| 【项目成果摘要】 |
统计关系学习(SRL)是人工智能的重要研究热点之一。它集关系/逻辑表示、似然推理和机器学习/数据挖掘于一体,以获取关系数据中的似然模型。相关研究表明似然模型比确定性模型更有效。现有的SRL框架(模型)的学习和推理算法还不够有效,对不完备、精度不尽相同的数据进行有效处理的学习算法、科学评价众多SRL模型的综合指标、对已有典型SRL模型的深入比较研究等都十分缺乏,未见能统一已有典型SRL模型的理论框架。该项目主要研究：分别结合仿生和粒度计算的学习算法;基于近似推理技术的高效推理算法;模型表达能力、可靠性,推理、学习算法有效性,SRL模型与应用结合的难易程度等的度量方法和评价标准;基于多模型结合的SRL模型;统一已有典型SRL模型的理论框架。该项目对促进人工智能研究,推动SRL在生物信息学、系统生物学、Web导航、社会网、知识获取与利用、地理信息系统和自然语言理解等领域的应用具有十分重要的意义。; |