基于馬爾科夫邏輯網(wǎng)絡(luò)的實體解析技術(shù)研究及系統(tǒng)實現(xiàn).pdf

1、現(xiàn)實中碰到的人工智能問題，往往面臨兩方面挑戰(zhàn)，即處理復(fù)雜性和不確定性問題。如何較好地同時處理這兩方面問題，一直以來是人工智能界的核心問題之一。馬爾科夫邏輯網(wǎng)絡(luò)的提出正是為了滿足這兩方面的需求。馬爾科夫邏輯網(wǎng)絡(luò)是將一階謂詞邏輯與概率圖模型相結(jié)合，以獲取關(guān)系數(shù)據(jù)中的似然模型。當前，國際人工智能界普遍公認MLNs是一種簡單且較完美地結(jié)合一階謂詞邏輯和概率圖模型的邏輯結(jié)構(gòu)表達方式，具有重要的研究價值和廣闊的應(yīng)用前景，已成為人工智能、機器學習、數(shù)

2、據(jù)挖掘等領(lǐng)域的研究熱點。
　　 本文重點研究了馬爾科夫邏輯網(wǎng)絡(luò)的理論體系，同時詳細介紹了基于馬爾科夫邏輯網(wǎng)絡(luò)的實體解析算法及其改進算法，并且討論了其系統(tǒng)實現(xiàn)。
　　 主要工作如下：
　　 (1)詳細的剖析了馬爾科夫邏輯網(wǎng)絡(luò)的理論體系，包括馬爾科夫邏輯網(wǎng)絡(luò)的定義、馬爾科夫邏輯網(wǎng)絡(luò)中最大可能性問題、條件概率和邊緣概率、參數(shù)學習、結(jié)構(gòu)學習；
　　 (2)描述了基于馬爾科夫邏輯網(wǎng)絡(luò)的實體解析模型。它在原有的一階邏

3、輯體系中引入了等價謂詞，從而移除了“名字唯一性”假設(shè)。隨后根據(jù)引入的等價謂詞定義了在馬爾科夫邏輯網(wǎng)絡(luò)中實體解析問題的形式化表示。隨后，簡單介紹了Fellegi—Sunter實體解析模型，在馬爾科夫邏輯網(wǎng)絡(luò)體系中改進此模型得到了基于馬爾科夫邏輯網(wǎng)絡(luò)的實體解析系統(tǒng)，最后描述了該問題的求解思路與實際做法。
　　 (3)提出了基于馬爾科夫邏輯網(wǎng)絡(luò)的實體解析改進算法，并且通過實驗驗證了該算法的有效性。首先，分析了原有的馬爾科夫邏輯網(wǎng)絡(luò)的實

4、體解析系統(tǒng)的功能缺陷。隨后，通過引入一個新的規(guī)則來實現(xiàn)算法改進。然而，新規(guī)則和原有的規(guī)則具有矛盾性，又由于區(qū)別式訓練學習權(quán)重的方式并沒有考慮規(guī)則的矛盾性，所以在得到的權(quán)重基礎(chǔ)上，必須重新調(diào)整權(quán)重。本章賦予新權(quán)重一個額外的系數(shù)κ，當規(guī)則涉及的是一對一關(guān)系則系數(shù)κ取值為1，否則取值為小于1的正實數(shù)。實驗證明，如果κ代表的是非一對一關(guān)系時，通常，當取值小于0.7的情況下，均可提高原始算法的識別精度。當κ在0.3到0.45范圍時，二義性實體識別