Markov逻辑网及其在社会网络中的应用研究

发布时间：2021-04-30 21:54

　　当今社会是网络信息时代,越来越多的社会网络关系数据被收集,从这些关系数据中发现有用的知识变的越来越重要。Markov逻辑网就是一种能有效处理关系型数据的模型。Markov逻辑网本质上是公式附加权值的一阶逻辑知识库,是模板化的Markov网：Markov逻辑网将领域知识引入Markov网,为大型Markov网提供一种简洁的描述语言,为一阶逻辑增加了不确定性处理能力；Markov逻辑网还可以作为很多统计关系学习任务的统一框架。本文对Markov逻辑网的学习方法及其在社会网络中的应用进行了研究。Markov逻辑网的学习包括结构学习和参数学习两个阶段。结构学习方面重点研究了Top-down与Bottom-up两种构建网络结构的策略,在参数学习方面可以采用判别式训练和最大伪后验概率估计等多种方法。在参数学习过程中,需要使用最优化算法（最速下降法、对角牛顿法等）与近似概率推理算法（MaxWalkSat算法、MC-SAT抽样法等）相结合的方式对模型的目标函数进行优化。本文对Markov逻辑网学习中的各种算法进行了组合比较,力求找出一种学习效率最高的组合方式。另外,本文还提出了一种量化共轭梯度最优化方... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 Markov逻辑网研究现状
        1.2.2 社会网络分析研究现状
    1.3 社会网络数据的特点和分析任务
        1.3.1 社会网络数据的特点
        1.3.2 社会网络分析的任务
    1.4 本文主要研究内容
    1.5 论文组织结构
2 Markov逻辑网的基本概念
    2.1 一阶逻辑
        2.1.1 基本概念
        2.1.2 一阶逻辑知识库
    2.2 Markov网
        2.2.1 Markov网基本概念
        2.2.2 Markov网
    2.3 Markov逻辑网
        2.3.1 基本概念
        2.3.2 闭Markov逻辑网的概率分布
        2.3.3 构造闭Markov逻辑网
        2.3.4 Markov逻辑网的基本假设
    2.4 Markov逻辑网与一阶知识库
    2.5 本章小结
3 推理
    3.1 推理最可能世界
    3.2 计算条件概率
        3.2.1 推理中构造最小闭网络
        3.2.2 处理确定依赖性
    3.3 本章小结
4 Markov逻辑网参数学习
    4.1 产生式参数学习
    4.2 判别式参数学习
    4.3 最优化方法
        4.3.1 对角牛顿(Diagonal Newton)
        4.3.2 量化共轭梯度(Scaled Conjugate Gradient)
    4.4 本章小结
5 Markov逻辑网结构学习
    5.1 Top-down结构学习
        5.1.1 评价
        5.1.2 操作
        5.1.3 搜索
    5.2 Bottom-up结构学习
        5.2.1 构造TNode
        5.2.2 添加边
        5.2.3 子句搜索
    5.3 本章小结
6 实验
    6.1 数据集
    6.2 实验总体设计
    6.3 结构学习
        6.3.1 BUSL结构学习算法实现
        6.3.2 几种结构学习算法比较
    6.4 参数学习
        6.4.1 最速下降法
        6.4.2 对角牛顿法
        6.4.3 量化共轭梯度法
        6.4.4 一维搜索方法
    6.5 推理
    6.6 实验结果
    6.7 结果分析
    6.8 本章小结
7 总结与展望
    7.1 论文总结
    7.2 论文展望
参考文献
学位论文数据集



本文编号：3169545