基于馬爾科夫邏輯網的領域知識學習與更新技術研究.pdf

1、知識發(fā)現(xiàn)自提出以后，一直是學術界和應用領域關注的焦點，但面對著如今日益復雜的領域應用環(huán)境，現(xiàn)有的研究方法多基于統(tǒng)計學習，常常忽略了領域知識間的關系以及領域知識隨著時間的變化，在應用效果方面往往差強人意。如何準確把握領域知識間的統(tǒng)計關系，進行正確的領域知識學習與領域知識更新，成為領域知識研究的一個難點。近幾年，隨著統(tǒng)計關系學習研究的興起，結合概率圖模型和一階邏輯理論的馬爾科夫邏輯網為研究者們所提出，并成功的應用于自然語言處理、機器學習、社

2、會關系分析等領域中。在這種背景下，本文采用馬爾科夫邏輯網，結合領域分類數(shù)據(jù)集，構建了領域知識庫，進行了其在領域知識學習與更新技術中的探索研究。
　　本文的具體研究內容及研究成果如下：
　　(1)本文首先介紹了傳統(tǒng)方法中的SVM進行本文的領域知識分類學習，然后提出一種基于馬爾科夫邏輯網的領域知識學習技術。該技術在傳統(tǒng)方法的基礎上，引入了一階邏輯來表示領域知識間的關系，使得領域知識的學習效果更佳突出。本文設置了兩組實驗進行了對比

3、，最終發(fā)現(xiàn)基于馬爾科夫邏輯網的領域分類知識學習效果要平均高于另一種5~6個百分點。
　　(2)在領域知識更新方面，面對本文的領域任務——文本分類，結合傳統(tǒng)的3種知識更新策略，提出基于特征詞庫增量學習的領域知識更新技術，并進行了3種策略的對比實驗與分析，驗證了其有效性與可行性。
　　(3)針對傳統(tǒng)方法在進行領域知識更新時的不足——沒有考慮領域知識間的關系，延伸馬爾科夫邏輯網在領域知識學習中的應用，并結合增量式知識學習策略，提出