馬爾可夫邏輯網(wǎng)在遷移學習與推薦系統(tǒng)中的應用.pdf

1、如今信息的飛速增長，使得各種問題變得復雜和不確定，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，而概率圖模型能夠對不確定性問題進行很好的處理；如何將一階邏輯與概率結合起來解決問題逐漸成為了人工智能領域研究的一個熱點。
　　統(tǒng)計關系學習是將一階邏輯與概率圖模型結合起來的機器學習方法，它與傳統(tǒng)的機器學習方法有所不同，它結合了一階邏輯、不確定性處理和機器學習，其主要是提煉關系數(shù)據(jù)中的“關系”，從而得

2、到相應的似然模型。馬爾可夫邏輯網(wǎng)是一種較為特殊的統(tǒng)計關系學習模型，它將馬爾可夫網(wǎng)與一階邏輯知識庫很好地結合在一起。
　　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、結構相似等。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)間找到關系結構，并將這些關系與概率結合來表達更為有價值的信息。馬爾可夫邏輯網(wǎng)作為人工智能領域一個較新的研究熱點，已經(jīng)成功應用到了文本分類、信息抽取、鏈接預測、普適計算等領域

3、。
　　本文重點研究了馬爾可夫邏輯網(wǎng)以及其在遷移學習與推薦系統(tǒng)中的應用。主要工作歸納如下：
　　①學習Markov邏輯網(wǎng)相關理論
　　本文首先對馬爾可夫邏輯網(wǎng)的理論基礎進行了介紹，包括一階邏輯、概率圖模型、統(tǒng)計關系學習。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)、三項假設以及馬爾可夫邏輯網(wǎng)與一階邏輯知識庫的相關性。最后，我們討論了馬爾可夫邏輯網(wǎng)的相關算法：權值學習與推理，并介紹了Alchemy軟件包。

4、r>　?、趯arkov邏輯網(wǎng)應用到遷移學習中
　　傳統(tǒng)的機器學習需要在充分的訓練數(shù)據(jù)集之上來學習得到模型進行預測與評估，這使得新領域的學習與研究變得困難。遷移學習可以很好地用相似領域的知識來幫助新領域知識的學習。本文通過實驗實現(xiàn)兩個相似領域基于馬爾可夫邏輯網(wǎng)的遷移學習，實驗結果表明遷移學習與傳統(tǒng)的統(tǒng)計學習相比取得了更好的效果。
　　③將Markov邏輯網(wǎng)應用到推薦系統(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