统计关系学习——读书报告

统计关系学习——读书报告
统计关系学习Statistical Relational Learning(SRL)已在互联网的搜索引擎以及网页结构挖掘、反恐、计算生物学、信息抽取等领域得到广泛的应用。

SRL近年来是人工智能领域的一个新研究热点。

SRL将关系表示、似然性理论和机器学习相结合，能更好地解决现实世界中复杂的关系数据问题。

目前统计关系学习方法主要有基于Bayesian网的SRL方法、基于(隐)Markov模型的SRL方法、基于随机文法的SRL方法和基于Markov网的SRL方法等。

Markov逻辑网(Markov Logic Networks，MLNs)是将Markov网与一阶逻辑相结合的SRL方法，目前MLNs已经得到进一步完善。

MLNs本质上是公式附加权值的一阶逻辑知识库，是构建Markov网的模板；MLNs将领域知识引入Markov网，为大型Markov网提供一种简洁的描述语言，为一阶逻辑增加了不确定性处理能力；Markov 逻辑网是一种较完美地结合一阶谓词逻辑和概率图模型的复杂性和不确定性问题表示和处理方法；MLNs还可以作为很多统计关系学习任务的统一框架。

其他SRL 方法有基于决策树和关系向量的方法。

SRL虽得到广泛的应用，然而还有很多问题有待进一步研究：
a)对不同方法的优缺点、统一标准以及相互关系的比较研究，
进而统一框架
b)使其具有使用元数据和自描述数据的能力，从多种信息源学
习
c)扩展现有模型，对新的SRL模型的研究
d)进一步提高推理和学习算法的效率
e)扩大应用，目前应用还有限，与其他系统或技术结合可提高
整个系统的智能化水平
f)重视关系数据的特征，如何利用数据关联的特点来对数据聚
集学习或推理提高效率
目前统计关系学习研究面对新的挑战，也带来了新的机遇。

未来围绕SRL，人们将研究表达能力更强、学习效率和精度更高的方法及系统，并借鉴其他学科的技术来进一步发展完善自己．
余杞松Z10030840
Friday, December 09, 2011 后面附参读原文：。