馬爾可夫邏輯網(wǎng)在遷移學(xué)習(xí)與推薦系統(tǒng)中的應(yīng)用.pdf

1、如今信息的飛速增長，使得各種問題變得復(fù)雜和不確定，給問題的研究與解決途徑帶來了巨大的挑戰(zhàn)。一階邏輯可以很好地簡化問題，簡潔地表示知識，而概率圖模型能夠?qū)Σ淮_定性問題進行很好的處理；如何將一階邏輯與概率結(jié)合起來解決問題逐漸成為了人工智能領(lǐng)域研究的一個熱點。
　　統(tǒng)計關(guān)系學(xué)習(xí)是將一階邏輯與概率圖模型結(jié)合起來的機器學(xué)習(xí)方法，它與傳統(tǒng)的機器學(xué)習(xí)方法有所不同，它結(jié)合了一階邏輯、不確定性處理和機器學(xué)習(xí)，其主要是提煉關(guān)系數(shù)據(jù)中的“關(guān)系”，從而得

2、到相應(yīng)的似然模型。馬爾可夫邏輯網(wǎng)是一種較為特殊的統(tǒng)計關(guān)系學(xué)習(xí)模型，它將馬爾可夫網(wǎng)與一階邏輯知識庫很好地結(jié)合在一起。
　　傳統(tǒng)的統(tǒng)計方法都存在著對數(shù)據(jù)的規(guī)則化要求，如：數(shù)據(jù)獨立、同分布、結(jié)構(gòu)相似等。馬爾可夫邏輯網(wǎng)可以很好地彌補傳統(tǒng)方法的不足，它可以有效地從這些數(shù)據(jù)間找到關(guān)系結(jié)構(gòu)，并將這些關(guān)系與概率結(jié)合來表達更為有價值的信息。馬爾可夫邏輯網(wǎng)作為人工智能領(lǐng)域一個較新的研究熱點，已經(jīng)成功應(yīng)用到了文本分類、信息抽取、鏈接預(yù)測、普適計算等領(lǐng)域

3、。
　　本文重點研究了馬爾可夫邏輯網(wǎng)以及其在遷移學(xué)習(xí)與推薦系統(tǒng)中的應(yīng)用。主要工作歸納如下：
　?、賹W(xué)習(xí)Markov邏輯網(wǎng)相關(guān)理論
　　本文首先對馬爾可夫邏輯網(wǎng)的理論基礎(chǔ)進行了介紹，包括一階邏輯、概率圖模型、統(tǒng)計關(guān)系學(xué)習(xí)。然后研究了馬爾可夫邏輯網(wǎng)的基本概念，包括閉馬爾可夫邏輯網(wǎng)、三項假設(shè)以及馬爾可夫邏輯網(wǎng)與一階邏輯知識庫的相關(guān)性。最后，我們討論了馬爾可夫邏輯網(wǎng)的相關(guān)算法：權(quán)值學(xué)習(xí)與推理，并介紹了Alchemy軟件包。

4、r>　　②將Markov邏輯網(wǎng)應(yīng)用到遷移學(xué)習(xí)中
　　傳統(tǒng)的機器學(xué)習(xí)需要在充分的訓(xùn)練數(shù)據(jù)集之上來學(xué)習(xí)得到模型進行預(yù)測與評估，這使得新領(lǐng)域的學(xué)習(xí)與研究變得困難。遷移學(xué)習(xí)可以很好地用相似領(lǐng)域的知識來幫助新領(lǐng)域知識的學(xué)習(xí)。本文通過實驗實現(xiàn)兩個相似領(lǐng)域基于馬爾可夫邏輯網(wǎng)的遷移學(xué)習(xí)，實驗結(jié)果表明遷移學(xué)習(xí)與傳統(tǒng)的統(tǒng)計學(xué)習(xí)相比取得了更好的效果。
　?、蹖arkov邏輯網(wǎng)應(yīng)用到推薦系統(tǒng)中
　　推薦系統(tǒng)是指根據(jù)用戶已有的信息對用戶進行推