粗集和多关系学习综述

文中给出了多关系学习的产生、实质以及任务,指出多关系学习具有狭义和广义两个层面。对粗集和多关系学习给出了简单综述,表明粗集理论在多关系学习中占有重要地位。分析研究了粗集和归纳逻辑程序设计方法用于多关系学习的几种结合途径,尤其重点介绍了RSILP系列模型,并在文中给出其一般模型。文中对用于多关系学习中其它粗集方法也作了简单介绍。RSILP模型的完善扩展以及粗集方法在多关系学习中的进一步应用是今后的工作方向。     

统计关系学习研究进展

统计关系学习是人工智能领域的一个新研究热点,它将关系表示、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,在生物信息学、web导航、社会网、地理信息系统和自然语言理解等领域有着重要的应用.首先对统计关系学习的研究内容以及研究任务进行了介绍和总结,然后根据概率表示和推理机制的不同,对当前的统计关系学习方法进行了分类,并对各类方法进行了详细介绍,最后讨论了当前统计关系学习存在的问题,并指出了今后研究和发展的方向.     

背景格的若干性质及其完备性证明*

背景在概念图理论中至关重要,其作用尤其体现在信息组织方面。借鉴形式概念分析的理论,用二元组表示形式背景,能够体现出形式背景的内涵与外延的统一。背景格是形式背景的一种组织形式,反映了形式背景之间的蕴涵关系,完备的背景格有着广阔的应用前景。介绍了背景格的定义及其构造方法,并给出了背景格的若干性质以及完备性证明。     

含序信息的粗集方法研究

经典粗集理论给出了不可识别、上近似、下近似、简式和核等概念,其核心思想是运用条件属性集导致的知识粒子来近似决策属性集导致的知识粒子,进而推导出规则。这些知识粒子的实质是根据存在于属性值问的等价关系得到的,而事实上可能存在某些属性,其属性值内部存在序关系,与其它某属性间存在语义关系,这样的属性称为标准。本文所研究的粗集方法,考虑标准所携带的这些信息,推导出含有序信息的规则,并探讨使推导的规则更加完全和一致。本文给出了含序粗集方法（CORS）的定义、数据分析以及规则生成方法,并提出了一种更加合理的质量近似公式以及生成规则的四条原则。     

面向不完备信息系统的粗糙集方法研究

给出了关于传统粗糙集的基本概念以及不完备信息系统的定义,归纳了信息系统中的空值情形.基于粗糙集的不可识别关系,介绍了几种已有的扩展关系:相容关系、非对称相似关系、量化相容关系和限制相容关系.结合量化和限制相容关系特点,文中提出了限制量化相容关系,并证明在特定条件下,限制量化相容关系是限制相容关系的改进.限制量化相容关系通过量化计算对相容关系作了进一步限制,使之更加合理实用.     

统计关系学习模型Markov逻辑网综述

统计关系学习是人工智能研究的热点,在生物信息学、地理信息系统和自然语言理解等领域有着重要应用,Markov逻辑网是将Markov网与一阶逻辑相结合的一种全新的统计关系学习模型。介绍了Markov逻辑网的理论模型和学习方法,并探讨了目前存在的问题和研究方向。