| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-19页 |
| ·研究背景 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·Markov逻辑网研究现状 | 第12-13页 |
| ·社会网络分析研究现状 | 第13-14页 |
| ·社会网络数据的特点和分析任务 | 第14-17页 |
| ·社会网络数据的特点 | 第14-15页 |
| ·社会网络分析的任务 | 第15-17页 |
| ·本文主要研究内容 | 第17页 |
| ·论文组织结构 | 第17-19页 |
| 2 Markov逻辑网的基本概念 | 第19-33页 |
| ·一阶逻辑 | 第19-22页 |
| ·基本概念 | 第20-21页 |
| ·一阶逻辑知识库 | 第21-22页 |
| ·Markov网 | 第22-25页 |
| ·Markov网基本概念 | 第22-24页 |
| ·Markov网 | 第24-25页 |
| ·Markov逻辑网 | 第25-31页 |
| ·基本概念 | 第25-26页 |
| ·闭Markov逻辑网的概率分布 | 第26-27页 |
| ·构造闭Markov逻辑网 | 第27-28页 |
| ·Markov逻辑网的基本假设 | 第28-31页 |
| ·Markov逻辑网与一阶知识库 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 推理 | 第33-39页 |
| ·推理最可能世界 | 第33-34页 |
| ·计算条件概率 | 第34-38页 |
| ·推理中构造最小闭网络 | 第34-36页 |
| ·处理确定依赖性 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 Markov逻辑网参数学习 | 第39-46页 |
| ·产生式参数学习 | 第39-41页 |
| ·判别式参数学习 | 第41-42页 |
| ·最优化方法 | 第42-45页 |
| ·对角牛顿(Diagonal Newton) | 第42-43页 |
| ·量化共轭梯度(Scaled Conjugate Gradient) | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 5 Markov逻辑网结构学习 | 第46-58页 |
| ·Top-down结构学习 | 第46-48页 |
| ·评价 | 第47-48页 |
| ·操作 | 第48页 |
| ·搜索 | 第48页 |
| ·Bottom-up结构学习 | 第48-57页 |
| ·构造TNode | 第51-54页 |
| ·添加边 | 第54-57页 |
| ·子句搜索 | 第57页 |
| ·本章小结 | 第57-58页 |
| 6 实验 | 第58-83页 |
| ·数据集 | 第58-61页 |
| ·实验总体设计 | 第61-62页 |
| ·结构学习 | 第62-68页 |
| ·BUSL结构学习算法实现 | 第62-67页 |
| ·几种结构学习算法比较 | 第67-68页 |
| ·参数学习 | 第68-77页 |
| ·最速下降法 | 第69-70页 |
| ·对角牛顿法 | 第70-72页 |
| ·量化共轭梯度法 | 第72-75页 |
| ·一维搜索方法 | 第75-77页 |
| ·推理 | 第77-79页 |
| ·实验结果 | 第79-81页 |
| ·结果分析 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 7 总结与展望 | 第83-85页 |
| ·论文总结 | 第83页 |
| ·论文展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 学位论文数据集 | 第89页 |