10、处理链接数据噪声与公式概率计算的研究探索

处理链接数据噪声与公式概率计算的研究探索

1. Markov逻辑网络在描述逻辑学习中的应用

在处理链接数据中普遍存在的噪声问题时，提出了一种通过Markov逻辑归纳学习描述逻辑包含公理的简单方法。在Markov逻辑网络（MLN）中，权重代表类描述（规则）的相对强度或重要性。权重越高，满足概念描述的世界与不满足的世界之间的对数概率差异就越大。在每一步，都会选择权重最高的概念描述。为了从每一步生成的候选者中选择最有前景的候选者，使用L - BFGS算法学习权重向量，这是一种适用于大规模优化的拟牛顿方法。当选择更具体的描述时，伪对数似然停止增加，迭代就会停止。

2. 实验设置与结果分析

2.1 实验评估指标与数据集

采用信息检索领域常用的评估指标，即精确率、召回率和F1分数。实验在两种类型的数据集上进行：
- 说明性数据集 ：重点分析该方法处理噪声的能力。选择DL - Learner示例中的一个小数据集，并对其进行小修改以展示噪声情况，因为在大数据集上难以说明这些情况。
- 真实世界本体 ：使用四个本体，即语义圣经本体、黏着本体、金融本体（从DL - Learner获得）和SC本体。

2.2 学习概念定义

为了展示在噪声情况下的性能，修改本体并分别添加两个正例father(anna)和father(heinz)，以对应错误和不完整的情况，构建了两个名为family_error和family_incomplete的本体。使用DL - Learner GUI（2010 - 08 - 07版本）和CELOE算法在默认设置下进行