當今社會是網絡信息時代,越來越多的社會網絡關系數據被收集,從這些關系數據中發(fā)現有用的知識變的越來越重要。Markov邏輯網就是一種能有效處理關系型數據的模型。Markov邏輯網本質上是公式附加權值的一階邏輯知識庫,是模板化的Markov網：Markov邏輯網將領域知識引入Markov網,為大型Markov網提供一種簡潔的描述語言,為一階邏輯增加了不確定性處理能力；Markov邏輯網還可以作為很多統計關系學習任務的統一框架。本文對Markov邏輯網的學習方法及其在社會網絡中的應用進行了研究。Markov邏輯網的學習包括結構學習和參數學習兩個階段。結構學習方面重點研究了Top-down與Bottom-up兩種構建網絡結構的策略,在參數學習方面可以采用判別式訓練和最大偽后驗概率估計等多種方法。在參數學習過程中,需要使用最優(yōu)化算法（最速下降法、對角牛頓法等）與近似概率推理算法（MaxWalkSat算法、MC-SAT抽樣法等）相結合的方式對模型的目標函數進行優(yōu)化。本文對Markov邏輯網學習中的各種算法進行了組合比較,力求找出一種學習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】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數】：89 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究現狀
        1.2.1 Markov邏輯網研究現狀
        1.2.2 社會網絡分析研究現狀
    1.3 社會網絡數據的特點和分析任務
        1.3.1 社會網絡數據的特點
        1.3.2 社會網絡分析的任務
    1.4 本文主要研究內容
    1.5 論文組織結構
2 Markov邏輯網的基本概念
    2.1 一階邏輯
        2.1.1 基本概念
        2.1.2 一階邏輯知識庫
    2.2 Markov網
        2.2.1 Markov網基本概念
        2.2.2 Markov網
    2.3 Markov邏輯網
        2.3.1 基本概念
        2.3.2 閉Markov邏輯網的概率分布
        2.3.3 構造閉Markov邏輯網
        2.3.4 Markov邏輯網的基本假設
    2.4 Markov邏輯網與一階知識庫
    2.5 本章小結
3 推理
    3.1 推理最可能世界
    3.2 計算條件概率
        3.2.1 推理中構造最小閉網絡
        3.2.2 處理確定依賴性
    3.3 本章小結
4 Markov邏輯網參數學習
    4.1 產生式參數學習
    4.2 判別式參數學習
    4.3 最優(yōu)化方法
        4.3.1 對角牛頓(Diagonal Newton)
        4.3.2 量化共軛梯度(Scaled Conjugate Gradient)
    4.4 本章小結
5 Markov邏輯網結構學習
    5.1 Top-down結構學習
        5.1.1 評價
        5.1.2 操作
        5.1.3 搜索
    5.2 Bottom-up結構學習
        5.2.1 構造TNode
        5.2.2 添加邊
        5.2.3 子句搜索
    5.3 本章小結
6 實驗
    6.1 數據集
    6.2 實驗總體設計
    6.3 結構學習
        6.3.1 BUSL結構學習算法實現
        6.3.2 幾種結構學習算法比較
    6.4 參數學習
        6.4.1 最速下降法
        6.4.2 對角牛頓法
        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 實驗結果
    6.7 結果分析
    6.8 本章小結
7 總結與展望
    7.1 論文總結
    7.2 論文展望
參考文獻
學位論文數據集



本文編號：3169545