Học cấu trúc mạng logic markov và ứng dụng trong bài toán phân lớp

Trình bày về một số kiến thức cơ bản được sử dụng trong cấu trúc mạng logic markov và ứng dụng trong bài toán phân lớp liên quan tới lý thuyết đồ thị, logic và xác suất thống kê.. Toán

Học cấu trúc mạng logic Markov và ứng dụng

trong bài toán phân lớp

Phạm Đình Hiệu

Trường Đại học Khoa học Tự nhiên Luận văn ThS ngành: Bảo đảm toán học cho máy tính và hệ thống tính toán

Mã số: 60 46 35 Người hướng dẫn: TS Nguyễn Thị Minh Huyền

Năm bảo vệ: 2012

Abstract Trình bày về một số kiến thức cơ bản được sử dụng trong cấu trúc mạng

logic markov và ứng dụng trong bài toán phân lớp liên quan tới lý thuyết đồ thị, logic và xác suất thống kê Tìm hiểu các kiến thức về mạng Markov, mạng logic Markov và một số vấn đề về học máy với mạng logic Markov như suy diễn, học tham số và đặc biệt là học cấu trúc Nghiên cứu ứng dụng mạng logic Markov trong bài toán gán nhãn vai nghĩa: trình bày về bài toán gán nhãn vai nghĩa, vấn đề xây dựng dữ liệu huấn luyện trong công cụ Thebeast cho bài toán gán nhãn vai nghĩa và

đánh giá kết quả

Keywords Toán học; Bài toán phân lớp; Mô hình Markov

Content

Trong sự phát triển về Công nghệ thông tin hiện nay vấn đề xử lý, tính toán không còn thuần túy là tính toán trên các dữ liệu kiểu số biểu diễn dưới dạng cấu trúc, bảng biểu hay véc

tơ, vv Nó đã được phát triển mở rộng xử lý trên dữ liệu kiểu hình ảnh, âm thanh, văn bản, đồ thị và nhiều kiểu khác nữa Trong sự phát triển đó của Công nghệ, học máy được xem là một

lĩnh vực của trí tuệ nhân tạo với mục tiêu là nghiên cứu các thuật toán cho phép máy tính có

thể học được các khái niệm Thường học máy được phân làm hai phương pháp: phương pháp quy nạp và phương pháp suy diễn Đến nay học máy có ứng dụng rộng khắp trong các ngành khoa học, sản xuất, đặc biệt những ngành cần phân tích khối lượng dữ liệu khổng lồ Một số ứng dụng thường thấy: Rôbốt, trò chơi, phân tích thị trường chứng khoán, phát hiện gian lận tài chính, phân tích ảnh thiên văn, phân loại chuỗi gene, quá trình hình thành gene, phân tích ảnh X-quang, các hệ chuyên gia chẩn đoán tự động, tìm kiếm, nhận dạng hay nhiều ứng dụng liên quan tới xử lý ngôn ngữ tự nhiên

Học quan hệ thống kê cũng là một trong các lĩnh vực của học máy, nó hướng tới sự kết hợp giữa học theo quan hệ và học theo thống kê nhằm xử lý các dữ liệu không chắc chắn với cấu trúc quan hệ phức tạp Có nhiều mô hình được phát triển gần đây cho học quan hệ thống

kê như mô hình quan hệ xác suất (Probabilistic Relational Model) sử dụng logic kết hợp với các mạng Bayes hay Markov Trong đó các mạng MLN (Markov Logic Network) mang tính

tổng quát cao nhất, có thể chuyển đổi sang các mô hình khác và ngày càng có nhiều nghiên cứu về các mạng này Mạng logic Markov có thể được xem như là một sự kết hợp hữu cơ giữa học logic và học thống kê Mục đích của MLN là mô tả một minh họa cho trước với một

tập các công thức logic có trọng số Nó cho phép sử dụng những ưu điểm của logic tân từ cấp một là khả năng biểu diễn tri thức và các mối quan hệ phức tạp của tri thức, cùng với ưu điểm của mạng Markov có thể xử lý một cách hiệu quả sự không chắc chắn và giải quyết tri thức một cách đối lập và thiếu thông tin

Mục tiêu của luận văn là tìm hiểu các mạng MLN và phương pháp học cấu trúc cho mạng MLN Luận văn cũng triển khai một ứng dụng giải quyết bài toán phân lớp với mạng MLN sử dụng phần mềm Thebeast Cụ thể ở đây là bài toán gán nhãn vai nghĩa trong lĩnh vực xử lý ngôn ngữ Xử lý ngôn ngữ chính là xử lý thông tin khi đầu vào là dữ liệu ngôn ngữ, tức là dữ liệu kiểu văn bản hay tiếng nói Các dữ liệu liên quan đến ngôn ngữ viết (văn bản)

và tiếng nói đang dần trở nên kiểu dữ liệu chính con người có và lưu trữ dưới dạng điện tử Việc xây dựng ngữ liệu mẫu cho bài toán gán nhãn vai nghĩa tương đối phức tạp, nên bước đầu thực hiện chúng tôi chỉ dùng giới hạn bài toán ở 2 vai nghĩa “tác thể” và “bị thể” trong câu

Bố cục luận văn được chia làm 3 chương:

Chương I: Cơ sở toán học

Trong chương này sẽ trình bày về một số kiến thức cơ bản được sử dụng trong luận văn liên quan tới lý thuyết đồ thị, logic và xác suất thống kê

Chương II: Mạng logic Markov

Chương này sẽ trình bày các kiến thức về mạng Markov, mạng logic Markov và một số vấn đề về học máy với mạng logic Markov như suy diễn, học tham số và đặc biệt là học cấu trúc

Chương III: Ứng dụng mạng logic Markov trong bài toán gán nhãn vai nghĩa

Chương này sẽ trình bày về bài toán gán nhãn vai nghĩa, vấn đề xây dựng dữ liệu huấn

luyện trong công cụ Thebeast cho bài toán gán nhãn vai nghĩa và đánh giá kết quả

CHƯƠNG 1 CƠ SỞ TOÁN HỌC 1.1 Lý thuyết đồ thị

Định nghĩa 1.1.1 Đồ thị là cặp , trong đó A là tập đỉnh, F là ánh xạ từ [3]

Ta cũng có thể định nghĩa đồ thị là cặp: , trong đó là tập đỉnh và

là tập cung Về thực chất đồ thị là một tập hợp các đối tượng được biểu diễn bằng các đỉnh và giữa các đối tượng có quan hệ (nhị nguyên) biểu diễn bằng các cung[3]

Cho đồ thị Nếu có thì ta nói rằng là một cung và gọi là đỉnh đầu, gọi là đỉnh cuối của cung đó

Hai đỉnh kề nhau là hai đỉnh của cùng một cung Đỉnh nút là đỉnh kề với chính nó

Định nghĩa 1.1.2 Đồ thị với được gọi là đồ thị con của đồ thị

Định nghĩa 1.1.3 Hai đỉnh gọi là liên thông với nhau nếu chúng trùng nhau hoặc có

xích nối với nhau[3]

Đồ thị đối xứng gọi là đồ thị vô hướng tức là ta luôn có

Định nghĩa 1.1.4 Đồ thị vô hướng được gọi là đầy đủ nếu hai đỉnh bất kỳ đều có cung

nối với nhau[3]

Định nghĩa 1.1.5 Clic (Clique) của đồ thị là một đồ thị con đầy đủ[3]

1.2 Logic tân từ cấp một

1.2.1 Các khái niệm và ký hiệu

Logic tân từ cấp một là một ngôn ngữ rất mạnh để biểu diễn những thông tin có quan

hệ phức tạp, cho phép ta mô tả thế giới với các đối tượng, các thuộc tính của đối tượng và các mối quan hệ giữa các đối tượng[9]

Một cơ sở tri thức xây dựng trên logic tân từ cấp một (KB) là một tập các câu hay các công thức trong logic tân từ cấp một Công thức được xây dựng bằng cách sử dụng 4 loại ký hiệu: hằng, biến, hàm và vị từ[9], [12]

Ký hiệu hằng: dùng để chỉ các đối tượng trên một miền (Ví dụ miền chỉ người: Nga, Hùng,…)

Ký hiệu biến: dùng để biểu diễn các đối tượng trong miền (ví dụ x, y)

Ký hiệu vị từ: biểu diễn mối quan hệ giữa các đối tượng trong miền (ví dụ Bạn(x,y) biểu diễn quan hệ x là bạn của y) hay là thuộc tính của các đối tượng (ví dụ Hútthuốc(x) biểu diễn thuộc tính có hút thuốc của đối tượng x (x có hút thuốc))

Các ký hiệu phép toán logic: (hội), (tuyển), (kéo theo), (phủ định), (tương đương)

Các ký hiệu lượng từ: (với mọi), (tồn tại)

1.2.2 Công thức trong logic tân từ cấp một

Các hạng thức là các biểu thức mô tả các đối tượng Các hạng thức xác định đệ quy như sau:

Các hằng, biến là hạng thức

Nếu là các hạng thức và là hàm thì là hạng thức

Một hạng thức không chứa biến được gọi là một hạng thức nền Ví dụ: Nga là ký hiệu

hằng, MotherOf là ký hiệu hàm một biến, thì MotherOf (Nga) là một hạng thức nền

Một công thức nguyên tử được định nghĩa là:

Nếu P là vị từ n biến và là các hạng thức thì là công thức nguyên tử

Các công thức được xây dựng một cách đệ quy từ các công thức nguyên tử bằng cách

sử dụng các phép toán logic và các lượng từ Nếu và là các công thức thì những ký hiệu sau đây cũng là công thức: : F1, F1^F2, F1 F2, F1 F2, F1 F2, F1 và F1[9]

1.2.3 Dạng chuẩn hội

Mọi công thức trong logic tân từ cấp một có thể chuyển thành một công thức tương đương trong dạng chuẩn hội (CNF) , trong đó Q là lượng từ, là biến

và là hội của các mệnh đề

1.3 Xác suất – thống kê

1.3.1 Các khái niệm

Định nghĩa 1.3.1 Xác xuất của biến cố A là một số không âm bằn trong khoảng [0;1],

ký hiệu là P(A), biểu thị khả năng xảy ra biến cố A và được xác định như sau:

Trong đó là số trường hợp thuận lợi cho , là số trường hợp có thể có khi phép thử thực hiện

Định nghĩa 1.3.2 Xác suất có điều kiện của biến cố với điều kiện biến cố đã xảy

ra là một con số không âm, được ký hiệu là , nó biểu thị khả năng xảy ra của biến cố

trong tình huống biến cố đã xảy ra khi đó:

Định nghĩa 1.3.3 Biến ngẫu nhiên: Một biến nhận các giá trị của nó ứng với một xác

suất nào đấy gọi là biến ngẫu nhiên[1]

Định nghĩa 1.3.4 Hai biến ngẫu nhiên và là độc lập nếu và

Định nghĩa 1.3.5 Phân phối đồng thời (joint distribution): Cho hai biến ngẫu nhiên

và được định nghĩa trên cùng một không gian xác suất, phân phối đồng thời của và là xác suất của các biến cố được định nghĩa trong véc tơ ngẫu nhiên của và

Định nghĩa 1.3.6 Phân phối biên (marginal distribution): Cho hai biến ngẫu nhiên

và , và là phân phối đồng thời của chúng Phân phối biên của là phân phối của

mà được bỏ qua

1.3.2 Công thức Bayes

Cho biến cố và các biến cố sao cho[8]:

- Có tập rời nhau từng đôi một

-

Thì ta có công thức tổng:

Công thức Bayes [1]:

Trong đó:

 A1, …, An là hệ đầy đủ : A1+ …+ An = Ω - không gian mẫu

 là xác suất xảy ra biến cố Ak

 : Xác suất để biến cố B xảy ra P(B)>0

 P(B| Ai) là xác suất để B xảy ra biết rằng Ai đã xảy ra rồi ( tỉ lệ xảy ra B trong Ai)

CHƯƠNG 2 MẠNG LOGIC MARKOV 2.1 Giới thiệu

Logic tân từ cấp một là ngôn ngữ rất mạnh để biểu diễn những thông tin có quan hệ phức tạp, cho phép chúng ta mô tả một cách đầy đủ rộng lớn của tri thức

Xác suất là một cách thức thông thường để biểu diễn những sự kiện hoặc kiến thức không chắc chắn

Kết hợp logic tân từ cấp một và xác suất sẽ cho phép xây dựng các mối quan hệ dựa trên xác suất phức tạp của dữ liệu nằm trong miền được quan tâm Vấn đề này được quan tâm

và phát triển trong một số năm gần đây trong các nghiên cứu về học quan hệ thống kê, khai phá dữ liệu nhiều quan hệ, vv

Mô hình đồ họa: Là mô hình biểu diễn sự kết hợp giữa lý thuyết xác suất và lý thuyết

đồ thị Nó cung cấp một công cụ tự nhiên để giải quyết hai vấn đề xảy ra trong toán học ứng dụng và trong kỹ thuật: Không chắc chắn và phức tạp Đặc biệt nó đóng vai trò quan trọng trong việc phân tích và thiết kế các thuật toán học máy Về mặt cơ bản thì ý tưởng của mô hình đồ họa là dựa vào khái niệm của mô đun: Một hệ thống phức tạp được xây dựng bằng

việc kết nối các phần đơn giản hơn Về phía lý thuyết đồ thị cung cấp cả giao diện trực quan

mà con người có thể mô hình các tập hợp của các biến cũng như cấu trúc dữ liệu để thiết kế các thuật toán mục đích chung hiệu quả

Chương này sẽ giới thiệu một mô hình kết hợp xác suất với logic tân từ cấp một, mới được đưa ra năm 2004[16] Đó là mạng logic Markov, mô hình biểu diễn cơ sở tri thức dựa trên logic tân từ cấp một với một trọng số kèm theo cho mỗi công thức và nó có thể được coi như là một mẫu cho việc xây dựng các mạng Markov Nội dung trình bày bao gồm: Mạng Markov, mạng logic Markov, suy diễn trên mạng logic Markov, học tham số và đặc biệt là học cấu trúc cho mạng logic Markov

2.2 Mạng Markov

Mạng Markov[12] (hay còn gọi là trường ngẫu nhiên Markov) là mô hình cho phân

phối đồng thời (joint distribution) của một tập hợp các biến Nó bao gồm một đồ thị vô hướng và một tập các hàm tiềm năng Đồ thị có một nút cho mỗi biến, và

có một hàm tiềm năng cho mỗi clique trong đồ thị Hàm tiềm năng là hàm giá trị thực không

âm xác định cho từng trạng thái của các clique Phân phối đồng thời được biểu diễn bởi mạng Markov cho bởi công thức sau:

(2.1) Trong đó là trạng thái của clique thứ (nghĩa là trạng thái của các biến mà xuất

hiện trong clique) Z được gọi là hàm phân hoạch (partition function), cho bởi công thức

2.3 Mạng logic Markov

Cơ sở tri thức (KB- knowledge base) dựa trên logic tân từ cấp một được xem như là tập

các ràng buộc chặt trên tập các minh họa có thể: Nếu một minh họa chỉ vi phạm một công thức thì nó có xác suất bằng không Ý tưởng đơn giản trong mạng logic Markov là để nới lỏng ràng buộc này: Khi một minh họa vi phạm một công thức trong cơ sở tri thức thì nó có xác suất thấp, nhưng không phải là không thể có Càng ít công thức mà minh họa đó vi phạm thì xác suất xảy ra của minh họa đó càng lớn Mỗi công thức có một trọng số kèm theo phản ánh hạn chế đó mạnh như thế nào: trọng số càng cao thì sự khác biệt trong xác suất giữa một minh họa thỏa mãn công thức và một minh họa không thỏa mãn càng lớn

Định nghĩa 2.2.1 Một mạng logic Markov là một tập các cặp , trong đó là công thức trong logic tân từ cấp một và là một số thực Cùng với tập hữu hạn các hằng số

, nó định nghĩa một mạng Markov như sau:

a chứa một nút nhị phân cho mỗi công thức nguyên tử nền có thể của mỗi vị từ

xuất hiện trong Giá trị của nút đó bằng 1 nếu công thức nguyên tử nền là đúng và

bằng 0 nếu ngược lại

b chứa một đặc trưng cho mỗi công thức nguyên tử nền có thể của mỗi công thức xuất hiện trong L Giá trị của đặc trưng này là 1 nếu như công thức nguyên

tử đúng và sai nếu ngược lại Trọng số của đặc trưng đó là tương ứng với

trong L

Một mạng logic Markov được xem như là một mẫu cho việc xây dựng các mạng Markov Cho các tập hằng khác nhau thì sẽ cho ra các mạng khác nhau và các mạng này có thể có kích thước rất lớn, nhưng tất cả chúng đều có những quy tắc nào đó trong cấu trúc và các tham biến cho bởi mạng logic Markov (ví dụ tất cả các công thức nền sẽ có cùng một trọng số) Chúng ta gọi mỗi một mạng Markov này là mạng Markov nền để phân biệt nó với mạng logic Markov Luận văn này sẽ tập trung vào mạng logic Markov mà các công thức của

nó là các mệnh đề không có hàm (function free clause) và nó cũng được giả thiết trên miền

đóng đảm bảo rằng các mạng Markov được sinh ra là hữu hạn Trong trường hợp này các

công thức nền được xác định bằng cách thay thế các biến của nó bằng tất cả các hằng có thể[12], [16], [17]

2.4 Suy diễn

Trong phần này sẽ trình bày về suy diễn trên mô hình qua 2 bài toán suy diễn, suy diễn

MAP/MPE và suy diễn điều kiện

2.4.1 Suy diễn MAP/MPE

Suy diễn MAP/MPE (MPE – the most probable explaination) [12], [13], [14] là: Tìm trạng thái (giá trị chân lý) có khả năng xảy ra lớn nhất của tập các biến đầu ra (output) cho bởi trạng thái của các biến đầu vào (input)

Trạng thái MAP (Maximum a posteriori) là trạng thái mà tổng các trọng số của các công

thức nền thỏa được đạt cực đại

trong đó là số các mệnh đề nền có giá trị chân lý đúng thứ bao gồm các công thức nguyên tử của tập chưa biết Nhìn vào phương trình 2.4 thì ta nhận thấy suy diễn MAP/MPE sẽ phải tìm những giá trị chân lý cho các công thức nguyên tử nền (hay các nút) (không tính những công thức nguyên tử nằm trong giả thiết, nghĩa là ) bằng việc làm cực đại tổng trọng số của các mệnh đề thỏa được (hay các đặc trưng) Thuật toán sau có tên là MaxWalkSAT được sử dụng cho suy diễn MAP/MPE để tìm ra các trạng thái MAP trong mạng logic Markov

2.4.2 Suy diễn điều kiện

Suy diễn điều kiện trong các mô hình đồ thị bao gồm việc tính toán xác suất của các biến truy vấn cho bởi các biến giả thiết

Mạng logic Markov là một mô hình quan trọng giúp chúng ta giải quyết nhiều vấn đề phức tạp và không chắc chắn Cụ thể thì các mạng logic Markov có thể trả lời bất kỳ câu hỏi nào có dạng sau: “Tính xác suất mà công thức đúng khi biết đúng?”

2.5 Học tham số và học cấu trúc

Việc học mô hình từ cơ sở dữ liệu là vấn đề quan trọng và phức tạp nhưng đây cũng là yếu tố quyết định để áp dụng mô hình vào thực tế thông qua các bộ dữ liệu thực Việc học mô hình bao gồm 2 vấn đề là: học tham số và học cấu trúc

2.5.1 Học tham số

Học tham số của mạng logic Markov bao gồm tìm các trọng số mà tối ưu một hàm khả

năng (likehood) cho bởi dữ liệu huấn luyện Đây là nhiệm vụ khó vì tính toán hàm hợp lý và các thành phần trong véc tơ đạo hàm riêng (gradient) của nó yêu cầu xử lý suy diễn và có chi

phí là hàm mũ trong trường hợp xấu nhất Một cách tối ưu được sử dụng thay thế là phương

pháp pseudo-likelihood (dùng hàm tựa hàm khả năng) tính toán xác suất chỉ bao gồm các

biến trong phủ Markov (được định nghĩa phía dưới) trong dữ liệu Tuy nhiên phương pháp pseudo-likehood bỏ qua sự tương tác không cục bộ giữa các biến, và có thể giảm mức độ xử

lý khi chúng cần được xét ở lần suy diễn

Cả hàm khả năng và pseudo-likehood đều là những cách tiếp cận nhằm tối ưu hóa phân phối đồng thời của tất cả các biến Ngược lại, cách tiếp cận tách biệt sẽ tối đa hóa hàm hợp lý điều kiện của một tập các dữ liệu đầu ra cho bởi tập dữ liệu đầu vào[17]

2.5.2 Học cấu trúc

Học cấu trúc mạng logic Markov có thể từ một mạng rỗng hoặc từ một cơ sở tri thức đã tồn tại Chúng ta xây dựng bắt đầu bằng việc thêm tất cả các mệnh đề đơn vị (các vị từ đơn) vào mạng logic Markov Trọng số của các mệnh đề đơn này có thể thu được từ các phân phối biên của các vị từ[12]

Các vấn đề của việc học cấu trúc bao gồm chọn cách ước lượng, các tính toán xây dựng mệnh đề, chiến lược tìm kiếm và các phương pháp làm cho nhanh hơn

CHƯƠNG 3 ỨNG DỤNG MẠNG LOGIC MARKOV TRONG BÀI TOÁN GÁN NHÃN VAI NGHĨA 3.1 Bài toán gán nhãn vai nghĩa

- Định nghĩa: Gán nhãn vai nghĩa là việc xác định vai trò các từ tham gia vào hoạt động của động từ chính trong câu Vai nghĩa thường có:

- Vai tác thể (Agent, viết tắt là Agt): Biểu thị người hay động vật gây ra một hành động,

tác động nào đó Ví dụ: TôiAgt đánh nó

- Vai chủ sở hữu (Possessor, viết tắt là Poss): Biểu thị chủ sở hữu của sự vật Ví dụ:

TôiPoss còn tiền

- Vai bị thể (Patient, viết tắt là Pa): Biểu thị người hoặc vật chịu sự tác động Ví dụ: Tôi

đánh nóPa

- Vai tiếp thể (Recipient, viết tắt là Rec): Biểu thị người tiếp nhận trong hành động trao

tặng Ví dụ: Tôi tặng mẹRec

- v.v…

Trong luận văn này mới chỉ dừng lại ở quá trình gán nhãn cho vai tác thể gán “A0” và vai bị thể gán “A1” trong câu tiếng Việt

3.2 Mô tả dữ liệu sử dụng

Dữ liệu được sử dụng ở đây là kho ngữ liệu 10.000 cây cú pháp của vnTreebank Dữ liệu văn bản được thu thập từ chuyên mục Chính trị - Xã hội của báo Tuổi trẻ Online Kho văn bản được chia làm ba tập tương ứng với ba mức gán nhãn là tách từ, gán nhãn từ loại và gán nhãn cú pháp Tập được gán nhãn cú pháp là tập con của tập được gán nhãn từ loại; tập được gán nhãn từ loại là tập con của tập được tách từ

3.3 Giới thiệu công cụ Thebeast

“Markov Thebeast” là một công cụ phần mềm phiên bản 0.0.2 được đưa ra bởi Sebastian Riedel – June 14, 2008 Nó là một phần mềm học quan hệ thống kê trên logic Markov Nó cho phép chúng ta thực hiện học quan hệ và dự đoán cấu trúc các vấn đề như thực thể, dự đoán liên kết, phân tích cú pháp phụ thuộc, nhãn ngữ nghĩa, nén câu, vv bằng định nghĩa một mô hình đơn giản và cung cấp dữ liệu huấn luyện cho nó Học tập và suy diễn đều được xử lý bởi Thebeast Thebeast sử dụng logic Markov như là ngôn ngữ để mô tả mạng Markov phức tạp So với công cụ khác, thebeast sử dụng một kỹ thuật suy diễn MAP

3.4 Các bước thực hiện bài toán

3.4.1 Dữ liệu và cấu trúc dữ liệu trong Thebeast

3.4.2 Xây dựng dữ liệu huấn luyện

3.5 Đánh giá kết quả thực nghiệm

References

Tiếng Việt

[1] Đào Hữu Hồ (2006), Xác suất thống kê, Nhà xuất bản Đại học Quốc gia Hà Nội

[2] Nguyễn Thị Minh Huyền, Vũ Xuân Lương, Lê Hồng Phương (2003) “Sử dụng bộ

gán nhãn từ loại xác suất QTAG cho văn bản tiếng Việt”, Báo cáo hội thảo ICT.rda

[3] Nguyễn Hữu Ngự (2001), Lý thuyết đồ thị, Nhà xuất bản Đại học Quốc gia Hà Nội

[4] Lê Hồng Phương, Nguyễn Thị Minh Huyền, Nguyễn Phương Thái, Phan Thị Hà,

“Trích rút tự động văn phạm LTAG cho tiếng Việt”, Tạp chí Tin học và Điều khiển

học, số 26, tập 2 (2010) tr 153-171

[5] Từ Minh Phương, Trí tuệ nhân tạo, Học viện Công nghệ Bưu chính Viễn thông,

(2010)

[6] Nguyễn Nhật Quang, Khai phá dữ liệu, Viện Công nghệ Thông tin và Truyền thông

trường Đại học Bách Khoa Hà Nội (2010)

[7] Đặng Hùng Thắng (2007), Quá trình ngẫu nhiên và tính toán ngẫu nhiên, Nhà xuất

bản Đại học Quốc gia Hà Nội, Hà Nội

[8] Nguyễn Duy Tiến và Vũ Viết Yên (2001), Lý thuyết xác suất, Nhà xuất bản Giáo

dục, Hà Nội (2001)

[9] Đinh Mạnh Tường, Trí tuệ nhân tạo, Nhà xuất bản Khoa học Kỹ thuật, Hà Nội

(2002)

[10] Lê Đức Vĩnh, Giáo trình xác suất thống kê, Trường Đại học Nông nghiệp I, Hà

Nội (2006)

Tiếng Anh

[11] Hassan Khosravi and Oliver Schulte and Tong Man and Xiaoyuan Xu and Bahareh Bina (2010), “Structure Learning for Markov Logic Networks with Many

Descriptive Attributes”, in Proceedings of the Twenty-Fourth AAAI Conference on

Artificial Intelligence (AAAI-10), pages 487-493

[12] Stanley Kok and Pedro Domingos (2005), “Learning the Structure of Markov

Logic Networks”, in Proceedings of the 22 nd internatrional conference on Machine learning, pages 441 – 448

[13] Pedro Domingos and Daniel Lowd, “Markov logic: An interface layer for

artificial intelligence” Synthesis Lectures on Artificial Intelligence and Machine

Learning, Morgan & Claypool Publishers, 2009, vol 3, No.1, pages 1-155

[14] Stanley Kok and Pedro Domingos (2009), “Hypergraph Lifting for Structure

Learning in Markov Logic Networks”, Proceedings of the 26 th Annual International Conference on Machine Learning, pages 505 - 512

[15] Stanley Kok and Pedro Domingos (2010), Learning Markov Logic Networks Using

Structural Motifs, in Proceedings of the 27th International Conference on

Machine Learning, Haifa, Israel

[16] Matthew Richardson and Pedro Domingos (2006), Markov Logic Networds,

Machine Learning, vol 62, no 1-2, pages 107-136

[17] Đinh Quang Thắng (2011), Apprentissage Statistique Relationnel: Apprentissage

de Structures de Réseaux de Markov Logiques, The University of Orléans

[18] Marenglen Biba, Integrating Logic and Probability: Algorithmic Improvements in

Markov Logic Networks, Department of Computer Science University or Bari,

Italy (2009)