基于马尔可夫逻辑网的联合推理开放信息抽取

在自然语言处理的几个子任务上,传统的方法都是分而治之,例如分词、句法分析、命名实体识别、实体关系识别等。但是,孤立地分析和处理这些子任务会丢失一些彼此之间的内在联系,而这些子任务之间的内在联系往往会对每个子任务有很大帮助。所以,有人提出用联合集成式的模型,从整体上解决这些问题。但是,这些模型都只针对特定领域内的数据进行处理,还未能对开放式的信息进行处理。因此,提出了基于马尔可夫逻辑网的联合推理模型来处理开放式信息抽取(Open IE)。经过大量的实验证明,该模型的执行效率明显高于传统的模型。同时,该模型的适应性更好。

基于马尔可夫逻辑的中文零指代消解

中文零指代消解问题包括零指代项的识别和零指代项的消解2个相互关联的子任务.传统的方法在解决该问题时,往往不考虑2个子任务间的关联关系,比如识别出的零指代项必须被消解以及发生消解的必须是零指代项等约束.基于马尔可夫逻辑网络模型可以将零指代项的识别和零指代项的消解2个子任务融合在统一的机器学习框架下进行联合推断与联合学习,采用局部规则分别针对零指代项的识别和消解进行预测,采用全局规则描述这2个子任务间的关联关系.基于OntoNotes3.0的中文数据集上的实验结果显示,基于马尔可夫逻辑网络的联合学习模型相比于独立学习模型以及多个baseline方法能够获得更好的实验效果.

领域知识学习中的马尔可夫逻辑网应用研究

现有的知识学习多基于统计方法,常常忽略了知识间的关系以及随时间的变化情况,在应用效果方面往往差强人意。如何准确把握知识间的统计关系,进行正确的知识学习,成为知识研究的一个重点和难点。近几年,随着统计关系学习研究的兴起,结合概率图模型和一阶逻辑理论的马尔可夫逻辑网被成功应用于自然语言处理、机器学习、社会关系分析等领域中。基于马尔可夫逻辑网技术,提出一种知识学习方法,在传统知识获取方法的基础上,引入一阶逻辑来学习知识间的关系,进行逻辑推理。在文本分类的应用实验中,通过对分类知识学习,与传统的SVM相比,所提出方法的准确率提高10%左右。

基于马尔可夫逻辑树和系统脆性分析的智慧变电站协议延迟攻击检测与恢复模型

针对电力物联网建设中精准时间协议(PTP)容易受到攻击影响,以及为克服传统以太网精确度不足的问题,提出基于马尔可夫逻辑树和系统脆性分析搭建了智慧变电站攻击检测与恢复模型。首先分析攻击模型,分为威胁模型、攻击树和延迟攻击模型,判断不同的攻击模型各自对时间同步方案造成的影响。然后基于马尔可夫树和系统的脆性分析对系统出现的偏差进行分类判断,构建了攻击检测和恢复模型。最后通过实验验证了所提方案在理想情况和实际工程模拟角度的有效性。实验结果表明所提研究模型具有更小的计算误差和更加广泛的使用范围,理想模型的检测和恢复指标可以达到97%。对比传统攻击检测和恢复方案,时钟偏移平均减少了14.25%,同步误差平均减少了35.43%。

基于知识图谱及马尔可夫逻辑网的企业画像技术研究

本文对企业知识库构建了企业知识库模式图,利用马尔可夫逻辑网判别式知识学习方法进行马尔可夫逻辑网知识学习,以此构建企业知识图谱,挖掘企业表层信息之下的实际发展情况,包括企业科研费用等科研投入情况、企业员工情况等,以此运用企业知识图谱对企业进行画像,以此促进企业及时发现自身发展中村在的问题,加强对企业的背景调查,促进企业合作伙伴关系的查找,将其运用于企业发展的多个场景之中,实现企业的优化发展。

基于马尔可夫逻辑网的关联规则迁移学习

针对源领域和目标领域共享知识是规则、结构和逻辑等关联规则的情况,提出一种基于马尔可夫逻辑网的关联规则迁移学习方法.首先利用伪对数似然函数将源领域中马尔可夫逻辑网表示的知识迁移到目标领域中,建立两个领域之间的关联;再通过对源领域进行自诊断、结构更新和目标领域搜索新子句,来优化映射得到的结构,进而适应目标领域的学习.实验结果表明,算法成功地映射了迁移知识,提高了学习模型的精确度.

马尔可夫逻辑网在信息抽取中的应用

提出了一个基于马尔可夫逻辑网的信息抽取方法,将所有记录的分割和记录去重在一个单独的整合推理过程中进行。由于采用马尔可夫逻辑和现有的推理算法,其主要工作是编写合适的逻辑公式,工程量比其他传统方法少得多。实验基于CiteSeer和Cora这两个引文匹配数据集,其结果要明显优于之前的其他方法,同时也证明了马尔可夫逻辑网模型的精确性。

逻辑马尔可夫决策过程的正则条件概率理论

增强学习已经开始向关系增强学习发展,并且产生了许多新的算法.大部分方法将命题表达提升为关系或计算逻辑的表达.这些方法已经表现出许多好的性质,但是相关的理论分析目前还缺乏,即为什么这些关系的增强学习具有良好的性质,因此提出基础马尔可夫决策过程和逻辑马尔可夫决策过程的测度空间结构,利用现代概率论中条件数学期望和正则条件概率理论建立基础和逻辑两种马尔可夫决策过程之间的深刻联系,从而证实了逻辑马尔可夫决策过程中的最优策略在某种平均意义上是相应的基础马尔可夫决策过程的最优策略.最后由实例分析得出逻辑马尔可夫决策编程方法.建立逻辑马尔可夫决策过程的测度空间结构可以为关系增强学习提供数学理论框架.

逻辑马尔可夫决策编程和关系马尔可夫决策编程若干最新进展

逻辑马尔可夫决策过程和关系马尔可夫决策过程的引入,使得人们可能简洁地、陈述地表达复杂的马尔可夫决策过程。本文首先介绍有关逻辑马尔可夫决策过程和关系马尔可夫决策过程的概念,然后重点介绍它们与普通的马尔可夫决策过程根本不同的一些算法:①依赖于基本状态空间RL的转换法;②把Bellman方程推广到抽象状态空间的方法,③利用策略偏置空间寻求近似最优策略方法。最后对它们的研究现状进行总结及其对它们发展的一些展望。

逻辑半马尔可夫决策过程及Q学习

增强学习已经开始向关系增强学习发展,并且产生了许多新的算法。这些方法是将命题表达提升为关系或计算逻辑的表达。提出了一种新的表达形式,称为逻辑半马尔可夫决策过程。它是将逻辑程序与半马尔可夫过程相结合。在此框架中,抽象(状态或行动)是至关重要的,并且提出了对于逻辑半马尔可夫决策过程的Q-学习算法,给出其收敛证明。这种框架对在关系增强学习发展中处理时间连续方面提供了一个合理的基础。

马尔可夫决策过程两种抽象模式

抽象层次上马尔可夫决策过程的引入,使得人们可简洁地、陈述地表达复杂的马尔可夫决策过程,解决常规马尔可夫决策过程(MDPs)在实际中所遇到的大型状态空间的表达问题。介绍了结构型和概括型两种不同类型抽象马尔可夫决策过程基本概念以及在各种典型抽象MDPs中的最优策略的精确或近似算法,其中包括与常规MDPs根本不同的一个算法:把Bellman方程推广到抽象状态空间的方法,并且对它们的研究历史进行总结和对它们的发展做一些展望,使得人们对它们有一个透彻的、全面而又重点的理解。

基于多路链接预测推理的中医脏腑辨证研究

目的 针对知识图谱链接预测中缺少多关系预测推理的问题,提出基于规则+马尔可夫逻辑网(MLN)的多路链接预测推理算法,为中医临床提供辅助决策支持。方法 以中医脏腑辨证为研究背景,构建基于Neo4j图数据库的知识图谱,包括1 263个实体节点和4 105个语义关系。基于改进规则的知识推理设置初始权重,并使用MLN和吉布斯采样(Gibbs sampling)训练权重,以完成输入任意个数四诊数据得到证候推理结果的链接预测任务。结果 对中医脏腑辨证的70个证候进行推理,结果AUC值为98.6%,精确度为98.6%,排序分为0.297,较基于传统规则链接预测算法的精确度高4.3%,具有更准确的推理结果。结论 该模型能较好完成多对多复杂路径关系的链接预测任务,同时实现中医脏腑辨证的四诊合参及个性化推荐功能,辅助中医临床诊疗。

海战场C^4ISR系统的服务自动组合方法

针对C4ISR系统中服务人工智能(artificial intelligence,AI)规划组合存在的服务数量大、不能处理服务执行过程中动态产生的新个体、业务流程和服务质量不确定等问题,提出了一种基于离散事件演算和马尔可夫逻辑网(discrete event calculus-Markov logic network,DEC-MLN)的服务自动组合方法。首先给出了面向服务的海战场C4ISR系统的流程图,用对事件演算进行拓展形成的DEC-MLN对服务的输入、输出、前提条件和执行效果及基本服务流程进行建模,用MLN的权重刻画组合过程中业务流程和服务质量的不确定性。接着提出了一种基于模板的服务自动组合框架,并给出了溯因DEC规划方法。所提方法克服了基于传统AI规划组合方法限于顺序组合的问题;且DEC-MLN的谓词规模较小,提高了服务组合效率;DEC-MLN在处理不确定性的基础上又能解除封闭世界假说的限制,可以处理组合执行过程中新增个体,增加了组合的动态性。最后用实例验证了所提方法的可行性与有效性。

基于时空单词的两人交互行为识别方法

文中提出一种基于时空单词的两人交互行为识别方法,该方法从行为视频中提取丰富的时空兴趣点,基于人体剪影的连通性分析和时空兴趣点的历史信息,把时空兴趣点划分给不同的人体,并在兴趣点样本空间聚类生成时空码本(spatial-temporal codebook).对于给定的时空兴趣点集,通过投票得到表示单人原子行为的时空单词(spatial-temporal words).采用条件随机场模型建模单人原子行为,在两人交互行为的语义建模过程中,人工建立表示领域知识(domain knowledge)的一阶逻辑知识库,并训练马尔可夫逻辑网用以两人交互行为的推理.两人交互行为库上的实验结果证明了该方法的有效性.

概率图模型的表示理论综述

概率图模型结合概率论与图论的知识,利用图结构表示变量的联合概率分布,近年已成为不确定性推理的研究热点.随着概率图模型在实际领域中的应用日益增加,不同的任务和应用环境对概率图模型的表示理论提出了不同的新要求.本文总结出近年来提出的多种概率图模型的表示理论.最后指出概率图模型的进一步研究方向.

基于BSN识别双人交互动作方法的研究

基于体感网对人体动作进行识别的很多研究都是针对单人动作,很少有研究讨论双人交互动作的识别。针对双人交互动作中两人肢体行为的特点,提出了一种隐马尔可夫模型和马尔可夫逻辑网相结合的方法。其中,单人原子行为通过建立隐马尔可夫模型来进行识别,在两人交互行为的语义建模中,建立一阶逻辑知识库,并通过训练马尔可夫逻辑网来最终实现两人交互行为的决策。实验结果表明,与基于特征层数据融合的一些方法相比,该方法获得了更高的识别精度,能够有效地识别出双人交互动作。

基于Markov Logic的军事系统效能评估

由于军事系统中存在不同的体制编制和多变的网络结构,并且军事单元能力发挥不稳定,信息延时不确定,因此为完成特定军事任务,系统中会存在诸多OODA过程,以至于难以评估军事系统的效能。针对目前效能评估方法人为定性评估成分较大,或者评估过程忽视军事实体间的相关联系而仅在统计意义上进行评估,将军事系统的不确定性纳入评估体系,基于统计关系学习框架Markov logic以OODA军事策略为基础对不同军事规则进行一阶逻辑建模,并以当前网络态势为先验条件,应用Alchemy工具对表示最终作战效能的原子谓词进行条件概率推理,求得该网络作战效能期望,突出了模型对不确定信息的处理能力。最后研究了军事单元和军事体制对系统效能的影响,实验结果验证了本模型的有效性,表明其具有一定的实践和理论意义。

基于客户信用评价模型的营销管理系统

提高企业营销管理的质量和效率,对客户信用评价模型和企业营销管理系统设计方法进行了研究。提出了一个基于马尔可夫逻辑网的客户信用评价模型CCEM-MLNs,该模型将依据专家知识建立的信用评价规则转化为一阶逻辑规则,构造马尔可夫逻辑网,然后利用样本数据进行训练,得出各规则的权值,建立评价模型。实验结果表明,该模型对客户信用分类的准确率比均分权值的评价模型提高了13.38%;设计并实现了一个基于CCEM-MLNs的营销管理系统MMS-CCEM,给出了系统的体系结构和层次结构,该系统已成功应用于国内某企业的营销管理,在客户关系管理方面效果明显。

基于改进MLN的人类活动识别新方法

针对人类活动识别中存在的检测不确定问题,改进了马尔可夫逻辑网络(MLN)中势函数的计算方法。即软化一阶逻辑中关系运算符,使特征函数的取值范围从布尔值扩展到[0,1]区间;计算传感器事件的可信度,来获取所对应闭原子为真的概率。将改进的MLN方法与本体结合,提出混合识别框架并实现了相应算法。仿真实验结果表明,在包含错误的数据集ADL-E下,改进的MLN仍能保持较高的准确率。

一种基于近似因子的在线概率知识库推理方法

概率知识库中的推理技术是近年来的研究热点.目前,大多数系统的推理主要基于批处理的方式实现,并不适用于在线查询场景.对此,提出了一种基于近似因子的在线概率知识库推理方法.它可以重复利用已推断结果计算查询变量的边缘概率.该算法首先提取查询变量的子图(含已推断变量);然后,在此子图上添加近似因子,以模拟子图外其余变量的影响;最后,采用团树算法推断查询变量的边缘概率.实验结果表明:相对于已有算法,该算法可在时间和精度上取得较好的权衡.