● 摘要
数据活化是一种近年来涌现出的数据处理概念。数据活化的目的是使系统具有很高的灵活性来应对复杂的数据处理和分析。在数据活化的概念中，数据是以具有运算能力的数据实体的形式组织在一起，随着用户需求的不断变化，这些数据实体会进行相应的“进化”来适应不同的操作，从而提高了分析和处理复杂数据的能力，同时也优化了数据的存储与管理。因此，预测数据实体间的交互行为成为数据活化中一项非常重要的基础功能。合适的预测方法需要顾及数据实体间复杂的关系结构和不确定性的双重特征。将一阶逻辑和马尔科夫网相结合的马尔科夫逻辑网能够很好地满足预测的需求。论文对组成马尔科夫逻辑网的一阶逻辑和马尔科夫网的关系以及概念进行讨论和分析，对马尔科夫逻辑网的体系结构进行了详细的说明。阐述了马尔科夫逻辑网的推理方法，包括最大可能性推理以及求解条件概率。当给定训练样本时，可以使用合适的算法对人工指定的马尔科夫逻辑网的参数和网络结构进行优化与修正，从而提高推理结果的准确性和有效性。本文分别对马尔科夫逻辑网的参数学习方法（伪最大似然估计、判别训练）和结构学习方法（自顶向下的结构学习、自底向上的结构学习）进行了阐述。论文针对数据活化中链接预测的应用场景，给出了一种数据亲密度的定义与计算方法。在数据活化中数据实体间会发生多种交互操作，交互频率与程度的不同反应了数据实体间亲密度的差异。通过数据亲密度以及交互历史数据构造反映数据实体间交互关系的一阶逻辑谓词库，进而构造马尔科夫逻辑网进行推理预测。在实验部分，使用真实的社会网络数据集，将数据亲密度应用于推荐系统中，验证数据亲密度的可用性。根据该数据集构建一阶逻辑谓词库，然后基于该谓词库与样本数据完成参数学习和结构学习构建用于推理的马尔科夫逻辑网，最后使用该马尔科夫逻辑网进行推理预测，实验证明结合马尔科夫逻辑网与数据亲密度可以较好的解决数据活化中链接预测的问题。基于之前的研究，论文设计并实现了基于马尔科夫逻辑网的活化数据链接预测原型系统，该系统能够进行完整的数据亲密度计算和马尔科夫逻辑网模型构造与推理。