统计关系学习模型Markov逻辑网综述

统计关系学习是人工智能研究的热点,在生物信息学、地理信息系统和自然语言理解等领域有着重要应用,Markov逻辑网是将Markov网与一阶逻辑相结合的一种全新的统计关系学习模型。介绍了Markov逻辑网的理论模型和学习方法,并探讨了目前存在的问题和研究方向。

基于Markov逻辑网的两阶段数据冲突解决方法

在数据集成中,如何准确地解决数据冲突是关系集成数据质量的关键问题.现有的方法主要针对单个属性进行冲突解决,由于没有区分不同属性的冲突程度,也没有考虑不同属性间冲突解决的相互影响,导致数据冲突解决的准确率不高.针对现有方法存在的不足,文中提出一种基于Markov逻辑网的两阶段数据冲突解决方法.该方法可以根据冲突程度对属性进行划分,并分两阶段进行处理:(1)在第1阶段,对于弱冲突属性,利用投票规则及事实之间相互印证等简单规则进行冲突解决;(2)在第2阶段,利用了第1阶段冲突解决的结果,在规则中加入数据源与事实之间的相互影响规则、数据源之间相互依赖规则及弱冲突属性对强冲突属性影响规则,对强冲突属性进行冲突解决.通过在大量真实数据上的实验结果证明,该方法能够有效地解决集成数据的冲突问题,具有较高的准确率.

Markov逻辑网在重复数据删除中的应用

为了解决和突破现阶段重复数据删除方法大多只能针对特定领域,孤立地解决问题的某个方面所带来的不足和局限,提出了基于Markov逻辑网的统计关系学习方法。该方法可以通过计算一个世界的概率分布来为推理服务,从而可将重复数据删除问题形式化。具体采用了判别式训练的学习算法和MC-SAT推理算法,并详细阐述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,将Markov逻辑表示的各方面组合起来形成各种模型。实验结果表明基于Markov逻辑网的重复数据删除方法不但可以涵盖经典的Fellegi-Sunter模型,还可以取得比传统的基于聚类算法和基于相似度计算的方法更好的效果,从而为Markov逻辑网解决实际问题提供了有效途径。

Markov逻辑网及其在文本分类中的应用

介绍了M arkov逻辑网的理论模型、学习算法和推理算法,并将其应用于中文文本分类中。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M arkov逻辑网的分类方法能够取得比传统K邻近(KNN)分类算法更好的效果。

基于后验概率的Markov逻辑网参数学习方法

通过介绍统计关系学习方法Markov逻辑网的理论模型和参数学习方法,提出一种基于后验概率的参数估计方法,该方法采用正态先验分布,用伪似然概率替代似然概率,通过最大化伪后验概率来学习模型参数.实验结果表明,该方法能够有效地学出模型参数,且所得模型推理能力优于现有的参数学习方法.

基于Markov逻辑网的超文本分类

在传统的监督学习任务中,实体被认为是独立同分布的.然而,现实世界中实体之间通过复杂的方式相互关联.例如在超文本分类中,具有链接关系的页面之间高度相关.标准的分类方法是忽略实体之间的联系,对每个实体单独分类.本文将Markov逻辑网应用到超文本分类中,旨在改善这一问题.实验结果显示了采用Markov逻辑网模型要比采用K最邻近节点算法的分类效果好;同时将实体之间存在的联系用于学习和推理对于分类也有一定的贡献.

基于遗传与粒子群算法的Markov逻辑网学习研究

Markov逻辑网(MLN)是一种重要的统计关系模型,目前其学习问题主要采用确定性的优化方法,所求的解不够简洁、易陷入局部极值.针对这些问题,本文定义谓词模板、子句模板以缩小搜索空间,提出一种采用子句模板编码的遗传算法来学习MLN结构,并用粒子群算法学习MLN的权参数.文中设计了适应度函数和相应的遗传算子,保证算法不断向好的逻辑子句结构进化.理论分析与实验结果都表明本文的算法可以学习到较优解.

基于Markov逻辑网的虚假评论识别方法

为解决虚假评论识别的问题,该文提出一种基于Markov逻辑网的虚假评论识别方法。首先,对虚假评论内容和评论者行为的特点进行分析,选取评论内容特征和评论者行为特征;然后,根据特征定义一阶逻辑谓词和逻辑公式,并介绍了权重学习和推理的过程;最后,进行了对比实验,结果表明该方法的虚假评论识别取得了较好的效果。

Markov逻辑网在链接预测中的应用

传统同类独立同概率分布的链接预测方法会带来很大的噪声,导致预测效果很差,将Markov逻辑网应用到链接预测中,旨在改善这一问题。Markov逻辑网是将Markov网与一阶逻辑结合的统计关系学习方法。利用Markov逻辑网构建关系模型,确定实体之间是否存在链接关系以及当链接关系存在时预测此链接关系的类型。针对两个数据集的实验结果,显示了采用Markov逻辑网模型要比传统链接预测模型有更好的效果,进而为Markov逻辑网解决实际问题提供了依据。

Markov逻辑网在基于信任的推荐系统中的应用

基于信任的推荐系统是利用信任的实体进行项目推荐,然而信任是一个复杂的概念,对信任进行传播和预测是一项重要的任务。提出了用一种统计关系模型——Markov逻辑网来表示信任的传递性质,讨论了Markov逻辑网的理论模型,通过其推理算法预测信任关系,实验结果表明,在基于信任的推荐系统中Markov逻辑网方法比MoleTrust方法在推荐精度和解决冷用户问题上有更好的效果。

Markov逻辑网在迁移学习中的应用

为充分利用过期训练数据和数据结构相关性进行新领域的学习,提出一种基于Markov逻辑网的迁移学习方法。该方法对源域与目标域的谓词进行自动映射后,通过自我诊断、结构更新和新公式挖掘3个步骤对映射结构进行优化,使之更适用于目标域数据。实验结果证明,与传统的机器学习方法相比,该方法使概率推理所获结果的准确率更高,所需的学习时间与训练数据更少。

基于扩展的Markov逻辑网的蛋白质beta结构关联预测方法研究

传统机器学习方法在蛋白质关联图预测中要求满足独立一致性的条件,为了克服传统机器学习独立一致性假设,并且利用关联残基之间的规则约束,提出一种基于扩展的Markov逻辑网的蛋白质beta关联预测方法,该方法能够利用Markov统计关系学习框架来实现蛋白质beta结构关联预测。实验结果表明,利用该方法能够获得较好的beta关联预测效果,实验预测精度能够达到45.91%,较BetaPro能提高8%,是随机预测精度的14倍。

基于Markov逻辑网的事件表象统一方法

为解决Web数据集成中大量事件表象语句共指现实世界同一事件,导致数据冗余问题,提出一种基于Markov逻辑网的事件表象统一方法。该方法从共指事件表象集合中获得较准确详细的一条表象,作为统一的事件表象对应现实事件,为数据集成提供高质量数据;将事件表象使用八个维度的形式表示,训练Markov逻辑网从共指事件表象集合中推理出准确详细的维度内容,重新组合后形成一条事件表象。使用少量一阶谓词从维度内容、事件表象和数据源等多角度制定相应规则,通过推理解决数据不一致、不完整、不详细问题。实验结果表明基于Markov逻辑网的事件表象统一方法能获得较准确详细的统一事件表象。

Markov逻辑网研究综述

Markov逻辑网是将Markov网络与一阶谓词逻辑相结合的统计关系学习模型。Markov逻辑网在实体识别、数据融合、信息抽取等领域都有重要研究价值,具有广泛的应用。本文较为全面的介绍了Markov逻辑网的理论模型、推理、参数学习、与其他算法的比较,最后探讨Markov逻辑网未来的研究方向。

Markov逻辑网及其在信息抽取中的应用

介绍Markov逻辑网的理论模型,阐述Markov逻辑网的结构和参数学习算法及2种基本类型的推理,从命名实体识别、实体关系抽取和实体解析3个方面总结Markov逻辑网在信息抽取中的应用现状。分析结果表明,Markov逻辑网模型能较好地将一阶谓词逻辑和概率图模型相结合,灵活地在Markov网中融入模块化知识,描述复杂的特征。

基于Markov逻辑网的句子压缩方法

提出了一种基于Markov逻辑网通过删除单词进行英文句子压缩的方法。通过一阶逻辑公式表示单词的局部特征以及单词之间的相互依赖关系,确定单词是否应该删除。与现有方法相比,该方法把判别式学习和整数规划的优点相结合,既融合了丰富的句子特征,又以逻辑公式方便地表示全局约束。在书面和口语两个新闻数据集上的实验结果表明:该方法与L3和SVTL系统相比具有明显优势,在压缩率接近时,以人工压缩结果为评测标准,压缩后句子的依存关系F-score有较大提高。

马尔可夫逻辑网络研究

马尔可夫逻辑网络是将马尔可夫网络与一阶逻辑相结合的一种统计关系学习模型,在自然语言处理、复杂网络、信息抽取等领域都有重要的应用前景.较为全面、深入地总结了马尔可夫逻辑网络的理论模型、推理、权重和结构学习,最后指出了马尔可夫逻辑网络未来的主要研究方向.

融合WordNet的无监督语义分析研究

应用机器学习方法处理机器阅读的相关任务是人工智能的长远目标,但通常需要大量的人工监督操作.研究一种无监督学习在机器阅读的一个主要任务-语义分析中的应用,这种无监督方法得益于统计关系学习统一框架-Markov逻辑网.鉴于该方法通过依存句法信息无法解析语义分析中普遍存在的反义词、词形变化等语言现象,该文融合WordNet进行改进,促进概念的抽取及合并,并将机器阅读的主要目标-问答作为评价手段,结果表明这种WordNet词典与无监督机器学习相结合的方法可更好地进行语义分析,并且问答正确率可提高至90.6%.

面向中文专利的开放式实体关系抽取研究

针对传统实体关系抽取需要预先指定关系类型和制定抽取规则等无法胜任大规模文本的情况,开放式信息抽取(Open Information Extraction,OIE)在以英语为代表的西方语言中取得了重大进展,但对于汉语的研究却显得不足。为此,研究了在组块层次标注基础上应用马尔可夫逻辑网分层次进行中文专利开放式实体关系抽取的方法。实验表明:以组块为出发点降低了对句子理解的难度,外层和内层组块可以统一处理,减少了工程代价;而且在相同特征条件下与支持向量机相比,基于马尔可夫逻辑网的关系抽取效果更理想,外层和内层识别结果的F值分别可达到77.92%和69.20%。

受限域汉语问答系统普适性理论与方法研究

主要完成人：余正涛、郭剑毅、毛存礼、线岩团、邹俊杰、吴则建、张宜浩 主要完成单位：昆明理工大学 该项目主要技术内容及发现点：1．提出了融合长距离依赖特征的Markov逻辑网中文命名实体识别方法和基于最大熵的领域实体关系的抽取方法，自动获取领域的实体及实体关系，为实现从非结构化领域文本中获取与组织领域知识提供理论与技术保障。