基于馬爾科夫邏輯網絡的實體解析技術研究及系統(tǒng)實現.pdf

1、現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。馬爾科夫邏輯網絡的提出正是為了滿足這兩方面的需求。馬爾科夫邏輯網絡是將一階謂詞邏輯與概率圖模型相結合，以獲取關系數據中的似然模型。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合一階謂詞邏輯和概率圖模型的邏輯結構表達方式，具有重要的研究價值和廣闊的應用前景，已成為人工智能、機器學習、數

2、據挖掘等領域的研究熱點。
　　 本文重點研究了馬爾科夫邏輯網絡的理論體系，同時詳細介紹了基于馬爾科夫邏輯網絡的實體解析算法及其改進算法，并且討論了其系統(tǒng)實現。
　　 主要工作如下：
　　 (1)詳細的剖析了馬爾科夫邏輯網絡的理論體系，包括馬爾科夫邏輯網絡的定義、馬爾科夫邏輯網絡中最大可能性問題、條件概率和邊緣概率、參數學習、結構學習；
　　 (2)描述了基于馬爾科夫邏輯網絡的實體解析模型。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。隨后根據引入的等價謂詞定義了在馬爾科夫邏輯網絡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，在馬爾科夫邏輯網絡體系中改進此模型得到了基于馬爾科夫邏輯網絡的實體解析系統(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絡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絡的實

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)別式訓練學習權重的方式并沒有考慮規(guī)則的矛盾性，所以在得到的權重基礎上，必須重新調整權重。本章賦予新權重一個額外的系數κ，當規(guī)則涉及的是一對一關系則系數κ取值為1，否則取值為小于1的正實數。實驗證明，如果κ代表的是非一對一關系時，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