知识卡片

普通读书笔记卡 · 9811.n · 生成模型:DeepSeek-V4.1-Flash

硬规则软化成功率权重

理解等级:高级

一阶逻辑规则是硬约束:前提成立,结论必须成立。真实图谱做不到——“吸烟的人容易得癌症”这条规则有大量反例,按硬规则推会直接推出错误事实。

马尔可夫逻辑网(MLN)把概率图模型与一阶谓词逻辑结合,做法是给每条规则绑一个权重,把硬约束软化成“成立一次得多少分”:一个世界的概率与 exp(Σ 权重 × 该规则被满足的实例数) 成正比。规则不再判真假,只为世界投票。于是推理变成在马尔可夫随机场上做概率推断。三种情形对应三类任务:规则与权重都已知,算未知事实成立的概率,是推断;规则已知、权重未知,从数据学权重,是参数学习;两者都未知,连规则一起学,是结构学习,本质上属于归纳推理。

概率软逻辑(PSL)再往前一步:允许原子事实的真值取 [0,1] 的连续值而非只有 0/1,“这条事实可信度 0.7”可以直接建模;连续真值还把离散优化变成连续优化,求解效率明显提升。局限在于规则仍要人给或先归纳出来,权重学得准不准取决于标注质量与规则覆盖率。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第3章 知识图谱相关理论 · 查看原书依据

      其核心思想是通过为规则绑定权重的方式对一阶谓词逻辑规则中的硬性约束进行软化。它给一阶谓词逻辑注入了出色的不确定性处理能力,通过建模不确定性规则,能够容忍知识库中存在的不完整性和矛盾性等问题。

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第3章 知识图谱相关理论(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0050.html) - 结论依据:原文点明 MLN 的核心机制是给规则绑权重以软化硬约束,并说明其价值在于容忍知识库的不完整与矛盾。 - 原始内容:其核心思想是通过为规则绑定权重的方式对一阶谓词逻辑规则中的硬性约束进行软化。它给一阶谓词逻辑注入了出色的不确定性处理能力,通过建模不确定性规则,能够容忍知识库中存在的不完整性和矛盾性等问题。