基于概率推理的知识图谱中实体间关联度计算

针对知识图谱中实体间的关联关系存在不确定性、实体间关联度计算复杂度高等问题,提出一种基于贝叶斯网的实体间关联度的计算方法.针对知识图谱做预处理,利用剪枝后获取的核心子图构建贝叶斯网,提出基于知识图谱的贝叶斯网构建方法;利用贝叶斯网作为知识图谱中实体之间关联关系的量化和推理框架,基于贝叶斯网的概率推理,提出知识图谱中实体间关联度的定量计算方法.建立在真实数据之上的实验结果验证了方法的有效性.     

支持短时交通流量预测的概率图模型构建与推理

短时交通流量预测,是交通系统信息化和智能化交通运输管理技术领域研究的关键问题.目前的方法对历史数据具有较高的依赖程度,或者具有较高的计算成本,或者不能有效反映实际中较复杂的交通网络及各结点之间的相互关系、以及依赖的不确定性,或者多种模型的组合使得预测方法较复杂.贝叶斯网是一种重要的概率图模型,本文以交通网络结构为基础,利用概率图模型在不确定性知识表示和推理方面的良好性质,考虑路口交通流量及其预测的时序依赖特征,构建了带有时序条件依赖关系的交通贝叶斯网.进而针对短时交通流量预测的实时性和高效性要求,提出了基于Gibbs采样的交通贝叶斯网近似概率推理算法,并进行交通流量的短时预测.实验结果表明,本文提出的交通贝叶斯网构建、近似推理以及相应的短时交通流量的预测方法,具有高效性、准确性和可用性.     

基于贝叶斯和蒙特卡罗的多信号模型扩展研究

传统多信号模型基于确定性测试假设条件,忽略了系统存在不确定性的真实情况,在传统多信号模型基础上引入贝叶斯条件概率来表示不确定性问题,并通过蒙特卡罗方法进行仿真模拟,将不确定性问题转化为单次试验确定性问题,进而使用相关矩阵进行测试性分析,通过程序实现和算例验证了该方法的有效性,并可以根据反馈数据进行参数学习,修正初始条件概率。     

缓变故障的概率故障预测方法研究

针对实际过程中存在的各种不确定性因素,提出了基于主成分分析和贝叶斯AR模型相结合的概率故障预测算法.该算法首先对过程数据进行主成分分析,得到T~2和SPE统计量,并对其进行Box-Cox变换.对变换后的两个序列分别建立贝叶斯AR模型,得到一系列下一时刻预测值.将所得预测值经Box-Cox反变换还原为原分布下的统计量预测值,并由核密度估计及相应控制限计算统计量超限概率,实现故障预测.最后,仿真结果表明了该方法的有效性.     

一种带隐变量贝叶斯网的事件诱因估计方法

事件诱因是诱导事件发生的因素,从事件特征数据构建事件诱因模型,进行事件诱因估计,是解决舆论控制、精准决策支持和用户行为定向等问题的重要基础.本文以公共突发事件为背景,以贝叶斯网为不确定性知识表示和推理的基本框架,以多值隐变量来描述事件诱因的多个取值,提出一种基于带隐变量贝叶斯网(隐变量模型)的事件诱因模型构建方法,进而利用概率推理算法估计事件诱因.针对事件诱因存在多个取值的问题,本文基于分支限界思想提出最优取值子集提取算法.建立在真实数据集上的实验结果表明,本文提出的事件诱因模型构建方法及相应的诱因估计方法是有效的.     

贝叶斯网模型在推荐系统中的应用研究

针对网上智能中推荐系统的个性化问题，提出了一种新的基于贝叶斯网模型的商品推荐方法，它包括贝叶斯网客户购物模型的建立和基于概率推理的推荐集的产生两个过程。实数据上的实验表明该方法是一种有效的能为不同客户产生准确而个性化的商品推荐方法。     

基于贝叶斯网的知识图谱链接预测

结合外部知识,使用特定方法进行知识图谱的链接预测,即知识图谱中缺失信息的发现和还原,是目前知识图谱领域研究的热点和关键。以电子商务应用为背景,基于已经构建好的描述用户兴趣的知识图谱,结合外部数据集,以贝叶斯网这一重要概率图模型作为不同商品之间相似性及其不确定性的表示和推理框架,通过对商品属性进行统计计算,构建反映商品之间相似关系的贝叶斯网,进而基于概率推理机制,定量地判断商品节点与用户节点之间存在链接的真实性,得到真实和完整的知识图谱,为个性化推荐和关联查询提供依据。建立在真实数据上的实验结果表明,提出的模型和算法是有效的。     

因果图推理的一种新方法

1 引言基于概率论推理的不确定性知识表达推理方法包括信度网、马尔可夫网以及PROSPECTOR中使用的方法等。其中,信度网推理模型因其理论上的严格性和一致性,以及有效的局部计算机制和直观的图形化知识表达,正日益受到高度的重视。然而,信度网也存在一些不足:如处理多连通问题和因果循环问题的方法复杂,计算量大;采用条件概率表达因果关系强度不直观,数据之间存在相依性;较难根据实时收到的信息对知识库中的数据和因果结构进行在线修改;没有考虑条件概率随时间动态变化等问题。 1994年张勤教授提出了另一种基于概率论的知识表达推理方法—“基于动态因果树/图的概率推理”。该方法通过引入布尔逻辑运算,克服了上述信度网之不足,具有如下一些显著的特点:完全基于概率论,有良好的理论基础;对网络的拓扑结构没有限制(不要求通常使用的DAG图),可根据实际情况任意构造自己     

基于自编码器的贝叶斯网嵌入及概率推理

贝叶斯网(BN)是不确定性知识表示和推理的基本框架,广泛用于社交网络、知识图谱和医疗诊断等领域.特定领域中基于BN的分析诊断和决策支持,其核心计算任务是基于BN进行多次概率推理.然而,使用传统的概率推理方法,基于同一BN的多次概率推理其中间过程存在很多重复的计算结果,具有较高的时间复杂度.为了提高多次概率推理的效率,提出易于重用和易于计算的贝叶斯网嵌入及相应的概率推理方法.首先,借鉴图嵌入的基本思想,使用点互信息矩阵来表示BN的有向无环图结构和条件概率参数,提出基于自编码器和注意力机制的BN嵌入方法.其中,自编码器的每一编码层利用节点与其邻居节点(父节点和子节点)的相关性生成节点嵌入,从而在嵌入向量中保存BN节点间的概率依赖关系.然后,使用嵌入向量之间的距离来度量节点之间的联合概率,提出基于嵌入向量的BN概率推理方法.实验证明,针对BN的多次概率推理,所提方法的效率高于现有方法,且能得到准确的推理结果.     

基于云贝叶斯网络的目标威胁评估方法

将云模型和贝叶斯网络相结合,形成云贝叶斯网络,并建立了基于云贝叶斯网络的威胁评估模型.首先,根据实际应用背景确定贝叶斯网络结构,并对连续型观测节点进行云模型转换;然后,将观测变量值输入云贝叶斯网络,推理得到目标属于各个威胁等级的概率;最后,为消除目标信息的不确定性对总的威胁度的影响,进行了多次重复推理,通过概率合成公式求得最终的威胁程度.以联合防空作战为背景,仿真实现了空中目标的威胁评估,验证了该方法的有效性.