首页> 中文学位 >基于概率软逻辑改进的多层次分析和推理模型
【6h】

基于概率软逻辑改进的多层次分析和推理模型

代理获取

目录

声明

1绪论

1.1背景

1.2研究现状

1.2.1 SRL相关现状

1.2.2 PSL研究现状

1.2.3分析

1.3问题归纳

1.4研究目标

1.5研究目的

1.6本文贡献

1.7研究方法

1.8本文结构

2知识基础

2.1概率软逻辑

2.1.1 PSL语法

2.1.2 PSL语义学

2.1.3 PSL推理

2.1.4 PSL权重学习

2.2知识图谱

2.2.1自然语言处理

2.2.2构建知识图谱

2.3本章小结

3试点实验

3.1.1问题设置

3.1.2数据

3.2异常活动识别模型构建

3.3实验

3.3.1多层次和非层次方法对比

3.3.2 PSL和HMM对比试验

3.4本章小结

4 PSL规则自动学习初探

4.1概述

4.2规则半自动学习的概率软逻辑模型

4.2.1规则提取模型

4.2.2规则优化模型

4.2.3人工规则

4.3实验

4.3.1数据

4.3.2准备工作

4.3.3实验结果

4.3.4补充实验

4.4本章小结

5规则自动学习的多层次概率软逻辑推理模型

5.1数据形式

5.2开放世界假定

5.3 AMIE+

5.3.1规则评价标准

5.3.2算法

5.4模型构建

5.4.1模型结构

5.4.2规则学习模型

5.4.3规则优化模型

5.4.4推理模型

5.5.1数据

5.5.2评估方法

5.5.3实验设置

5.5.4实验结果

5.6小结与分析

6总结与讨论

6.1总结

6.2后续工作

致谢

参考文献

攻读硕士学位期间发表的学术论文及研究成果

展开▼

摘要

人工智能领域的大量问题所对应的数据都存在结构复杂,规模巨大等特点,从社交网络到知识图谱,再到图像,视频以及自然语言处理皆是如此,因此我们需要一款既能够有效地应对问题的不确定性,又能够用简洁的描述表达复杂结构信息的工具,概率软逻辑(Probabilistic Soft Logic,PSL)的出现很大程度上满足了这一要求。它整合了一阶逻辑和概率模型,让用户可以使用像自然语言般的逻辑规则对结构化数据进行建模和推理。目前,PSL已经被应用到诸如集体分类,链路预测,本体对齐,个性化医学,社会网络建模、知识图谱和文本情感分析等多个领域。  然而在实践中,PSL主要存在两方面困境:1)随着规则数量以及规则复杂度的增大,PSL的推理性能会随之急剧下降;2)PSL需要人为给出大量的常识和领域知识作为其规则确立的先决条件,这些知识的获取往往非常昂贵并且其中包含的不正确的信息可能会降低推理的正确性。  为了缓解以上困境,本文分别从规则的运行条理以及规则本身的构建方式入手来构建模型,本文的主要工作包含三个方面:1)使用多层次推理方法调整PSL规则的运行结构,将所有规则同时运行的方式改变为分层次运行,提升了模型的推理性能;2)使用决策树算法构建PSL模型的规则自动挖掘模块,让PSL具备处理分类或预测问题的能力;3)进一步改进PSL,通过引入AMIE+算法,使PSL具备从复杂的知识图谱数据中挖掘规则并用其进行新知识发现的能力。通过在多个不同的领域数据上的实验表明,本文所提出的方法可行且性能较优。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号