基于马尔可夫逻辑网的关联规则迁移学方法

摘要

本发明涉及一种基于马尔可夫逻辑网的关联规则迁移学方法，从源领域到目标领域迁移MLN结构的算法主要分为两个部分：首先，将源领域中的MLN结构与目标领域进行映射，建立两个领域之间的关联；然后，对映射得到的结构进行优化以适应目标领域的指标，该方法的效果是，不仅可以简洁明了地描述庞大的Markov网，而且还可以灵活地在Markov网中融入模块化知识；并且能够容忍知识域中存在不完整性和矛盾性；提高了算法速度；可以通过限制用于更新的子句数量和限制每个子句的更新类型，来约束搜索空间。

主权项

一种基于马尔可夫逻辑网的关联规则迁移学习方法，从源领域到目标领域迁移MLN结构的算法主要分为两个部分：首先，将源领域中的MLN结构与目标领域进行映射，建立两个领域之间的关联；然后，对映射得到的结构进行优化以适应目标领域的指标,具体为： 第一部分：结构映射，结构映射的目的是发现从源MLN到目标MLN的最优映射，映射的好坏根据目标领域映射的MLN的性能评价，由加权伪对数似然值WPLL进行估计； 第二部分：结构优化 步骤1)自诊断，自诊断的目的是查找MLN中不准确的部分以期得到优化，即，算法检查源MLN，逐一确定子句是否需要改变长度，利用迁移的MLN在目标领域中进行推断，搜寻不成立的子句并查找原因，通过Gibbs采样来完成自诊断，即依次检验目标领域中的每个谓词，将正在测试的当前谓词标记为P^*； 步骤2)结构更新，根据自诊断的结果，将太长的子句缩短，并将太短的子句加长； 步骤3)搜索新子句，利用关系寻径RPF方法来搜索目标领域中的新子句。