發(fā)布時(shí)間：2021-04-30 21:54

　　當(dāng)今社會(huì)是網(wǎng)絡(luò)信息時(shí)代,越來越多的社會(huì)網(wǎng)絡(luò)關(guān)系數(shù)據(jù)被收集,從這些關(guān)系數(shù)據(jù)中發(fā)現(xiàn)有用的知識(shí)變的越來越重要。Markov邏輯網(wǎng)就是一種能有效處理關(guān)系型數(shù)據(jù)的模型。Markov邏輯網(wǎng)本質(zhì)上是公式附加權(quán)值的一階邏輯知識(shí)庫(kù),是模板化的Markov網(wǎng)：Markov邏輯網(wǎng)將領(lǐng)域知識(shí)引入Markov網(wǎng),為大型Markov網(wǎng)提供一種簡(jiǎn)潔的描述語(yǔ)言,為一階邏輯增加了不確定性處理能力；Markov邏輯網(wǎng)還可以作為很多統(tǒng)計(jì)關(guān)系學(xué)習(xí)任務(wù)的統(tǒng)一框架。本文對(duì)Markov邏輯網(wǎng)的學(xué)習(xí)方法及其在社會(huì)網(wǎng)絡(luò)中的應(yīng)用進(jìn)行了研究。Markov邏輯網(wǎng)的學(xué)習(xí)包括結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)兩個(gè)階段。結(jié)構(gòu)學(xué)習(xí)方面重點(diǎn)研究了Top-down與Bottom-up兩種構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)的策略,在參數(shù)學(xué)習(xí)方面可以采用判別式訓(xùn)練和最大偽后驗(yàn)概率估計(jì)等多種方法。在參數(shù)學(xué)習(xí)過程中,需要使用最優(yōu)化算法（最速下降法、對(duì)角牛頓法等）與近似概率推理算法（MaxWalkSat算法、MC-SAT抽樣法等）相結(jié)合的方式對(duì)模型的目標(biāo)函數(shù)進(jìn)行優(yōu)化。本文對(duì)Markov邏輯網(wǎng)學(xué)習(xí)中的各種算法進(jìn)行了組合比較,力求找出一種學(xué)習(xí)效率最高的組合方式。另外,本文還提出了一種量化共軛梯度最優(yōu)化方... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 Markov邏輯網(wǎng)研究現(xiàn)狀
        1.2.2 社會(huì)網(wǎng)絡(luò)分析研究現(xiàn)狀
    1.3 社會(huì)網(wǎng)絡(luò)數(shù)據(jù)的特點(diǎn)和分析任務(wù)
        1.3.1 社會(huì)網(wǎng)絡(luò)數(shù)據(jù)的特點(diǎn)
        1.3.2 社會(huì)網(wǎng)絡(luò)分析的任務(wù)
    1.4 本文主要研究?jī)?nèi)容
    1.5 論文組織結(jié)構(gòu)
2 Markov邏輯網(wǎng)的基本概念
    2.1 一階邏輯
        2.1.1 基本概念
        2.1.2 一階邏輯知識(shí)庫(kù)
    2.2 Markov網(wǎng)
        2.2.1 Markov網(wǎng)基本概念
        2.2.2 Markov網(wǎng)
    2.3 Markov邏輯網(wǎng)
        2.3.1 基本概念
        2.3.2 閉Markov邏輯網(wǎng)的概率分布
        2.3.3 構(gòu)造閉Markov邏輯網(wǎng)
        2.3.4 Markov邏輯網(wǎng)的基本假設(shè)
    2.4 Markov邏輯網(wǎng)與一階知識(shí)庫(kù)
    2.5 本章小結(jié)
3 推理
    3.1 推理最可能世界
    3.2 計(jì)算條件概率
        3.2.1 推理中構(gòu)造最小閉網(wǎng)絡(luò)
        3.2.2 處理確定依賴性
    3.3 本章小結(jié)
4 Markov邏輯網(wǎng)參數(shù)學(xué)習(xí)
    4.1 產(chǎn)生式參數(shù)學(xué)習(xí)
    4.2 判別式參數(shù)學(xué)習(xí)
    4.3 最優(yōu)化方法
        4.3.1 對(duì)角牛頓(Diagonal Newton)
        4.3.2 量化共軛梯度(Scaled Conjugate Gradient)
    4.4 本章小結(jié)
5 Markov邏輯網(wǎng)結(jié)構(gòu)學(xué)習(xí)
    5.1 Top-down結(jié)構(gòu)學(xué)習(xí)
        5.1.1 評(píng)價(jià)
        5.1.2 操作
        5.1.3 搜索
    5.2 Bottom-up結(jié)構(gòu)學(xué)習(xí)
        5.2.1 構(gòu)造TNode
        5.2.2 添加邊
        5.2.3 子句搜索
    5.3 本章小結(jié)
6 實(shí)驗(yàn)
    6.1 數(shù)據(jù)集
    6.2 實(shí)驗(yàn)總體設(shè)計(jì)
    6.3 結(jié)構(gòu)學(xué)習(xí)
        6.3.1 BUSL結(jié)構(gòu)學(xué)習(xí)算法實(shí)現(xiàn)
        6.3.2 幾種結(jié)構(gòu)學(xué)習(xí)算法比較
    6.4 參數(shù)學(xué)習(xí)
        6.4.1 最速下降法
        6.4.2 對(duì)角牛頓法
        6.4.3 量化共軛梯度法
        6.4.4 一維搜索方法
    6.5 推理
    6.6 實(shí)驗(yàn)結(jié)果
    6.7 結(jié)果分析
    6.8 本章小結(jié)
7 總結(jié)與展望
    7.1 論文總結(jié)
    7.2 論文展望
參考文獻(xiàn)
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3169545