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.     

基于贝叶斯网的开放世界知识图谱补全

知识图谱中实体所涉及的关系之间通常具有相互依赖的性质,基于这种依赖性可利用数据中的新实体来构造更多的三元组从而补全知识图谱.贝叶斯网(BN)是一种表示和推理变量之间相互依赖关系和不确定性知识的有效模型,将BN作为模型框架,研究基于BN的开放世界知识图谱补全方法.提出知识图谱中关系之间依赖性的表示模型构建方法,构建过程包...     

基于深度信念网与隐变量模型的用户偏好建模

从高维、稀疏的用户评分数据中构建用户偏好模型,存在迭代计算复杂度高、中间结果规模大和难以实现有效推理等问题。为此,提出一种基于深度信念网(DBN)和贝叶斯网(BN)的用户偏好建模方法。采用DBN对评分数据进行分类,用隐变量表示不能直接观测到的用户偏好,利用含隐变量的BN描述评分数据中蕴含的相关属性间的依赖关系及其不确定性。在MovieLens和大众点评数据集上的实验结果表明,该方法能够有效描述评分数据中与用户偏好相关的各属性间的依赖关系,其精确率和执行效率均高于隐变量模型。