统计关系学习的若干问题研究

论文摘要

统计关系学习,集数据的一阶逻辑或关系表示、不确定性处理和机器学习于一体,其目的是挖掘关系数据中的似然模型。本文对统计关系学习进行了研究,主要研究内容包括:(1)根据似然关系模型的不同,将统计关系学习方法分为四类,并对统计关系学习方法的研究进行了全面的综述;(2)提出了一种基于Bayesian方法的Markov逻辑网的最大伪后验估计参数学习方法;(3)研究了基于关系Markov网的分类方法,并比较了基于Markov网的两个SRL方法——关系Markov网与Markov逻辑网,得出了二者本质相同的结论;(4)给出了背景格的若干性质,并严格证明了背景格的完备性;(6)严格证明了单链接情况下为多agent分配网络资源时纳什均衡的存在性,提出了一个纳什均衡的搜索算法,较以往算法缩小了搜索空间的规模。本文的研究结果对统计关系学习的研究很有理论意义和应用价值。

论文目录

• 第一章 绪论
• 1.1 数据挖掘
• 1.1.1 数据挖掘概念
• 1.1.2 数据挖掘流程
• 1.1.3 数据挖掘任务
• 1.2 统计关系学习（多关系数据挖掘）
• 1.2.1 传统数据挖掘与多关系数据挖掘
• 1.2.2 统计关系学习概念
• 1.2.3 统计关系学习方法分类
• 1.3 统计关系学习的应用
• 1.3.1 应用领域
• 1.3.2 统计关系学习与博弈论
• 1.4 本文工作
• 第二章 统计关系学习方法及研究现状
• 2.1 基于Bayesian网的统计关系学习方法
• 2.1.1 一阶Bayesian逻辑（PLP）
• 2.1.2 似然关系模型（PRM）
• 2.2 基于Markov网的统计关系学习方法
• 2.2.1 Markov逻辑网（MLN）
• 2.2.2 关系Markov网（RMN）
• 2.3 基于随机文法的统计关系学习方法
• 2.3.1 随机逻辑程序（SLP）
• 2.3.2 PRISM
• 2.4 基于（隐）Markov模型的统计关系学习方法
• 2.4.1 关系Markov模型（RMM）
• 2.4.2 逻辑隐Markov模型（LOHMM）
• 第三章 Markov逻辑网的概念与特性
• 3.1 一阶逻辑
• 3.1.1 基本概念
• 3.1.2 一阶逻辑知识库
• 3.2 Markov网
• 3.2.1 Markov随机场
• 3.2.2 Gibbs随机场与Markov随机场
• 3.2.3 Markov网
• 3.3 Markov逻辑网
• 3.3.1 基于图模型的SRL方法
• 3.3.2 Markov逻辑网
• 3.4 闭Markov逻辑网
• 3.4.1 构造闭Markov逻辑网
• 3.4.2 闭Markov逻辑网的概率分布
• 3.5 Markov逻辑网的基本假设
• 3.6 Markov逻辑网与一阶逻辑知识库
• 3.7 小结
• 第四章 Markov逻辑网的参数学习研究
• 4.1 引言
• 4.2 完备数据的参数学习方法
• 4.2.1 最大似然估计MLE方法
• 4.2.2 Bayesian方法
• 4.2.3 MLE方法与Bayesian方法的比较
• 4.3 Markov逻辑网的参数学习
• 4.3.1 相关工作
• 4.3.1.1 最大伪似然估计方法
• 4.3.1.2 判别训练方法
• 4.3.2 最大伪后验估计方法
• 4.3.2.1 算法设计
• 4.3.2.2 实验结果
• 4.4 小结
• 第五章 基于关系Markov网的分类方法研究
• 5.1 分类问题及相关研究
• 5.1.1 分类问题概述
• 5.1.2 常用的分类方法
• 5.2 关系数据的分类问题
• 5.2.1 关系数据描述框架
• 5.2.2 关系分类器
• 5.2.2.1 非一致模型
• 5.2.2.2 一致模型
• 5.3 基于关系Markov网的分类方法
• 5.3.1 条件Markov网
• 5.3.2 关系Markov网模型
• 5.3.3 关系Markov网的应用
• 5.4 关系Markov网与Markov逻辑网
• 5.5 小结
• 第六章 基于背景格的知识表示方法研究
• 6.1 引言
• 6.2 背景格的概念与若干性质
• 6.2.1 认知世界的背景
• 6.2.2 背景格的概念
• 6.2.3 背景格的若干性质
• 6.3 背景格的完备性证明
• 6.4 背景格的实例
• 6.5 小结
• 第七章 多关系Web挖掘与博弈论研究
• 7.1 Web挖掘与博弈论
• 7.1.1 博弈论与纳什均衡
• 7.2 网络资源分配中的纳什均衡
• 7.2.1 问题描述
• 7.2.2 纳什均衡的存在性证明
• 7.3 纳什均衡的计算
• 7.3.1 标记
• 7.3.2 算法描述
• 7.3.3 算法评估
• 7.4 小结
• 参考文献
• 攻读博士学位期间发表的论文
• 致谢
• 摘要
• Abstract