基于CP-nets的多议题对称依赖关系的研究

为了进一步丰富CP-nets对偏好语言的描述能力,提出了一种名为SDCP-nets的图形工具。该工具利用效用矩阵,刻画议题间的对称依赖关系,在SDCP-nets中,条件偏好关系的刻画使得择优选择和搜索最佳方案更加有效,对称依赖关系的描述又进一步确保了算法结果的准确性。形式化定义了SDCP-nets的结构、语义和一致性,给出了关于SDCP-nets的择优选择算法和最佳方案选择算法。实验结果表明,利用SDCP-nets来描述用户的偏好语言具有较高的准确度。

基于扩展关系模型的多Bayesian网依赖结构的合并

贝叶斯网是一个每个结点都带有一张概率表的有向无环图,它可以有效地表示不确定性知识并进行知识推理。知识系统在很多时候不得不将来自不同信息源或者同一信息源不同时刻的知识合并起来。Bayesian网作为一个知识系统,所以也会面临将多个Bayesian网提供的信息结合起来。本文提出一个基于扩展的关系数据模型和条件独立的算法,该算法将多个Bayesian网合并成为一个Bayesian网,并且尽可能地保留每一个Bayesian网的信息。

基于CP-net偏好的关系数据库的Top-k实现

CP-net是一种简单而又直观的图形化的偏好表示工具,能够被用来描述在那些相对严密的、直观的、结构化的条件偏好信息中隐含的定性偏好关系,尤其适合信息不完整情况下的属性间具有依赖关系的多属性定性偏好决策.Top-k查询旨在检索出满足用户需求的前k个结果,从而提高检索效率,为此致力于实现具有CP-net偏好的关系数据库的Top-k查询.首先,CP-net被诱导成多个表来表示和存储;其次,将传统的帕累托复合拓展到模型中,以此保持偏好之间的严格的偏序关系;最后,基于“格”框架(Lattice)理论,实现了基于CP-net偏好的关系数据库的Top-k查询.

CP-nets的完备性及一致性研究

CP-nets是一种简单而又直观的图形化偏好表示工具,成为近几年人工智能的一个研究热点.然而,任意二值CP-nets上的强占优算法还没有给出,CP-nets可表示的偏好的完备性还无人研究,CP-nets所能表示的偏好是否一致也还未彻底解决.基于CP-nets上的强占优运算研究CP-nets的完备性和一致性.首先,通过构造CP-nets导出图及其性质的研究,得出强占优的本质是求取翻转关系的传递闭包,从而利用Warshall算法求出可判断任意CP-nets的强占优;其次,通过求取3种不同结构(可分离的、链表结构和树形结构)的CP-nets的偏好个数,给出了CP-nets可表达的偏好的不完备性定理,并给出了可分离的CP-nets中偏好的计数公式;最后,研究CP-nets的一致性,给出了CP-nets的一致性判定定理及其算法.所做工作不仅解决了Boutilier和Goldsmith提出的一些难题,还深化了CP-nets的基础理论研究.

基于精确P值计算学习无环CP-nets

作为一种简单直观的图形表示工具,条件偏好网(conditional preference networks,CP-nets)可表示ceteris paribus(其他条件都不变)的偏好关系.学习无环CP-nets是人工智能领域中的一个重要的研究内容,它可广泛使用在推荐系统、信息检索和群体抉择中.特别是有效地学习无环CP-nets的结构,即获取变量之间的因果关系,是当前最主要的研究任务.传统的算法利用不同的方式对CP-nets的结构进行学习,但很多方法学习得到的并不是无环CP-nets.采用精确P值计算学习方法,根据Dijkstra算法原理,设计了新的算法——PALA,并通过该算法学习无环CP-nets结构.随后证明了算法的时间复杂度是O(n3·2n).作为一种精确学习方法,精确P值计算方法可有效衡量变量之间的依赖程度,确定变量之间的因果关系,进而学习得到无环CP-nets结构.实验结果表明,与其他算法相比,PALA算法通常能够发现高质量的、结构最优的无环CP-nets.研究结果还表明,无环CP-nets学习问题的解决显著地提高了PALA算法的效率.