基于马尔科夫逻辑网络的实体解析技术研究及系统实现

摘要

现实中碰到的人工智能问题，往往面临两方面挑战，即处理复杂性和不确定性问题。如何较好地同时处理这两方面问题，一直以来是人工智能界的核心问题之一。马尔科夫逻辑网络的提出正是为了满足这两方面的需求。马尔科夫逻辑网络是将一阶谓词逻辑与概率图模型相结合，以获取关系数据中的似然模型。当前，国际人工智能界普遍公认MLNs是一种简单且较完美地结合一阶谓词逻辑和概率图模型的逻辑结构表达方式，具有重要的研究价值和广阔的应用前景，已成为人工智能、机器学习、数据挖掘等领域的研究热点。
　　 本文重点研究了马尔科夫逻辑网络的理论体系，同时详细介绍了基于马尔科夫逻辑网络的实体解析算法及其改进算法，并且讨论了其系统实现。
　　 主要工作如下：
　　 (1)详细的剖析了马尔科夫逻辑网络的理论体系，包括马尔科夫逻辑网络的定义、马尔科夫逻辑网络中最大可能性问题、条件概率和边缘概率、参数学习、结构学习；
　　 (2)描述了基于马尔科夫逻辑网络的实体解析模型。它在原有的一阶逻辑体系中引入了等价谓词，从而移除了“名字唯一性”假设。随后根据引入的等价谓词定义了在马尔科夫逻辑网络中实体解析问题的形式化表示。随后，简单介绍了Fellegi—Sunter实体解析模型，在马尔科夫逻辑网络体系中改进此模型得到了基于马尔科夫逻辑网络的实体解析系统，最后描述了该问题的求解思路与实际做法。
　　 (3)提出了基于马尔科夫逻辑网络的实体解析改进算法，并且通过实验验证了该算法的有效性。首先，分析了原有的马尔科夫逻辑网络的实体解析系统的功能缺陷。随后，通过引入一个新的规则来实现算法改进。然而，新规则和原有的规则具有矛盾性，又由于区别式训练学习权重的方式并没有考虑规则的矛盾性，所以在得到的权重基础上，必须重新调整权重。本章赋予新权重一个额外的系数κ，当规则涉及的是一对一关系则系数κ取值为1，否则取值为小于1的正实数。实验证明，如果κ代表的是非一对一关系时，通常，当取值小于0.7的情况下，均可提高原始算法的识别精度。当κ在0.3到0.45范围时，二义性实体识别精度最高，总体实体解析精度也最高。
　　 (4)介绍了系统的架构、实现及使用。最后在第六章做了总结，并且展望基于马尔科夫逻辑网络的实体解析技术，以及马尔科夫逻辑网络理论体系本身的未来。

目录

文摘

英文文摘

论文说明：图表目录

第1章 绪论

1.1课题背景

1.1.1简介

1.1.2实体解析的概念与内容

1.2马尔科夫逻辑网络在国内外研究进展

1.3本文主要研究内容

1.4本章小结

第2章 马尔科夫逻辑网络综述

2.1马尔科夫网络

2.2一阶逻辑

2.3马尔科夫逻辑网络

2.4马尔科夫逻辑网络的推理

2.4.1最大可能性推理

2.4.2边缘概率和条件概率

2.5马尔科夫逻辑网络的学习

2.5.1结构学习

2.5.2参数学习

2.6本章小结

第3章 基于马尔科夫逻辑网络的实体解析算法

3.1等价谓词

3.2基于马尔科夫逻辑网络的实体解析问题的形式化表示法

3.3域的比较

3.4 Fellegi-Sunter模型

3.5关系模型

3.6基于关系模型的推理

3.7本章小结

第4章 基于马尔科夫逻辑网络的实体解析改进算法

4.1原始算法存在的问题

4.2引入新规则

4.3新规则的权重

4.4改进原始算法

4.5实验结果及分析

4.5.1实验及实验结果

4.5.2实验结果分析

4.5.3未来工作

4.6本章小结

第5章 系统架构、实现与使用

5.1需求分析

5.2架构设计

5.3主要类与数据结构

5.4系统使用说明

5.4.1规则的表示

5.4.2输入文件

5.4.3学习权重

5.4.4进行推理

5.5本章小结

第6章 总结与展望

6.1总结

6.2展望

参考文献

攻读硕士学位期间主要的研究成果

致谢