大基本假设和 Markov 逻辑网的知识库。最后讨论了 Markov 逻辑网的 权值学习算法和推理算法。 2. 将 Markov 逻辑网应用到文本分类中 在统计关系学习中，可以通过关系（逻辑）来很好的表示知识，故文本分类 问题的 Markov 逻辑表示也十分的简洁。实验结合了判别式训练的学习算法， MC-SAT、吉布斯抽样和模拟退火等推理算法，结果表明基于 Markov 逻辑网的分 类方法能够取得比传统 KNN 分类算法更好的效果。 3. 将 Markov 逻辑网应用到重复数据删除中 本文给出了如何用少量的谓词公式来描述重复数据删除问题中不同方面的本 质特征，并将 Markov 逻辑表示的各方面组合起来形成各种模型。实验采用了判别 式训练的学习算法和 MC-SAT 推理算法，结果表明基于 Markov 逻辑网的重复数据 删除方法涵盖了经典的 Fellegi-Sunter 模型，其效果明显优于基于聚类算法和基于 相似度计算的方法，且可以通过 Markov 逻辑网构建此类问题的统一框架。 4. 总结了 Markov 逻辑网在 Web 领域的其他潜在应用 II II 针对信息抽取问题，本文仅从如何检测域边界的角度出发，构建了 Markov 逻 辑网，虽然不太完善，但其效果略优于传统的隐马模型。而对于超文本分类、信 息检索，则给出了较为简单的模型构建方法。 综上所述，我们可以得出如下结论：Markov 逻辑网是一种功能强大的统计关 系学习方法，不仅能够灵活地将大量领域知识采用模块化的形式引入到 Markov 网 中，还可以很好的处理不确定性、允许不完整和矛盾的知识，其应用领域非常广 泛。 关键词：Markov 逻辑网，统计关系学习，文本分类，重复数据删除 重庆大学硕士学位论文英文摘要 重庆大学硕士学位论文 英文摘要 PAGE PAGE IV ABSTRACT Probabilistic graphical models enable us to efficiently handle uncertainty. First-order logic enables us to compactly represent a wide variety of knowledge. Combining the both in a single representation has been a longstanding goal of AI research. A Markov logic network (MLN) is a first-order knowledge base with a weight attached to each formula, and can be viewed as a template for constructing Markov networks. The traditional statistical methods have focused on data independent and identically distributed (IID), and assumed that data has the same structure. However, there i