基于正则化稀疏的谓词发现问题及研究

摘要

归纳逻辑编程(Inductive Logic Programming，ILP)是指在受限制的一阶逻辑框架中进行归纳推理。归纳逻辑编程中一个重要问题是在给定词汇不足的情况下如何扩展假设语言(Hypothesis Language)。解决该问题的一种方法是通过引入新的谓词使其与给定的词汇相适应。将有用的或有希望有用的新谓词引入到逻辑理论框架中的方法称作谓词发现(Predicate Invention，PI)。在统计关系学习领域，谓词发现又称为隐藏变量发现或潜在变量发现。无论是谓词发现还是隐藏变量发现，在各自的领域都被认为是十分重要的问题，但同时也非常困难，迄今为止研究上取得的进展有限。
　　通常的谓词发现方法是重写一组紧密相关的规则将共同发现的谓词作“子例程”，通过这种方式将新的谓词引入逻辑理论当中。谓词发现之所以困难是因为如果程序在执行的过程中使用了一个表达不当的新谓词，可能会导致错误级联。直到软谓词发现方法的提出才有效解决这一问题，但该方法的实验性能并不理想。
　　本文提出了基于正则化稀疏的谓词发现方法，它主要在一阶可扩展的逻辑平台ProPPR(Programming with Personalized PageRank)上，通过引入正则化稀疏模型进行谓词发现，以此提高谓词发现的效率。基于正则化稀疏的谓词发现方法并不明确地创建新谓词，而是通过使用正则化稀疏的方式将它们的参数一起正则化，从而隐式地组合紧密相关的规则。另外，本文着重研究了弹性网这一正则化稀疏模型对软谓词发现方法的影响。本文提出的方法能够有效克服错误级联这一难题，通过实验表明该方法不但可以提高谓词发现的平均精准度，而且还可以缩短知识库的查询时间。

目录

声明

摘要

插图目录

表格目录

第一章 绪论

1．1 研究背景

1．2 研究现状

1．2．1 基于ILP的谓词发现方法

1．2．2 基于ILP的谓词发现系统评估

1．2．3 基于ILP谓词发现方法的缺点

1．2．4 基于统计学习的谓词发现方法

1．2．5 谓词发现的其它方法

1．2．6 小结

1．3 本文工作

1．4 论文组织结构

第二章 知识背景

2．1 以图搜索的方式进行逻辑推理

2．2 PageRank算法

2．2．1 PageRank算法

2．2．2 PageRank算法的优缺点

2．3 个性化PageRank算法

2．4 ProPPR

2．4．1 ProPPR简介

2．4．2 ProPPR的特点

2．5 CHAMP

2．6 正则化稀疏

2．6．1 正则化稀疏的提出

2．6．2 正则化的作用

2．6．3 稀疏性的作用

2．5．4 常见的正则化项

2．7 本章小结

第三章 基于正则化稀疏的谓词发现的分析与改进

3．1 基于正则化稀疏的谓词发现方法

3．1．1 研究目标

3．1．2 元素正则化

3．1．3 结构化图拉普拉斯正则化

3．1．4 基于组Lasso的正则化稀疏

3．2 基于正则化稀疏改进的谓词发现方法

3．2．1 弹性网的知识背景

3．2．2 弹性网

3．3 本章小结

第四章 实验

4．1 实验数据集

4．2 实验目标

4．3 实验方法

4．4 实验与分析

4．4．2 α值选择

4．4．3 知识库完善实验

4．4．4 实验结果

4．5 本章小结

第五章 总结与展望

5．1 总结

5．2 未来展望

致谢

参考文献